Gary Marcus contra a Nature: por que é prematuro falar na chegada da AGI

Gary Marcus e seus colegas Walter Quattrociocchi e Valerio Capraro criticaram um artigo recente da prestigiosa revista Nature, que afirmava ter sido alcançada a inteligência artificial geral (AGI). Os autores da resposta sustentam que o desempenho impressionante dos grandes modelos de linguagem (LLMs) em diversos benchmarks, e até na resolução de problemas matemáticos complexos, não é evidência de inteligência genuína. Na visão deles, quem defende que a AGI existe comete um erro fundamental: confunde a capacidade de executar tarefas muito especializadas com inteligência realmente geral. O texto é um apelo por mais cautela no uso da terminologia e por uma análise mais profunda e criteriosa do que entendemos por «inteligência».

Cada vez mais gente afirma que a inteligência artificial geral já existe. Talvez a declaração mais recente e barulhenta nesse sentido esteja num artigo publicado na Nature. Essas afirmações costumam se apoiar nas conquistas dos grandes modelos de linguagem (LLMs), cujos resultados mostram alto desempenho em vários conjuntos de testes, domínio fluente de áreas variadas e, em alguns casos, até soluções corretas para problemas matemáticos em aberto. Esses avanços são com frequência tratados como prova incontestável de que a humanidade chegou ao limiar da inteligência artificial geral.

No entanto, como observam com razão Marcus e seus coautores, essas interpretações partem de uma confusão fundamental: igualam resultados em tarefas isoladas, muitas vezes bem estudadas e padronizadas, à inteligência em si. Executar tarefas isoladas, mesmo com resultados impressionantes, não pode ser considerado prova suficiente de inteligência geral. No artigo, os autores mostram que as afirmações recentes sobre a conquista da AGI se baseiam num erro conceitual: confundir a aproximação estatística, cada vez mais sofisticada, com a própria inteligência. Eles também argumentam que as afirmações recentes (por exemplo, as publicadas por Chen et al., 2026) sobre um suposto sucesso na criação da AGI dependem de redefinir o que o próprio termo «IA» significou historicamente.

A ideia central dos autores é que os LLMs atuais, apesar das capacidades notáveis, são essencialmente máquinas estatísticas muito complexas. Eles são treinados em enormes volumes de dados e aprendem a prever a próxima palavra ou sequência de palavras com base em padrões probabilísticos. Isso permite gerar texto, responder perguntas e até resolver problemas que exigem certo nível de lógica ou conhecimento. Mas, segundo Marcus e seus colegas, isso não significa que o modelo «entenda» a tarefa no sentido humano nem que consiga transferir conhecimentos e habilidades para situações totalmente novas e imprevistas, aspecto central da inteligência geral. Para eles, é mais parecido com uma forma muito avançada de imitação ou aproximação do que com pensamento de verdade.

As consequências dessa confusão podem ser bem significativas. Declarações prematuras sobre a AGI podem levar a otimismo excessivo, má alocação de recursos e, mais importante, à subestimação dos problemas e desafios reais da criação de uma inteligência artificial genuína. Também podem nos tornar menos críticos quanto às capacidades e limitações dos sistemas de IA existentes, na suposição de que eles têm um nível de compreensão que na verdade não têm. Além disso, podem desacelerar pesquisas voltadas a sistemas mais confiáveis, interpretáveis e realmente inteligentes.

Por fim, Gary Marcus e seus coautores pedem à comunidade científica e ao público em geral uma abordagem mais sóbria e crítica na avaliação dos avanços em inteligência artificial. Eles destacam a importância de distinguir as impressionantes capacidades estatísticas dos LLMs da inteligência geral genuína, que implica capacidade de raciocinar, aprender, se adaptar e compreender em uma ampla gama de contextos. Até alcançarmos esse nível, as declarações sobre a chegada da AGI devem ser vistas como prematuras e baseadas numa interpretação equivocada dos dados.