5 grandes ideias
na busca pela AGI

CAPÍTULO 01

O que é AGI, afinal?

Não existe uma definição única de inteligência artificial geral (AGI), mas a ideia central é simples: uma IA capaz de aprender e resolver diferentes tipos de problema, usando o que aprendeu em uma área para ajudar em outra. Diferente de uma IA especializada, ela não ficaria limitada a uma única tarefa.

Hoje já existem IAs que escrevem, analisam imagens, programam e usam ferramentas — tudo no mesmo sistema. Mas isso ainda não é AGI: falta a capacidade de aprender coisas realmente novas sozinha, se adaptar a situações nunca vistas antes e continuar confiável quando o problema muda.

Na psicologia, diferentes abordagens tentam compreender a mente humana por perspectivas distintas. Na pesquisa em AGI acontece algo parecido: não existe uma lista oficial de caminhos, mas sim diferentes linhas tentando explicar de onde vem a inteligência e como poderíamos reproduzi-la em uma máquina. Aqui organizamos cinco delas. Elas se misturam bastante — uma IA corporificada pode usar redes neurais, uma arquitetura matemática pode incorporar regras, e quase todo projeto moderno combina elementos de mais de uma linha.

CAPÍTULO 02 · ABORDAGEM 01

Simbólica: inteligência é lógica

A aposta mais antiga da IA: representar o conhecimento com fatos, conceitos e regras explícitas, do tipo “SE isso, ENTÃO aquilo”. A IA tenta raciocinar passo a passo, como alguém seguindo instruções.

Funciona como um detetive metódico. Responda as perguntas abaixo sobre o animal da carta e veja a regra disparar:

REGRA 1

SE tem penas E tem asas ENTÃO é um pássaro

FATO 1 · TEM PENAS?

SIMNÃO

RESPONDA OS FATOS PARA O MOTOR RACIOCINAR

O PODER DO ENCADEAMENTO — conclusões viram fatos para a próxima regra:

FATO · VOCÊ TEM A CHAVE SE tem a chave ENTÃO a porta destranca SE a porta destranca ENTÃO dá para entrar CONCLUSÃO · VOCÊ ENTRA ✓

▶ USAR A CHAVE

Força: como cada conclusão vem de regras e fatos explícitos, dá para rastrear exatamente por que a IA decidiu algo. Isso ajuda em planejamento, verificação e auditoria. Limite: com milhões de regras, o sistema também fica difícil de analisar — e o mundo real é ambíguo demais para ser antecipado à mão em toda regra possível.

CAPÍTULO 03 · ABORDAGEM 02

Conexionista: inteligência emerge dos dados

A aposta oposta: em vez de escrever regras, construa uma rede neural e mostre a ela milhares de exemplos. A inteligência não é programada — emerge dos parâmetros que se ajustam durante o treino. É a abordagem por trás de praticamente toda a IA moderna, dos classificadores de imagem aos grandes modelos de linguagem.

FOTOS PARECIDAS VISTAS0 MEMÓRIA DO TREINO VARIEDADE DOS DADOS

▶ ALIMENTAR +1.000 FOTOS PARECIDAS ? TESTAR FOTO NOVA

Repare no contraste: ninguém escreveu uma regra sobre gatos — o modelo aprendeu padrões dos dados. O modelo pode até parecer estar raciocinando, mas ainda é difícil saber se ele realmente aprendeu uma lógica geral ou se apenas reconheceu padrões parecidos com os vistos no treinamento. Pesquisadores estudam as “representações” internas do modelo para tentar entender o porquê de cada decisão, mas ainda não existe uma forma simples e completa de fazer isso.

Uma rede pode até produzir uma justificativa em linguagem natural, mas essa justificativa não necessariamente revela o processo interno que gerou a decisão.

CAPÍTULO 04 · ABORDAGEM 03

Universalista: inteligência é matemática

E se fosse possível definir, com uma fórmula, o que significa agir de forma inteligente em qualquer situação? A abordagem universalista tenta encontrar uma regra matemática geral para a inteligência. Em vez de criar uma IA específica para cada problema, ela busca um método que permita ao agente observar qualquer ambiente, criar hipóteses sobre como ele funciona, prever o que pode acontecer e escolher a melhor ação.

A demo abaixo mostra esse ciclo de forma conceitual — não é uma implementação real do agente:

Repare que o mesmo ciclo — observar, modelar, prever, agir, aprender — se repete não importa qual seja o problema. É essa generalidade que a abordagem universalista tenta capturar numa única regra.

