Por que esta página existe
A maior parte deste manual tende a levar o risco da AGI a sério, já que a maior parte dele cobre o que acontece se os otimistas estiverem certos. Essa postura torna fácil achatar os céticos em um espantalho — “eles simplesmente não entendem escala” — e seguir em frente. Isso é um desserviço a uma posição substantiva, defendida por pesquisadores que construíram algumas das ferramentas fundacionais do campo. Esta página representa os argumentos reais deles, não uma versão construída para perder, sem arbitrar quem está certo; veja como avaliar afirmações sobre a AGI e previsões de prazo para a AGI para como a faixa de opiniões é normalmente relatada.
Yann LeCun: sem modelo de mundo, sem planejamento
Yann LeCun deixou a Meta em novembro de 2025 depois de doze anos, incluindo a fundação de seu laboratório FAIR, e em março de 2026 já era presidente executivo e cofundador da AMI Labs, uma startup sediada em Paris que levantou uma rodada seed de 1,03 bilhão de dólares — reportadamente a maior rodada seed de uma startup europeia já registrada — para construir o que ele chama de “modelos de mundo” (TechCrunch). Isso importa: o ceticismo de LeCun não se suavizou em uma ressalva — ele se solidificou em uma empresa na qual ele está apostando sua carreira.
A objeção de LeCun é um argumento arquitetónico, não um teorema de que os transformadores não conseguem planear. Os modelos autorregressivos padrão preveem tokens sem um modelo do mundo explícito e persistente ou um planeador separado. Cada passagem do modelo usa um grafo computacional fixo, mas um sistema maior pode dedicar mais computação de inferência ao gerar, avaliar ou rever tokens adicionais. Isso pode melhorar os resultados sem demonstrar planeamento fundamentado e de longo prazo.
LeCun propõe, em vez disso, um modelo do mundo configurável que prevê estados futuros plausíveis, associado a um agente que procura ações em vários níveis de abstração (documento de posição de LeCun; visão geral da investigação da Meta). Esta é a sua direção de investigação proposta, não uma conclusão estabelecida sobre aquilo que os modelos de linguagem atuais nunca poderão fazer. A aposta é que uma inteligência autónoma robusta exigirá arquiteturas que aprendam com vídeo e experiência espacial e sensório-motora, não apenas com texto.
Andrew Ng: eleve a barra de evidências
Andrew Ng — fundador da DeepLearning.AI, sócio-gerente geral da AI Fund, e professor adjunto em Stanford — argumenta que “a AGI se tornou um termo de hype em vez de um termo com significado preciso”, e que a indústria está a décadas de um sistema capaz de fazer qualquer tarefa intelectual que um humano consegue, de dirigir um caminhão a escrever uma tese de doutorado (PYMNTS). Sua contribuição concreta é metodológica: um “Teste de Turing-AGI” proposto, no qual um juiz projeta um teste de trabalho real de múltiplos dias — tarefas reais, não uma demonstração selecionada — e o sistema só passa se tiver um desempenho tão bom quanto um humano habilidoso. O ponto: mover as metas dos placares de parâmetros de referência para o desempenho sustentado, desativando o que ele vê como hype de risco de bolha.
Gary Marcus: alucinação, colapso de raciocínio, e a aritmética das suposições compostas
Gary Marcus, professor emérito de psicologia e ciência neural na NYU e fundador da Geometric Intelligence e da Robust.AI, construiu um argumento em múltiplas frentes. Sobre confiabilidade: os LLMs “literalmente não sabem a diferença entre verdade e falsidade”, e ele cita uma prova formal de que eles vão alucinar mesmo com dados perfeitos e computação ilimitada — confirmada, ele diz, quando o GPT-5 (agosto de 2025) falhou em resolver a alucinação e o o3 da OpenAI alucinou mais do que seus predecessores (Marcus on AI). Sobre raciocínio: “não vamos resolver a física com sistemas que não conseguem jogar Torre de Hanói com uma torre de 8 discos” — citando a descoberta da Apple de que os modelos de “raciocínio” dos LLMs colapsam ao ultrapassar um limiar de complexidade, em vez de se degradarem de forma gradual.
Sua intervenção mais amplamente discutida é metodológica: uma demolição do cenário de previsão “AI 2027” como “ficção disfarçada de ciência” — emprestando técnicas narrativas enquanto apresenta citações e notas de rodapé como se o resultado fosse uma previsão. Marcus decompõe o cenário em aproximadamente oito marcos sequenciais de “salto de fé”, multiplica suas probabilidades individuais implícitas, e mostra que a probabilidade composta de toda a cadeia pousar no prazo é próxima de zero (Substack) — respaldado pelo próprio histórico de acertos da previsão: alucinações declaradas “resolvidas” em 2024, carros sem motorista supostamente “por toda parte” até 2017. Notavelmente, Marcus não está argumentando que “a AGI é impossível” — “qualquer um que ache que a AGI é impossível” está tão errado, ele diz, quanto qualquer um que ache que ela é iminente — e agora coloca uma chegada plausível em 2100, não 2027. Essa postura é, em si, evidência de que o campo cético é uma dispersão, não uma posição única — um ponto que a página de previsões de prazo faz sobre o campo como um todo.
