Há uma frase de Alan Turing, escrita em 1950, que a DeepMind escolheu para abrir seu mais recente relatório: “só conseguimos enxergar uma curta distância à frente, mas vemos ali muito que precisa ser feito”. Setenta e cinco anos depois, um grupo de pesquisadores do Google DeepMind, incluindo Shane Legg, cofundador da empresa, e Marcus Hutter, um dos teóricos mais respeitados do campo, usa a mesma frase para falar de algo que até pouco tempo pertencia à ficção: o que acontece com a inteligência artificial depois que ela alcança o nível humano.
O documento, intitulado From AGI to ASI, parte de uma constatação desconfortável. Construir uma Inteligência Artificial Geral (AGI), um sistema capaz de igualar o desempenho humano mediano em uma gama muito ampla de tarefas cognitivas, saiu da especulação distante e virou meta concreta de prazo de uma década para algumas das maiores organizações de IA do mundo. A pergunta que os autores fazem não é mais “se”, mas “e depois?”. O que vem após a AGI? E a resposta que eles esboçam tem implicações diretas para países como o Brasil, que ainda não decidiram se serão protagonistas ou plateia dessa transformação.
A curva que ninguém sabe onde termina
O ponto de partida do relatório é uma matemática que assusta pela regularidade. Ao longo da última década, a “computação efetiva”, a combinação de poder de hardware, investimento e eficiência de algoritmos, cresceu de forma surpreendentemente constante. Segundo estimativas do Epoch AI, citadas pela DeepMind, esse crescimento é da ordem de 10 vezes por ano. Uma ordem de magnitude. Anualmente.
Esse número se decompõe em três fatores que se multiplicam. O hardware fica mais barato a cerca de 1,5 vez por ano, seguindo a velha lei de Moore. Os investimentos em hardware crescem por volta de 2,5 vezes ao ano. E a eficiência algorítmica, quanto poder de processamento é necessário para atingir determinado desempenho, melhora aproximadamente 3 vezes por ano, podendo chegar a 6 vezes segundo estimativas mais recentes. Multiplicados, esses fatores explicam por que o tamanho dos maiores treinamentos de modelos quadruplicou a cada ano na última década.
A questão central, que a DeepMind admite não saber responder, é se essa curva vai continuar. E é aqui que o relatório se torna mais provocador. Mesmo que o progresso dos modelos individuais estagne completamente, dizem os autores, o crescimento da computação efetiva poderia, sozinho, transformar a sociedade. O raciocínio é simples e arrepiante: imagine que, ao atingir a AGI, só seja possível rodar mil cópias do sistema. Com crescimento de 10 vezes ao ano, seriam 10 mil em um ano, e cem milhões de instâncias em cinco anos, ou um milhão de instâncias rodando cem vezes mais rápido que um humano. Escala “meramente” quantitativa, argumentam, poderia produzir o que parece exigir saltos qualitativos.
Quatro caminhos da AGI para a superinteligência
O coração do relatório é o mapeamento de quatro trajetórias possíveis, não excludentes, podendo ocorrer em paralelo, que levariam da AGI à ASI, a superinteligência artificial. A DeepMind define ASI de forma intuitiva e contundente: um sistema mais capaz, cognitivamente, do que grandes organizações inteiras de seres humanos trabalhando por anos.
O primeiro caminho é o escalonamento: continuar fazendo o que já funcionou, alimentando modelos maiores com mais dados e mais computação. O segundo são as mudanças de paradigma: se o escalonamento esbarrar em limites econômicos ou em retornos decrescentes, novos algoritmos e arquiteturas poderiam abrir uma fronteira diferente. O terceiro, e talvez o mais vertiginoso, é o aprimoramento recursivo: se a IA passar a acelerar a própria pesquisa em IA, cria-se um laço que se retroalimenta, IA melhor produz pesquisa melhor, que produz IA ainda melhor. Os autores levantam a hipótese, com a devida cautela, de um crescimento “hiperbólico”, aquele que tende ao infinito em tempo finito, a velha ideia da singularidade. O quarto caminho é a formação de coletivos de agentes: assim como grupos humanos realizam intelectualmente mais do que indivíduos isolados, coletivos de IAs poderiam se tornar muito mais inteligentes que seus membros individuais, e escalar o tamanho do grupo é tão simples quanto rodar mais instâncias.
