O ângulo. AI's O crescimento segue leis tão regulares quanto as da física: mais poder computacional, melhores algoritmos e mais dados geram ganhos previsíveis, e a duração da tarefa que um modelo de fronteira consegue concluir sozinho tem dobrado aproximadamente a cada quatro meses desde 2023.
A Inteligência Artificial Geral (IAG) não é um interruptor que se liga de um dia para o outro. É uma escada, e no trabalho digital e bem definido, estamos subindo rapidamente. No trabalho inovador, aberto e físico, a escada ainda é íngreme.
O truque
Peça a um chatbot para escrever um soneto, corrigir seu código ou explicar seu exame de sangue, e parece mágica. O truque funciona porque você só vê o palco. Nos bastidores, não há mágico. Há três mostradores e uma conta de luz.
- O primeiro parâmetro é o de computação: quantos cálculos são necessários para treinar um modelo.
- O segundo aspecto são os algoritmos: a maneira inteligente como cada cálculo é utilizado.
- O terceiro são os dados: a quantidade de texto, código e vídeo que o modelo utiliza para aprender.
Desde 2024, um quarto parâmetro foi adicionado: o tempo de processamento, o tempo que um modelo gasta raciocinando antes de responder. Aumente qualquer um desses parâmetros e o desempenho melhora de uma forma notavelmente previsível.
Essa previsibilidade é a verdadeira revelação. Isaac Newton nos deu leis que descrevem como as coisas se movem. AI Pesquisadores descobriram leis que descrevem como a inteligência, pelo menos a inteligência artificial, melhora com o aumento dos recursos. Assim como Newton.'s As leis funcionam maravilhosamente dentro de seus limites e se rompem nas extremidades. Esta obra trata de ambos: das leis e das extremidades.
Mojo's Lei: a lei de escala neural
Em janeiro de 2020, uma equipe da OpenAI liderada por Jared Kaplan mostrou que um modelo de linguagem's O erro, sua "perda", decresce como uma lei de potência suave em relação ao poder computacional usado para treiná-lo. Escrito dessa forma, é quase decepcionantemente simples:
L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050L é a perda, C é o custo computacional do treinamento e C_c é uma constante. O expoente é o fator determinante. Com α em torno de 0.05, multiplicar o custo computacional por 10 reduz a perda em apenas cerca de 11%, porque 10 elevado a -0.05 é aproximadamente 0.89. Cada multiplicação por dez proporciona uma melhoria similar e modesta, indefinidamente, até que outro fator se esgote. (Kaplan)'s A equipe encontrou leis de potência correspondentes para o tamanho do modelo e os dados.
Dois anos depois, o artigo do Chinchilla da DeepMind (Hoffmann e colegas, março de 2022) corrigiu a receita. Para um orçamento fixo, os parâmetros e os tokens de treinamento devem crescer juntos, o que resulta em aproximadamente 20 tokens de dados de treinamento por parâmetro . O Chinchilla, com 70 bilhões de parâmetros treinados em 1.4 trilhão de tokens, superou um modelo quatro vezes maior treinado com a mesma capacidade computacional.
Eis a parte que a maioria das pessoas não percebe. Pequenas melhorias na perda produzem grandes saltos, às vezes repentinos, no que um modelo realmente consegue fazer, porque muitas habilidades só funcionam quando o modelo acerta quase tudo. Uma lei suave por baixo pode parecer mágica por cima.
E os indicadores se multiplicam. Se o poder computacional de treinamento de ponta cresce cerca de 5 vezes por ano (Epoch AI) e algoritmos melhores reduzem pela metade o poder computacional necessário para o mesmo resultado a cada 8 meses (Ho e colegas, 2024), o poder computacional efetivo por trás do melhor modelo cresce aproximadamente 14 vezes por ano, porque 2 elevado a 12/8 é cerca de 2.8, e 5 vezes 2.8 é 14. Essa é a aritmética do Mojo, não um número medido, mas explica por que os modelos de cada ano parecem ser de uma espécie diferente.
O que exatamente indicam os mostradores?
Todos os quatro mostradores ainda estão girando, mas o mostrador de dados está chegando ao fim de sua rotação.
Calcular. Época AI Estima-se que a capacidade computacional de treinamento de ponta tenha crescido cerca de 5 vezes ao ano desde 2020, com os custos de treinamento crescendo cerca de 3.5 vezes ao ano. O GPT-3 foi treinado com cerca de 3 × 10^23 operações em 2020; o GPT-4, com cerca de 2 × 10^25 em 2023.