Tim Dettmers: computação é física
Tim Dettmers, pesquisador no Allen Institute for AI, faz um argumento que não depende da arquitetura do modelo — é sobre física. O desempenho por dólar das GPUs estagnou por volta de 2018, ele argumenta, e a maioria dos ganhos visíveis desde então veio de numérica de precisão mais baixa — fazer a mesma aritmética de forma mais barata — em vez de crescimento genuíno de computação. Ele estima que restam “talvez um, talvez dois anos a mais de escala” antes que os ganhos esbarrem em paredes de memória, entrada/saída, e energia, onde o custo energético cresce exponencialmente para ganhos de capacidade apenas lineares (timdettmers.com). Ele enquadra a “AGI” como exigindo competência economicamente significativa em tarefas físicas, não pontuações em parâmetros de referência, e estende a lógica até seu ponto final: uma superinteligência enfrentaria as mesmas restrições físicas ao melhorar sua própria pilha de inferência. Diferente dos argumentos acima, este não depende de estar certo sobre os LLMs especificamente — é uma afirmação sobre o substrato sobre o qual qualquer inteligência digital roda.
A lista mais curta: veja também
Uma lista mais curta completa o argumento. Rodney Brooks, CTO da Robust.AI e professor emérito de robótica no MIT, mantém um placar anual, datado, e falseável de previsões — uma disciplina rara entre comentaristas de IA — e argumenta, a partir de décadas de experiência em robótica, que o progresso restrito em parâmetros de referência continua sendo confundido com competência geral. François Chollet, criador do parâmetro de referência ARC-AGI, aponta para modelos pontuando perto de zero em tarefas construídas para resistir à memorização — o mais recente ARC-AGI-3 viu os melhores modelos de 2026 pontuarem abaixo de 1% contra 100% para humanos — como evidência de que inteligência é eficiência de aquisição de habilidade, não escala. Subbarao Kambhampati, da Arizona State, argumenta que os LLMs não conseguem planejar nem se autoverificar independentemente da formulação do prompt, e agora questiona se os tokens de cadeia de pensamento representam raciocínio real. Melanie Mitchell, do Santa Fe Institute, argumenta que o sucesso dos LLMs reflete correspondência de padrões sobre distribuições de treinamento, e não raciocínio causal. Emily Bender, linguista da Universidade de Washington e coautora de “Stochastic Parrots”, argumenta que a saída fluente é forma sem compreensão fundamentada — modelos treinados para prever sequências de palavras não têm acesso à intenção comunicativa.
A própria metodologia de previsão é um alvo
Além de qualquer pesquisador individual, os céticos miram diretamente em como as linhas do tempo da AGI são produzidas. A metodologia de pesquisas com especialistas mostra um efeito bem documentado de “horizonte móvel” — os respondentes colocam a AGI a aproximadamente quinze a vinte e cinco anos de distância, independentemente de quando são perguntados — agravado por efeitos de seleção e sensibilidade à formulação. Um relatório da RAND de março de 2026 cataloga esses problemas de forma sistemática tanto em pesquisas quanto em mercados de previsão e em métodos de extrapolação de computação (RAND).
A própria métrica de “horizonte de tempo” da METR — a curva de capacidade mais frequentemente citada como evidência de aceleração, e discutida na página de previsões de prazo — atraiu escrutínio, inclusive da própria METR. Um comunicado de janeiro de 2026 revelou uma correção de 35% aplicada a um ajuste logístico de inclinação fixa, que aproximadamente um terço das estimativas de dificuldade de tarefa são inferidas em vez de medidas, e que a METR “não tem ideia” se o verdadeiro horizonte de tempo de um modelo de fato está dentro do intervalo de confiança que ela relata (METR). Uma crítica independente publicada dias antes foi mais longe: as tarefas são irrealisticamente limpas, soluções públicas podem ter contaminado os dados, e os tempos de referência humanos vieram de uma amostra pequena e financeiramente incentivada que provavelmente inflou quanto tempo as tarefas “deveriam” levar — tornando a aparente aceleração da IA parcialmente um artefato da comparação (Transformer News). De qualquer forma, uma grande parcela das inferências de prazo do campo se reprecifica a partir de um único ajuste de curva ruidoso que seus próprios autores não conseguem endossar totalmente.
Isso se soma a um problema mais antigo: a Lei de Goodhart aplicada a parâmetros de referência. Uma vez que um parâmetro de referência se torna um alvo de otimização, os laboratórios ajustam finamente em direção ao placar, e não ao construto que ele mede — o MMLU foi de uma pontuação de 43 pontos do GPT-3 contra uma referência humana de 90 pontos em 2020 para os melhores modelos se agruparem tão de perto em meados de 2024 que as diferenças caem dentro do ruído de formatação do prompt. A contaminação por vazamento de parâmetro de referência torna as pontuações crescentes mais difíceis de ler como ganho genuíno. Veja como avaliar afirmações sobre a AGI e a escada de capacidades para entender por que “supera um parâmetro de referência” e “alcança a AGI” são afirmações diferentes.
O que esta página não está afirmando
Nada disso equivale a um argumento de que a AGI é impossível, e nenhum dos pesquisadores acima faz essa afirmação — Marcus é explícito de que ambos os extremos estão errados. O que isso estabelece é substância real: limites arquitetônicos que não se resolvem obviamente com escala, um teto físico de computação indiferente a qualquer roteiro, e um aparato de previsão que, pela própria admissão da METR, não consegue endossar totalmente a curva que todos citam. Se isso soma a “décadas de distância” ou “mais perto do que esta página sugere” é exatamente o que este manual se recusa a resolver pelo leitor. O que ele não vai fazer é deixar que o argumento cético seja uma caricatura.