O cenário que este manual precisa levar a sério
Toda página deste pilar raciocina sobre um campo em rápida movimentação, e as páginas de previsão e de painel tratam o progresso rápido contínuo como a suposição de trabalho. Esta página é o contrapeso: e se a AGI não chegar no prazo previsto? Um manual sério planeja para a distribuição de resultados, não para a manchete modal, e a distribuição inclui uma estagnação. Isso é análise de cenário sobre um fenômeno historicamente documentado, não uma afirmação de que o progresso parou.
Como de fato foram os dois últimos invernos
O campo já passou por isso antes, duas vezes.
O primeiro inverno (aproximadamente 1974–1980) seguiu um golpe institucional direto. O relatório de 1973 de Sir James Lighthill, Artificial Intelligence: A General Survey, encomendado pelo Conselho de Pesquisa Científica do Reino Unido, concluiu que as grandes promessas da pesquisa em IA — tradução automática, robótica, resolução geral de problemas — não haviam se concretizado em nada perto da escala projetada, e recomendou redirecionar o financiamento para trabalho mais restrito. Em poucos anos, os principais financiadores governamentais recuaram dos dois lados do Atlântico, e os programas de pós-graduação se contraíram fortemente.
O segundo inverno (aproximadamente 1987–1993) matou uma vítima diferente: os sistemas especialistas. Esses produtos comerciais baseados em regras haviam absorvido um investimento corporativo e governamental enorme durante os anos 1980, e depois colapsaram sob sua própria fragilidade — sistemas que não conseguiam aprender, não conseguiam lidar com exceções, e eram caros de manter. O colapso de mercado arrastou consigo o financiamento de todo o paradigma da IA simbólica. A história das Academias Nacionais sobre a pesquisa federal em computação, Funding a Revolution (1999), documenta como o recuo da DARPA e o desaparecimento dos fabricantes de máquinas Lisp transformaram o fracasso de um subcampo em uma seca em toda a disciplina (National Academies Press). As narrativas históricas mais completas são AI: The Tumultuous History of the Search for Artificial Intelligence (1993), de Crevier, e The Quest for Artificial Intelligence (2009), de Nilsson — ambas valem a leitura pelo padrão, não apenas pelos fatos.
O padrão: cada inverno não foi um beco sem saída técnico, mas um colapso de credibilidade e financiamento. A ciência continuou avançando nas sombras; o dinheiro, o talento, e a paciência pública não. O inverno terminou quando uma demonstração de baixo custo — xadrez, depois o ImageNet — tornou o campo investível novamente, quase da noite para o dia.
O argumento a favor de uma falsa alvorada
A versão mais forte do argumento da estagnação tem três pilares.
Limites de dados e algorítmicos. A análise da Epoch sobre texto gerado por humanos estimou que o estoque de dados de treinamento públicos de alta qualidade se esgotaria dentro de aproximadamente uma década, se as tendências então vigentes se mantivessem (Villalobos et al., 2022), forçando a dependência de dados sintéticos e outras soluções alternativas cujo valor de longo prazo é genuinamente incerto. Separadamente, o campo repetidamente confundiu a saturação de parâmetros de referência com competência geral — um alerta que as páginas de capacidades emergentes e do teste de Turing deste manual desenvolvem em detalhe. Os parâmetros de referência podem saturar enquanto a confiabilidade no mundo real, o que as economias de fato pagam, fica muito atrás.
A irregularidade pode ser o teto, não o piso. A descoberta persistente de que os modelos são sobre-humanos em algumas dimensões e inexplicavelmente fracos em dimensões adjacentes tem uma leitura pessimista: a de que escalar um previsor de próximo token compra amplitude sem comprar o tipo de raciocínio robusto e composicional que os otimistas das leis de escala projetam. O argumento de Chollet de que os parâmetros de referência contemporâneos superestimam a inteligência porque permitem memorização em vez de exigir aquisição de habilidade sob novidade é a afirmação canônica desse ceticismo (Chollet, 2019).
O excedente de capacidade corta nos dois sentidos. Mesmo que os ganhos sejam reais, eles já podem estar extraídos: o argumento do “excedente de capacidade” (capability overhang) implica que os modelos de hoje têm desempenho abaixo do seu treinamento porque produtos, avaliações, e organizações ainda não os alcançaram. Se for esse o caso, mais escala produz retornos visíveis decrescentes — o que os mercados leem como um platô, qualquer que seja a causa subjacente. Existe até um fenômeno documentado que corre contra a escala: a escala inversa, na qual modelos maiores pontuam pior em algumas tarefas, como certos tipos de raciocínio verdadeiro ou sensível (McKenzie et al., 2023).