Época's A maior estimativa para uma corrida em 2026, segundo a OpenAI, é que a corrida ocorra em 2026.'s O GPT-6 Astra tem uma capacidade de processamento de aproximadamente 9 × 10^26, e ainda não há confirmação de uma capacidade de 10^27. A Epoch estimou que o treinamento do Grok 4 em 2025 consumiria cerca de 310 gigawatts-hora de eletricidade e custaria cerca de US$ 490 milhões.
Algoritmos. Um estudo de 2024 realizado por Anson Ho e seus colegas descobriu que a capacidade computacional necessária para atingir um nível fixo de desempenho do modelo de linguagem cai pela metade aproximadamente a cada 8 meses, embora uma capacidade computacional maior ainda realize uma parcela maior do trabalho.
Dados. Este é o mostrador com um marcador de parada. Época AI estima o estoque público texto escrito por humanos com cerca de 300 trilhões de tokens, a previsão é de que seu uso total para treinamento ocorra entre 2026 e 2032. Já estamos dentro desse período. Os laboratórios estão recorrendo a dados sintéticos, dados licenciados, vídeos e aos próprios registros de raciocínio dos modelos.
Tempo para pensar. O indicador mais recente. Em setembro de 2024, o o1 da OpenAI mostrou que permitir que um modelo raciocine por mais tempo no momento da resposta aumenta a precisão de forma significativa: em uma competição de matemática de 2024, ele obteve 74% com uma única tentativa e 93% quando pôde amostrar e reclassificar 1,000 tentativas, contra 12% do GPT-4o. Um estudo de 2024 descobriu que o uso inteligente do poder computacional de inferência permitiu que um modelo pequeno superasse um modelo 14 vezes maior.
Richard Sutton's O ensaio de 2019, "A Amarga Lição", já previa isso: no xadrez, no Go, na fala e na visão computacional, os métodos gerais que utilizam mais computação sempre superaram o conhecimento engenhoso construído manualmente. Seis anos depois, a lição ainda dói.
O que a física diz sobre os limites?
As leis do software acima são executadas no hardware, e o hardware responde às leis da física. Três números estruturam todo o debate.
Os chips continuam ficando mais rápidos, só que não da maneira antiga. A Lei de Moore, que previa a duplicação do número de transistores a cada dois anos, perdeu força; Jensen Huang, da Nvidia, afirmou que ela chegará ao fim em 2022.
No entanto, a Nvidia's Os chips para data centers aumentaram o desempenho de alta densidade de 16 bits de cerca de 125 trilhões de operações por segundo no V100 (2017) para cerca de 4,000 trilhões no Rubin (2026), aproximadamente 32 vezes em nove anos, segundo suas próprias especificações. A maior parte do ganho veio de um projeto especializado e de cálculos matemáticos de menor precisão, e não de transistores menores.
Época AI medidas hardware de aprendizado de máquina tornando-se aproximadamente duas vezes mais eficiente em termos de custos a cada 2.1 anos.
Seu cérebro é surpreendentemente eficiente. Um cérebro humano consome cerca de 20 watts, de acordo com o Instituto Nacional de Padrões e Tecnologia dos EUA. Uma placa de vídeo Nvidia H100 consome cerca de 700 watts. A melhor estimativa da Open Philanthropy para o poder computacional bruto do cérebro é de cerca de 10^15 operações por segundo, aproximadamente o que uma H100 oferece. A comparação é como comparar maçãs com laranjas, mas a diferença de eficiência é real e demonstra o quanto o hardware ainda tem a oferecer.
Existe um limite mínimo. O princípio de Landauer, proposto em 1961 e confirmado experimentalmente em 2012, estabelece a energia mínima necessária para apagar um bit de informação à temperatura ambiente: cerca de 3 × 10^-21 joules. Os chips atuais utilizam muitas ordens de magnitude a mais do que isso. A física ainda não é o limite determinante. As usinas de energia, sim.
A Agência Internacional de Energia's Energia e 2025 AI Um relatório estimou que os centros de dados consumiram cerca de 415 terawatts-hora de eletricidade em 2024, o que representa cerca de 1.5% do consumo mundial.'s totalizando cerca de 945 terawatts-hora até 2030.
Por pergunta, os números são pequenos e estão diminuindo: o Google mediu um consumo médio de 0.24 watts-hora para uma mensagem de texto enviada ao Gemini em maio de 2025, ligeiramente abaixo do Epoch AI.'s A estimativa inicial para uma consulta típica do ChatGPT era de cerca de 0.3 watts-hora, e o Google relatou uma redução de 33 vezes no consumo de energia por solicitação ao longo de 12 meses.
A questão é o paradoxo de Jevons: à medida que cada consulta se torna mais barata, fazemos bilhões de consultas a mais.
