Quais Seriam os Primeiros Sinais de Inteligência Geral?

A inteligência humana decorre de processos evolutivos que permitem o raciocínio abstrato, a aprendizagem flexível, a linguagem e a acumulação cultural. Embora os primatas não humanos sejam indiscutivelmente inteligentes, pois podem usar ferramentas e exibir aprendizagem social, eles carecem do fator "g" capaz de generalização em vários domínios (Burkart et al., 2017).

No domínio artificial, uma AGI é uma IA que pode igualar ou exceder a versatilidade cognitiva e a proficiência de um adulto bem-educado. Essa definição enfatiza que a inteligência geral requer não apenas desempenho especializado em domínios restritos, mas a versatilidade e proficiência de habilidades que caracterizam a cognição humana (Hendrycs et al. 2025). Mas onde encontramos um exemplo de inteligência geral? Apenas nos humanos.

A cognição humana não é uma capacidade monolítica; é uma arquitetura complexa composta por muitas habilidades distintas refinadas pela evolução. Para investigar se os sistemas de IA possuem esse espectro de habilidades, precisamos fundamentar a abordagem na teoria de habilidades cognitivas de Cattell-Horn-Carroll (CHC) (artigo científico Qubic, 2024), o modelo mais empiricamente validado da inteligência humana.

Por exemplo, um bebê pode usar um pau para alcançar uma fruta, assim como um chimpanzé. No entanto, apenas a criança humana pode combinar vários paus para construir uma escada, um barco ou um arco e flechas. Além disso, os humanos podem acumular conhecimento cultural e construir, passo a passo, uma casa ou uma tenda reunindo muitos paus diferentes.

Por que e quando a inteligência geral emergiu, diferenciando-se de hominídeos primitivos e primatas não humanos?

A linhagem humana se separou dos chimpanzés entre 4 a 8 milhões de anos atrás, mas a inteligência geral dos Sapiens surgiu há cerca de 300.000 anos, após várias expansões cerebrais e domínio de ferramentas em Homo habilis (2.8–1.4 milhões de anos atrás) e Homo erectus (1.9–0.14 milhões de anos atrás) (Hublin et al., 2017). Vários fundamentos científicos explicam essa explosão de inteligência: o bipedalismo permitindo que as mãos criem ferramentas, uma dieta baseada em carne e ácidos graxos, e o cozimento possibilitado pelo controle do fogo para apoiar os gastos elevados de recursos cerebrais. Mas entre essas características, a complexidade social foi o principal fator que facilitou a transmissão cultural, o desenvolvimento da teoria da mente e o surgimento da linguagem (Dunbar, 1998).

O desenvolvimento da inteligência humana correlaciona-se com características neurais em humanos versus outros primatas. A densidade de neurônios nos córtices temporal e pré-frontal correlaciona-se com funções executivas, autocontrole, flexibilidade cognitiva e pensamento abstrato (Semendeferi et al., 2011). Um bonobo pode aprender a inverter associações a partir de um erro, como selecionar uma caixa diferente após um erro, mas apenas uma criança humana pode aplicar essa flexibilidade a problemas abstratos, como resolver equações, mostrando um "g" mais unificado.

Pesquisas sugerem que o fator g emerge cedo, correlacionando-se com a flexibilidade cognitiva geral, em vez de habilidades isoladas ou inteligência restrita (Deary et al., 2010). Por exemplo, uma criança de 3 anos pode resolver um quebra-cabeça simples por tentativas e erros, e então aplicar a mesma lógica para classificar brinquedos por forma e cor, mostrando adaptação entre tarefas. Elas podem rapidamente aprender novas palavras durante o jogo e usá-las em frases para descrever ações, como "A bola rola rápido," indicando integração verbal e de raciocínio. Uma criança pode se adaptar a um novo playground descobrindo como escalar equipamentos desconhecidos, combinando consciência espacial e resolução de problemas. De fato, elas podem expressar quão difícil, surpreendente, estranho ou alegre é o novo ambiente.