O argumento contra um inverno
Os defensores do inverno precisam explicar por que este ciclo rima com os dois últimos, e as diferenças são grandes.
O dinheiro é real desta vez. Os invernos anteriores seguiram o hype sem receita. O ciclo atual tem receita de implantação medida em dezenas de bilhões de dólares anualmente e investimento privado em IA generativa que continua batendo recordes — o Stanford AI Index 2025 relata 33,9 bilhões de dólares em investimento privado em IA generativa somente em 2024, um salto acentuado ano a ano. Um financiamento nessa escala não evapora porque parâmetros de referência decepcionam; evapora quando balanços patrimoniais quebram.
A base de hardware é enorme. Os invernos anteriores conseguiam esfomear o campo cortando algumas bolsas. Hoje o campo se apoia em uma construção de semicondutores, nuvem, e energia intensiva em capital, cujos investidores esperam décadas de retorno. Isso é um piso sob o progresso contínuo — e, mais sombriamente, um grupo de interesse que continuará empurrando mesmo quando a prudência mandar parar.
A integração generalizada cria sua própria demanda. Centenas de milhões de pessoas e uma grande parcela das empresas hoje dependem de sistemas de IA para o trabalho cotidiano. A utilidade, ao contrário da novidade, não sai de moda. O ônus da prova recai sobre o argumento do inverno: ele precisa mostrar não apenas que o progresso desacelera, mas que desacelera o suficiente, por tempo suficiente, para repetir um colapso de financiamento contra uma base instalada deste tamanho.
O que um inverno significaria
Suponha que a estagnação aconteça. O que se segue é genuinamente ambíguo.
Dispersão de talento. Um inverno empurra os pesquisadores de fronteira para fundos de hedge, biotecnologia, e qualquer que seja o próximo campo em alta. Isso é ruim para a segurança de uma forma — a expertise em alinhamento, que é escassa e concentrada em um punhado de laboratórios, se dispersa — e possivelmente bom de outra: o trabalho de capacidade perigosa desacelera enquanto alguns dos mesmos cérebros trabalham em problemas mais restritos e mais auditáveis. O efeito líquido é desconhecido de antemão, mas a dispersão do talento em alinhamento é um custo real que os otimistas do inverno tendem a ignorar.
Excedente de hardware. O progresso de software pausado não derrete os chips. Um mundo que parasse de treinar modelos de fronteira amanhã ainda teria um estoque enorme de capacidade já implantada, boa parte dela com incentivo insuficiente para manter a equipe de segurança. O inverno afina as defesas ao redor dos sistemas existentes; não afina os próprios sistemas.
O risco de leitura equivocada. Esta é a pior parte. Um platô genuíno de vários anos seria politicamente decodificado como “o risco passou” — uma conclusão que estaria ativamente errada. Progresso pausado não é progresso refutado. Os fatores subjacentes (computação, eficiência algorítmica, incentivo comercial) continuariam se acumulando em segundo plano, e o reinício, quando chegasse, provavelmente seria mais rápido e menos supervisionado do que a corrida anterior. O tratamento que este manual dá aos benefícios e custos de oportunidade corta na mesma direção: mesmo uma transição estagnada tem ganhos reais, e um mundo que declara vitória cedo demais perde tanto os ganhos quanto a vigilância.
O risco de leitura equivocada merece ênfase: o inverno mais perigoso é aquele que convence o público de que o perigo acabou. Os invernos históricos terminaram em reinícios. Nada em uma estagnação garante que o trabalho de segurança sobreviva até o próximo degelo.
Planeje para a distribuição, não para a manchete
A postura honesta para um manual é a mesma com que esta página começou: não aposte a análise no progresso exponencial contínuo, e também não a aposte em uma estagnação. Prepare-se para a capacidade chegando no prazo, chegando atrasada, chegando de forma irregular, e chegando em meio às falhas institucionais tratadas em outras partes deste site — porque os mesmos preparativos (instituições robustas, conhecimento preservado, capacidade de resposta distribuída) são os que compensam em toda a distribuição. Um inverno mudaria o momento. Não mudaria o que uma sociedade bem preparada parece.