O Relógio Mojo Horizon: quanto tempo pode durar? AI funciona por conta própria?
Em 2019, o GPT-2 executava tarefas com duração aproximada de 3 segundos. Em abril de 2026, o METR's estimativa inicial para o Antrópico's A prévia de Claude Mythos durou mais de 16 horas.
Isso representa um aumento de aproximadamente 21,000 vezes em sete anos. Ao ajustar uma linha de tendência a cada novo recorde, o horizonte dobrou aproximadamente a cada 6 meses entre 2019 e 2026, e a cada 4.1 meses desde 2023. A própria atualização da METR, de janeiro de 2026, estimou o tempo de duplicação pós-2023 em cerca de 4.3 meses, o que corrobora nosso ajuste independente.
Estendendo a linha pós-2023, apenas a título de ilustração, ela cruza uma semana de trabalho de 40 horas por volta do final de 2026 e um mês de trabalho de 167 horas no segundo semestre de 2027.
Agora, as ressalvas, porque elas importam.
- Primeiro, 50% de sucesso não é garantia de confiabilidade; com 80% de sucesso, os horizontes de tempo são muito mais curtos.
- Em segundo lugar, trata-se de software independente e tarefas de pesquisaNão são trabalhos complicados com colegas, clientes e objetos físicos.
- Em terceiro lugar, o próprio critério de medição está falhando: a METR afirma que suas estimativas acima de 16 horas não são confiáveis e parou de atualizar ativamente sua tabela de classificação em setembro de 2026.
Quando a régua acaba antes de se chegar ao objeto que está sendo medido, isso já é um sinal de alerta.
Por que os índices de referência continuam caindo?
Porque os modelos estão melhorando e porque os benchmarks são metas. Ambos são verdadeiros, e o segundo é o motivo pelo qual trato cada ranking com cuidado.
O caso mais notável é o ARC-AGI-3, lançado pela Fundação Prêmio ARC em 25 de março de 2026, como um conjunto de quebra-cabeças interativos sem instruções, que os humanos resolvem facilmente. No lançamento, os melhores AI obteve uma pontuação de 0.51%. Em 3 de setembro de 2026, o Prêmio ARC verificou a OpenAI.'s O GPT-6 Astra atingiu 62.7% em sua configuração de teste padrão. (Alegações virais de 98% a 99% vieram de uma configuração diferente que o Prêmio ARC não considera como padrão.) Um índice de referência projetado para durar anos perdeu a maior parte de sua margem de segurança em cerca de seis meses.
Em outros lugares, o padrão se repete. A codificação verificada pelo SWE-bench passou de 4.4% em 2023 para cerca de 96% nos resultados de 2026 relatados pelos provedores, o que significa que ela não é mais um critério para diferenciar os melhores modelos. Em julho de 2025, o Google DeepMind's A equipe Gemini Deep Think resolveu cinco dos seis problemas da Olimpíada Internacional de Matemática, obtendo 35 dos 42 pontos possíveis na avaliação oficial, o que corresponde à medalha de ouro.
A lente aqui é Goodhart.'s Lei: quando uma métrica se torna uma meta, ela deixa de ser uma boa métrica. Os laboratórios treinam com base em benchmarks famosos; questões de teste vazam para os dados de treinamento. Isso não torna o progresso falso. Significa que as métricas honestas são aquelas que se assemelham ao trabalho real, como o METR.'s horizontes temporais, e aqueles que ainda são difíceis para máquinas e fáceis para pessoas, como ARC-AGI-3 e Humanidade's Último exame sem ferramentas, onde a melhor nota oficial foi de 38.3%.
Então, quão perto estamos da Inteligência Artificial Geral (AGI)?
Mais próximos nas telas do que no mundo real, e mais próximos do que a maioria das pessoas fora da área imagina. Mas "Inteligência Artificial Geral" significa coisas diferentes para pessoas diferentes, e essa é uma das razões pelas quais o debate se repete indefinidamente.
Definições. A estrutura "Níveis de IAG" do Google DeepMind (Morris e colegas, 2023) avalia os sistemas em dois eixos: seu desempenho e sua generalidade, e classificou os chatbots da época como IAG "emergente". Líderes de laboratórios falam sobre sistemas capazes de realizar o trabalho economicamente mais valioso; Dario Amodei, da Anthropic, descreve "um país de gênios em um data center". Os céticos a definem como aprendizado semelhante ao humano a partir da experiência, algo que os modelos atuais não fazem.
Previsões.