Força: dá uma referência clara do que significa “agir bem” em qualquer ambiente desconhecido. Limite: essa versão ideal não pode ser calculada na prática — exigiria testar infinitas explicações possíveis para tudo que já foi observado. Versões aproximadas existem, mas ainda são caras demais para resolver problemas do dia a dia. Por isso, o AIXI funciona como bússola teórica, não como planta pronta.

CAPÍTULO 05 · ABORDAGEM 04

Corporificada: inteligência precisa de um corpo

Esta abordagem faz uma provocação: cérebros não evoluíram para pensar — evoluíram para controlar corpos. Nessa visão, uma IA aprende melhor quando pode ver, tocar, se mover e perceber as consequências das próprias ações. Por isso, robôs podem aprender conceitos do mundo físico de uma forma que textos e imagens sozinhos não conseguem ensinar completamente.

ENTENDI O CUBO.

VER→ TOCAR→ SENTIR→ APRENDER

INTERAÇÕES0 ENTENDIMENTO DE "CUBO"

▶ INTERAGIR COM O CUBO

Um banco de dados pode registrar peso, textura e movimento de um objeto, mas só ver essas informações não é o mesmo que sentir na prática. Força: agir e perceber as consequências ancora os conceitos no mundo real. Limite: treinar um robô no mundo físico é lento, caro e arriscado — por isso a área depende bastante de simulação: treinar num “mundo virtual” antes de testar no real.

CAPÍTULO 06 · ABORDAGEM 05

Híbrida: o melhor dos dois mundos

Sistemas híbridos tentam juntar o melhor dos dois mundos: aprendizado por dados e conhecimento explícito com regras. Isso não é uma sexta abordagem isolada — é uma forma de combinar as ideias anteriores para que uma corrija os limites da outra. Essa família também é chamada de neurossimbólica.

A demo usa um cenário deliberadamente incompleto: imagine que a rede nunca viu um pinguim e que a base simbólica contém apenas a regra ingênua “aves voam”. Compare como os componentes podem falhar isoladamente e se corrigir quando combinados:

Neste cenário hipotético, a rede erra porque encontrou um caso muito diferente dos que viu no treino, e a base de regras erra porque seu conhecimento estava incompleto. Uma rede bem treinada ou uma regra melhor poderiam acertar sozinhas — mas o valor do híbrido é que um lado pode ajudar a verificar ou corrigir a conclusão do outro. Juntar as duas coisas na prática, porém, ainda é complexo e não tem uma receita única.

CAPÍTULO 07 · THE BIG PICTURE

O quadro completo

Nenhuma dessas linhas resolveu a inteligência geral. Muitos pesquisadores consideram provável que sistemas mais gerais combinem múltiplas capacidades, mas não existe consenso sobre quais componentes serão necessários — nem sobre se as cinco lentes deste artigo são suficientes.

• PERCEPÇÃORedes neurais lendo o mundo bagunçado: imagens, sons, linguagem.
• RACIOCÍNIOEstruturas simbólicas para lógica, planejamento e explicação.
• FUNDAÇÃO TEÓRICAPrincípios universais dizendo o que otimizar e por quê.
• EXPERIÊNCIA FÍSICACorpo, sensores e consequências ancorando os conceitos no real.
• MEMÓRIA & APRENDIZADO CONTÍNUOAcumular e transferir conhecimento entre domínios, sem esquecer.
• USO DE FERRAMENTASInteragir continuamente com o mundo — e com outros sistemas.

O objetivo não é apenas produzir respostas. É aprender, agir, revisar estratégias e manter desempenho diante de mudanças. Combinar capacidades é uma hipótese forte — não um consenso científico fechado.

CAPÍTULO 08 · ALÉM DAS CINCO LENTES

Peças que atravessam todas as abordagens

Algumas capacidades não pertencem a uma única linha — elas aparecem, ou fazem falta, em qualquer arquitetura, seja simbólica, conexionista, corporificada, universalista ou híbrida:

• MEMÓRIALembrar do que aprendeu e usar isso em novas situações.
• PLANEJAMENTOImaginar consequências antes de agir.
• AUTOCORREÇÃOPerceber quando uma resposta pode estar errada e tentar de novo.
• USO DE FERRAMENTASPesquisar, executar código e interagir com outros sistemas.
• APRENDIZADO CONTÍNUOAprender coisas novas sem esquecer tudo o que já sabia.
• SEGURANÇAContinuar seguindo objetivos humanos mesmo ao se tornar mais capaz.