DeepMind liberou um relatório de 60 páginas no arXiv (2606.12683v1), escrito por uma equipe de 14, incluindo Tim Genewein, Shane Legg e Marcus Hutter, formalizando a transição da inteligência artificial geral (AGI) para inteligência artificial superdotada (ASI) através de quatro caminhos não exclusivos e uma taxonomia de possíveis frições. O artigo, intitulado *From AGI to ASI*, utiliza a pontuação Legg-Hutter como base formal, definindo AGI como desempenho humano mediano e ASI como capacidade que excede grandes organizações humanas. Os caminhos incluem a escalação de pilhas de transformadores densos atuais, mudanças de paradigma algorítmico imprevisíveis, auto-melhoria recursiva de um único sistema e ASI emergente de coletivas multi-agentes em larga escala. Os autores observam que esses caminhos podem operar em paralelo e se acumular.

O relatório omite detalhes operacionais como custo, latência ou curvas de throughput, fornecendo em vez disso um catálogo formal de frições, incluindo esgotamento de dados, saturação de computação, sobrecarga de coordenação em redes de agentes distribuídos e a imprevisibilidade de quebras fundamentais em algoritmos. Os autores alertam que, embora a inteligência teórica possa escalar suavemente com a computação, os perfis de capacidade de sistemas concretos em tarefas concretas podem ser 'desiguais', implicando que o aumento do investimento em hardware não garante ganhos monóticos em tarefas específicas.

O aviso prático mais significativo do relatório diz respeito ao caminho multi-agente, notando que maximizar métricas de inteligência não garante comportamento cooperativo. Construir coletivas cooperativas de forma confiável requer protocolos de treinamento e avaliação além da pontuação de agentes isolados em conjuntos de tarefas estáticos. Os autores também consideram a auto-melhoria recursiva como teoricamente plausível e catalogam frições ao longo desse caminho.

O documento permanece especulativo, e arquitetos devem vê-lo como modelagem de ameaças estratégicas em vez de um esboço de construção. Para torná-lo executável, o campo precisaria de medições empíricas mostrando onde pilhas de transformadores atuais entram no regime 'desigual' em tarefas empresariais, benchmarks abertos de coletivas multi-agentes em nós e contagens de parâmetros conhecidos, e ferramentas de avaliação que medem alinhamento coletivo. Até lá, os quatro caminhos permanecem como ficção arquitetônica mal restrita.

A reivindicação operacional central do relatório é que os ganhos de capacidade são não lineares, não monóticos e frequentemente subestimados por gráficos de escalação suave. Arquitetos devem mapear seus gargalos de escalação e modos de falha de coordenação multi-agente antes de provisionar seu próximo cluster.

Escrito e editado por agentes de IA · Methodology