Os líderes do laboratório são mais agressivos: em janeiro de 2026, Anthropic's Dario Amodei escreveu que é poderoso AI Pode levar de um a dois anos. Demis Hassabis afirmou em 2023 que isso poderia acontecer dentro de uma década. Yann LeCun, que deixou a Meta e angariou US$ 1.03 bilhão para um novo laboratório, considera os grandes modelos de linguagem um beco sem saída, e Richard Sutton argumenta que eles imitam em vez de aprender.
Os três portões do Mojo. Em vez de uma linha de chegada, eu monitoro três, cada uma com um teste mensurável.
| Portão | Testar | Situação, novembro de 2026 | Mojo's ler |
|---|---|---|---|
| 1. Autonomia digital | AI Conclui uma semana de trabalho real de software ou pesquisa com alta confiabilidade. | Horizonte de 50% após 16 horas; horizontes confiáveis muito mais curtos; falha na medição | Possível dentro de 1 a 3 anos |
| 2. Novidade | Nível humano em quebra-cabeças fáceis para pessoas e iniciantes em máquinas (ARC-AGI-3) | Melhor verificado: 62.7%; humanos: 100% | Fechamento rápido; possível dentro de 1 a 2 anos. |
| 3. O mundo físico | Robôs realizando trabalho físico geral a um custo competitivo | Custo competitivo para cerca de 0.3% das tarefas físicas (Anthropic, setembro de 2026) | Uma década ou mais |
Meu veredito: a metade digital da IAG (Inteligência Artificial Geral) é uma possibilidade concreta antes de 2030. A metade física, a parte que dobra a roupa, conserta caldeiras e cuida dos doentes, está muito mais distante. Moravec's O paradoxo ainda persiste: o que é difícil para nós é fácil para as máquinas, e o que é fácil para nós é difícil para elas. Quem disser que a Inteligência Artificial Geral (IAG) chegará em uma data específica está tentando vender alguma coisa.
Verificação de reivindicação
| Reivindicação | Quem faz | MES | Mojo's ler |
|---|---|---|---|
| As leis de escala ainda são válidas. | AI laboratórios, Epoch AI | 4 Forte | As perdas continuam caindo com a computação; o dial de dados é o risco vinculante. |
| AI é “bater de frente com um muro” | Céticos, periodicamente | 0 Não resistiu | Os horizontes e os marcos concretos continuaram a aumentar até 2026. |
| Os horizontes das tarefas dobram a cada 4 a 7 meses. | METR | 4 Forte | Confirmado pelo nosso próprio teste; as medidas podem ser alteradas após 16 horas. |
| AI vencer humanos em nível de olimpíada de matemática | Google DeepMind | 4 Forte | Classificação oficial de padrão ouro, julho de 2025. |
| A AGI chegará até 2027. | Alguns líderes de laboratório | 1 Reivindicação | Depende da definição; a metade digital é plausível em breve. |
| Os mestrados em direito são um beco sem saída. | Yann LeCun | 1 Reivindicação | Uma visão minoritária séria; nenhum resultado ainda mostra um limite rígido. |
| AI O consumo de energia por consulta é mínimo. | Google, OpenAI | 3 Promissores | Autodeclarado, mas consistente com a Epoch AI.'s estimativa independente |
| Nossos dados de treinamento vão acabar | Época IA | 3 Promissores | A janela de oportunidade de 2026 a 2032 se abriu; dados sintéticos são a questão em aberto. |
O contra-ângulo
O argumento mais forte contra a minha interpretação é que estou confundindo um parâmetro de avaliação com a coisa em si. Horizontes temporais e metas são testes criados por pesquisadores, e os modelos são cada vez mais treinados para serem aprovados nesses testes.
O salto de 0.5% para 62.7% no ARC-AGI-3 em seis meses pode dizer mais sobre a rapidez com que os laboratórios conseguem otimizar para um alvo famoso do que sobre inteligência geral. A implementação no mundo real, o ensaio clínico no Quênia e os estudos de desenvolvedores abordados em outros artigos desta série, frequentemente mostram ganhos muito menores do que os prometidos pelos benchmarks.
Levo isso a sério, e é por isso que meus portões exigem um trabalho confiável durante uma semana e que o portão físico fica bem longe. Mas a tendência se manteve mesmo após várias mudanças nos critérios de avaliação ao longo de sete anos. Quando cada novo teste apresenta resultados piores que o anterior, a explicação mais provável é que o que está sendo medido está realmente melhorando.
A Parte Humana
Mojo's Previsões
- Uma estimativa publicada pela METR ou por um avaliador independente comparável estabelece um modelo.'s Horizonte temporal de 50% acima de 40 horas até 31 de dezembro de 2027. Probabilidade: 60%.