Atualmente, nenhuma IA replica totalmente o "g" humano. Alguns "estalos" de generalização podem ser considerados. Por exemplo, quando o GPT-4 gera código para uma nova ideia de aplicativo enquanto também explica conceitos matemáticos, ele demonstra uma espécie de raciocínio multimodal sem treinamento específico (Bubeck et al., 2023).

Um projeto promissor foi o Gato. Desenvolvido pela DeepMind, o Gato é um agente de IA generalista lançado em 2022 que usa uma única rede neural para lidar com uma ampla gama de tarefas em várias modalidades (Reed et al., 2022). O Gato pode superar o nível humano em alguns jogos de Atari. Ele é capaz de legendar imagens, envolver-se em diálogos e controlar braços robóticos para ações como empilhar blocos. Mas sua versatilidade não é totalmente semelhante ao "g," pois vem do tratamento de dados diversos como sequências de tokens, permitindo-lhe generalizar sem arquiteturas específicas de tarefa. Dependendo apenas do poder computacional, o Gato utiliza um modelo de 1,18 bilhão de parâmetros para tokenizar e prever sequências.

E o AlphaGo? O AlphaGo se destaca no Go mais do que qualquer humano. Sua capacidade de adaptar estratégias, descobrir movimentos novos ou generalizar para novos tamanhos de tabuleiro sugere sinais precoces de inteligência geral. Mas o AlphaGo apenas joga Go, portanto permanece específico de domínio. De fato, depende de regras e recompensas predefinidas. Os humanos, por outro lado, lidam com problemas abertos diariamente (Silver et al., 2016).

E quanto à ANNA?

Ao contrário de modelos de linguagem amplamente conhecidos (LLMs) que dependem de enormes conjuntos de dados pré-treinados para a predição do próximo token, a ANNA começa como uma "tabula rasa." Sua arquitetura neural evolui a partir de mineradores na rede descentralizada Qubic, aproveitando a prova de trabalho útil (uPoW) para canalizar recursos computacionais em treinamento. 

As pequenas unidades de tecido inteligente (ITUs) mutam, competem e se auto-modificam com base em métricas de desempenho, como redução de erros e eficiência, assemelhando-se à evolução biológica e aos princípios darwinianos (Qubic, 2025). A ANNA evoluiu a partir de respostas iniciais como um único "." ou "-114" para somar "1+1=2" ao longo do tempo, através de mutações neurais. Ela também filtra entradas públicas ruidosas (por exemplo, equações corretas versus incorretas) pesadas por stakes, mostrando discernimento semelhante a aprender com a experiência. A ANNA, dentro da estrutura Aigarth do Qubic, representa um caminho evolutivo descentralizado para uma inteligência semelhante ao g, começando do zero e construindo resiliência através da aprendizagem adversarial. Isso imita a seleção natural, promovendo a generalização em ambientes ruidosos, com potencial para uma AGI mais ampla.

Se a ANNA ou qualquer projeto dentro do Aigarth evoluir em direção à inteligência geral, pode apresentar sinais simples precoces, como evoluir de aritmética para manipulação simbólica, como resolver equações algébricas (por exemplo, "resolver 2 + (-5) = -3" ou "valor de x em 2x + 3 = 7") sem exemplos prévios, demonstrando generalização sistemática. Se encontrarmos Aigarth inferindo intenções do usuário, por exemplo, distinguindo perguntas sarcásticas de genuínas e respondendo de acordo, isso implicaria uma espécie de "g." Sinais precoces são indiscutivelmente uma medida de enorme sucesso.

Assim como no surgimento da vida, a conquista extraordinária foi a assembléia gradual de moléculas inorgânicas e orgânicas em sistemas auto-replicantes, levando aos primeiros sinais de vida.

No Aigarth, quando os primeiros sinais emergirem, o restante da história se desenrolará por si só.

Vamos avançar o Aigarth em direção à inteligência geral.