O relatório é honesto sobre os freios. Escalonar pode ficar economicamente inviável; os dados da internet estão se esgotando como fonte de treinamento; energia, hardware e matérias-primas podem não acompanhar o ritmo; e o aprimoramento recursivo pode simplesmente estagnar, como já se viu em outros sistemas. A mensagem final dos autores não é triunfalista nem apocalíptica: é que a incerteza é enorme, que um cenário de progresso rápido e profundo não pode ser descartado, e que se preparar para ele exige um esforço interdisciplinar de escopo global. Há, parafraseando Turing, muito que precisa ser feito.
Onde o Brasil entra nessa conta
É justamente na frase final do relatório que mora a oportunidade, e o risco para o Brasil. Porque o “muito que precisa ser feito” não é só pesquisa de ponta em laboratórios californianos. É infraestrutura física, energia, dados e gente. E nesses quatro insumos, o Brasil tem cartas que a maior parte do mundo não tem.
Comece pela energia, que é hoje o gargalo número um da corrida pela IA. Treinar e operar modelos de fronteira consome eletricidade em escala industrial. A Agência Internacional de Energia (IEA) estima que o consumo de eletricidade de data centers, IA e criptomoedas, que era de cerca de 460 terawatts-hora em 2022, pode ultrapassar mil terawatts-hora já em 2026, o equivalente a adicionar o consumo elétrico de um país inteiro à demanda global. O mundo desenvolvido está descobrindo, da pior forma, que não tem energia limpa e barata suficiente para sustentar a expansão dos data centers.
O Brasil, aqui, parte de uma posição quase única. Mais de 80% da matriz elétrica nacional vem de fontes renováveis, cerca de 89% considerando a geração elétrica, segundo dados da Empresa de Pesquisa Energética (EPE), contra uma média mundial em torno de 25% a 30% de eletricidade renovável. Com capacidade instalada superior a 230 gigawatts em 2024, predominância hídrica e complementaridade sazonal com a energia eólica do Nordeste e a expansão solar, o país oferece exatamente o que a indústria global de IA mais procura: energia abundante, limpa e competitiva. Para empresas pressionadas por metas ambientais (ESG), instalar capacidade computacional no Brasil pode significar a diferença entre cumprir ou não seus compromissos climáticos.
A segunda carta é o agronegócio e a bioeconomia. O setor responde por cerca de um quarto do PIB brasileiro quando se considera toda a cadeia, segundo levantamentos do Cepea/USP e da CNA. Mais importante do que o tamanho é a natureza do ativo: o Brasil gera, todos os dias, volumes colossais de dados proprietários sobre solo, clima, safras, pecuária e biodiversidade que nenhum outro país possui na mesma escala. O relatório da DeepMind aponta que os dados de internet estão se esgotando como combustível dos modelos. Dados do mundo real, gerados pela interação com sistemas físicos, são exatamente a fronteira seguinte. A Embrapa e o ecossistema de agtechs brasileiro estão sentados sobre uma das maiores reservas de dados agrícolas do planeta, uma vantagem comparativa que, bem explorada, poderia colocar o país na liderança da IA aplicada a alimentos, bioeconomia e clima, em vez de na posição de mero consumidor de modelos importados.
A terceira carta são as pessoas. O Brasil forma engenheiros, matemáticos e cientistas de dados de alto nível, tem universidades públicas de excelência e uma comunidade de pesquisa em aprendizado de máquina que produz trabalho reconhecido internacionalmente. O problema é que essa carta está, em parte, sendo jogada na mesa dos outros.
Os desafios que a elite e o governo precisam encarar
Aqui o tom precisa mudar, porque oportunidade sem enfrentamento de gargalos é apenas retórica de palco de evento. E os gargalos brasileiros são estruturais, conhecidos e, em larga medida, ignorados por quem tem poder de decisão.