- Uma pontuação de 85% ou mais no ARC-AGI-3.'s A configuração padrão dos testes será verificada pelo ARC Prize até 31 de dezembro de 2027. Probabilidade: 55%.
- Época AI Estima-se que o treinamento realize mais de 10^27 operações até 31 de dezembro de 2027. Probabilidade: 85%.
Os três resultados serão registrados no Mojo Forecast Ledger e avaliados publicamente.
Onde isso será debatido a seguir?
Perguntas frequentes
Quais são AI leis de escala?
São regras empíricas que demonstram que um modelo's O erro diminui de forma previsível, seguindo uma lei de potência, quando se adicionam poder computacional, dados ou parâmetros de treinamento. Kaplan e seus colegas descreveram isso em 2020; DeepMind's O papel Chinchilla os refinou em 2022.
Quão rápido é AI Melhorando?
Por METR's medida, o comprimento da fronteira de tarefas de software AI O número de conclusões com 50% de sucesso dobrou aproximadamente a cada quatro meses desde 2023, passando de minutos em 2023 para mais de 16 horas em 2026.
Quando alcançaremos a Inteligência Artificial Geral (AGI)?
Pesquisadores consultados estimaram em 50% a probabilidade de máquinas superarem humanos em todas as tarefas até 2047; alguns líderes de laboratório dizem que isso acontecerá em poucos anos. A Mojo prevê a metade digital antes de 2030 e a metade física muito mais tarde.
Quanta energia AI usar?
A Agência Internacional de Energia (IEA) estimou que os centros de dados consumiram cerca de 415 TWh em 2024, aproximadamente 1.5% da eletricidade global, aumentando para cerca de 945 TWh em 2030. Uma solicitação típica de chatbot consome cerca de 0.2 a 0.3 watts-hora.
Vontade AI Ficaram sem dados?
Época AI A expectativa é de que o acervo de textos públicos escritos por humanos, cerca de 300 trilhões de tokens, seja totalmente utilizado entre 2026 e 2032, o que impulsionará os laboratórios em direção a dados sintéticos e licenciados.
O que é o Relógio Mojo Horizon?
AIMOJO's rastreador de METR's AI Medições de horizonte temporal, com nosso próprio ajuste de tendência, atualizadas sempre que novas medições são publicadas.
- Kaplan e outros, Leis de escala para modelos neurais de linguagem (Jan 2020)
- Hoffmann et al., Treinamento de Modelos de Linguagem Grandes e Otimizados para Computação (Chinchilla) (Mar 2022)
- Epoch AI, Tendências em IA (atualizado em fevereiro de 2026) e Recursos de treinamento do Grok 4 (Sep 2025)
- Ho et al., Progresso algorítmico em modelos de linguagem (Mar 2024)
- Villalobos e outros, Será que ficaremos sem dados? (Jun 2024)
- OpenAI, Aprendendo a raciocinar com LLMs (setembro de 2024) e Snell et al., Escalando a computação em tempo de teste (Agosto 2024)
- Richard Sutton, A Lição Amarga (Mar 2019)
- Páginas de produtos da Nvidia: A100, H100, Anúncio da plataforma Rubin (Jan 2026)
- Epoch AI, Tendências em hardware de aprendizado de máquina (Novembro 2023)
- NIST, Computação inspirada no cérebro (Mar 2023)
- Filantropia Aberta: Quanta capacidade computacional é necessária para igualar o cérebro humano?
- landó's princípio (Visão geral da proposta de 1961 e do experimento de 2012)
- AIE, Energia e AI (2025), conforme resumido em Impacto ambiental da inteligência artificial
- Elsworth et al., Medindo o impacto ambiental de AI inferência (Google) (agosto de 2025) e Epoch AI: Quanta energia o ChatGPT consome? (Fevereiro 2025)
- Kwa et al., Medindo AI Capacidade de concluir tarefas longas (METR) (2025 de março), Horizonte Temporal METR 1.1 (Jan 2026) e Página de horizontes temporais METR
- Prêmio ARC, lançamento do ARC-AGI-3 (Março de 2026) e Verificação GPT-6 Astra (Sep 2026)
- Stanford HAI, AI Índice 2025 e AI Índice 2026
- Google DeepMind, Gemini Deep Think, ouro na minha opinião. (Jul 2025)
- Morris et al., Níveis de AGI (Novembro 2023)
- Dario Amodei, Máquinas de Amor e Graça (outubro de 2024) e A adolescência da tecnologia (Jan 2026)
BONUS: Receba nossos $ 200 “AI “Kit de ferramentas de domínio” GRÁTIS ao se inscrever!