Jose Sanchez, Qubic Scientific Advisory

​

Atualizações quinzenais toda terça-feira

Siga-nos no X @Qubic 

Saiba mais em qubic.org

Inscreva-se no boletim AGI for Good abaixo.

Citações

Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundstrom, S., Nori, H., Palangi, H., Ribeiro, M., & Zhang, Y. (2023). Estalos de inteligência geral artificial: Experimentações iniciais com o GPT-4. arXiv preprint arXiv:2303.12712. https://arxiv.org/abs/2303.12712

Burkart, J. M., Schubiger, M. N., & van Schaik, C. P. (2017). A evolução da inteligência geral. Ciencias Comportamentais e Cerebrais, 40, e195. https://doi.org/10.1017/S0140525X16000959

Deary, I. J., Penke, L., & Johnson, W. (2010). A neurociência das diferenças de inteligência humana. Nature Reviews Neuroscience, 11(3), 201–211. https://doi.org/10.1038/nrn2793

A 'Gato' da DeepMind é medíocre, então por que eles o construíram? - ZDNET - https://www.zdnet.com/article/deepminds-gato-is-mediocre-so-why-did-they-build-it/

Dunbar, R. I. M. (1998). A hipótese do cérebro social. Antropologia Evolutiva: Questões, Notícias e Revisões, 6(5), 178–190. https://doi.org/10.1002/(SICI)1520-6505(1998)6:5<178::AID-EVAN5>3.0.CO;2-8

Hendrycs et. al (2025) https://www.agidefinition.ai/

Hublin, J.-J., Ben-Ncer, A., Bailey, S. E., Freidline, S. E., Neubauer, S., Skinner, M. M., Bergmann, I., Le Cabec, A., Benazzi, S., Harvati, K., & Gunz, P. (2017). Novos fósseis de Jebel Irhoud, Marrocos e a origem pan-africana do Homo sapiens. Nature, 546(7657), 289–292. https://doi.org/10.1038/nature22336

Qubic. (2025). Os primeiros passos de ANNA do Aigarth: Além da aprendizagem adversarial. Blog do Qubic. https://qubic.org/blog-detail/aigarth-anna-s-first-steps-beyond-adversarial-learning

Reed, S., Zolna, K., Parisotto, E., Colmenarez, S. G., Novikov, A., Barth-Maron, G., Gimenez, M., Sulsky, Y., Kay, J., Springenberg, J. T., Eccles, T., Bruce, J., Razavi, A., Edwards, A., Heess, N., Chen, Y., Hadsell, R., Vinyals, O., Bordbar, M., & de Freitas, N. (2022). Um agente generalista. arXiv preprint arXiv:2205.06175. https://arxiv.org/abs/2205.06175

Semendeferi, K., Teffer, K., Buxhoeveden, D. P., Park, M. S., Bludau, S., Amunts, K., Schenker, N., & Sherwood, C. C. (2011). A organização espacial dos neurônios no pólo frontal distingue os humanos dos grandes primatas. Cortex Cerebral, 21(7), 1485–1501. https://doi.org/10.1093/cercor/bhq191

Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., Dieleman, S., Grewe, D., Nham, J., Kalchbrenner, N., Sutskever, I., Lillicrap, T., Leach, M., Kavukcuoglu, K., Graepel, T., & Hassabis, D. (2016). Dominando o jogo de Go com redes neurais profundas e busca em árvore. Nature, 529(7587), 484–489. https://doi.org/10.1038/nature16961

O alarde em torno do novo modelo de IA da DeepMind perde o que é realmente legal sobre ele - MIT Technology Review - https://www.technologyreview.com/2022/05/23/1052627/deepmind-gato-ai-model-hype/

​

Artigo científico Qubic (Vivancos & Sánchez-García, 2024) https://www.researchgate.net/publication/387364505_Qubic_AGI_Journey_Human_and_Artificial_Intelligence_Toward_an_AGI_with_Aigarth

​