O primeiro é a fuga de cérebros. De nada adianta formar talento de classe mundial se os melhores pesquisadores migram para laboratórios e empresas no exterior, onde encontram salários, infraestrutura computacional e ambição de pesquisa que o país não oferece. Reter e atrair talento exige investimento sério em ciência, e o Brasil gasta historicamente cerca de 1,1% do PIB em pesquisa e desenvolvimento, contra uma média de aproximadamente 2,7% nos países da OCDE. Enquanto o orçamento de ciência e tecnologia for tratado como variável de ajuste fiscal, contingenciado a cada aperto de caixa, o discurso de “país do futuro” continuará sendo profecia que nunca se cumpre.
O segundo gargalo é a soberania computacional. Um país pode ter toda a energia limpa do mundo, mas se não possuir capacidade de processamento própria, os data centers, as GPUs, a infraestrutura de nuvem, será apenas um locador de terreno energético para a infraestrutura dos outros. O Plano Brasileiro de Inteligência Artificial (PBIA), lançado em 2024 com previsão de investimentos da ordem de R$ 23 bilhões até 2028 e a meta de construir um supercomputador nacional, é um passo na direção certa. Mas planos de IA no Brasil têm um histórico melancólico de anúncios grandiosos e execução tímida. A pergunta que a elite empresarial e a liderança governamental precisam responder não é se vamos ter um plano, mas se vamos ter a disciplina orçamentária, a previsibilidade regulatória e a coordenação entre Estado, academia e iniciativa privada para executá-lo ao longo de mais de um ciclo eleitoral.
O terceiro gargalo é a governança. O Brasil discute seu marco legal de IA — o Projeto de Lei 2338/2023 — em meio à mesma tensão que divide o mundo: regular cedo demais e sufocar a inovação, ou tarde demais e importar riscos. O relatório da DeepMind oferece um argumento sóbrio para essa discussão: como a incerteza sobre a velocidade do progresso é genuína, a melhor postura não é apostar tudo em um único cenário, e sim investir em capacidade de monitorar, medir e reagir. Para o Brasil, isso significa construir competência regulatória de verdade, gente que entenda a tecnologia dentro do Estado em vez de copiar marcos legais estrangeiros sem capacidade de fiscalizá-los.
E há um quarto desafio, mais incômodo de nomear: a desigualdade. Se a transformação descrita pela DeepMind se materializar, ainda que parcialmente, ela vai redistribuir poder econômico em escala histórica. Num país tão desigual quanto o Brasil, a IA pode tanto ser uma alavanca de produtividade e inclusão quanto um acelerador da concentração de renda e da exclusão de trabalhadores. Qual desses dois Brasis vai emergir não depende da tecnologia, depende de escolhas políticas que estão sendo feitas, ou adiadas, agora.
A janela é estreita
O que torna o relatório da DeepMind relevante para o leitor brasileiro não é a discussão técnica sobre singularidades hiperbólicas ou coletivos de agentes. É o pano de fundo: a possibilidade real de que a inteligência artificial avance mais rápido e mais longe do que a maioria das instituições está preparada para absorver. Se isso acontecer, os países que tiverem energia, dados, talento e infraestrutura computacional capturarão valor desproporcional. Os que não tiverem, comprarão a inteligência dos outros, e pagarão caro por ela, em moeda e em soberania.
O Brasil tem, hoje, uma combinação rara de ativos: uma das matrizes energéticas mais limpas do planeta, uma reserva de dados do mundo físico que poucos possuem, e capital humano que ainda não terminamos de exportar. Falta o que sempre faltou a decisão coletiva de tratar isso como prioridade estratégica de Estado, e não como pauta de seminário. A curva, como diz Turing, só nos deixa ver uma curta distância à frente. Mas o que se vê ali, para quem quiser olhar, é muito que precisa ser feito. E o relógio, a 10 vezes por ano, não está do nosso lado.
Assine a nossa News e siga o Itshow nas redes sociais para ficar por dentro de todas as notícias do setor de TI e Cibersegurança!