MACHINA — inteligência artificial, medida e explicada.
Consciência, agência e desalinhamento são três coisas diferentes. A cultura pop funde as três, e é por isso que quase toda conversa sobre IA começa errada.
- US$ 700 bifinanciamento projetado p/ data centers em 2026
- 88%+MMLU-Pro saturado no topo
- 35% / 90%modelo vs. especialista humano em Humanity's Last Exam
- ~37%lacuna benchmark → produção em sistemas agênticos
- 50×variação de custo p/ acurácia similar
- 40%aplicações corporativas com agentes até fim de 2026 (Gartner)
O MAPA
onde estamos, medido.
MACHINA
latim, do grego μηχανή (mēkhanḗ) — “engenho”, “artifício”, “recurso”
No latim, machina não era máquina no sentido industrial. Era o dispositivo engenhoso com que se resolve um problema — inclusive o guindaste que baixava o ator vestido de deus sobre o palco grego, de onde vem a expressão deus ex machina: a solução artificial que desce de fora para resolver o que a trama não conseguiu.
A palavra sempre carregou as duas coisas ao mesmo tempo: a admiração pela engenhosidade e a suspeita de que se trata de um truque.
Nenhum nome descreve melhor o estado atual da discussão sobre inteligência artificial.
O gráfico acima é o site inteiro em uma imagem. Duas séries: melhor modelo publicamente medido e especialista humano de domínio. A distância entre elas é o que importa. Onde não há medição publicada, o ponto aparece como sem medição publicada — não interpolamos.
Passe o cursor em cada ponto para o benchmark e sua limitação. Todos os valores são das fontes citadas na seção MAC-04.
COMO FUNCIONA
do neurônio artificial ao transformer, sem metáfora enganosa.
Neurônio artificial: unidade que soma entradas ponderadas, aplica uma função e emite um número. McCulloch & Pitts (1943) mostraram que redes desses neurônios simulam lógica proposicional. Rosenblatt (1958) empilhou-os no perceptron.
Retropropagação (anos 1980) permite ajustar os pesos de uma rede profunda a partir do erro na saída — é a técnica que destravou aprendizado em escala.
Transformer (Vaswani et al., 2017 — Attention Is All You Need): dispensa recorrência, processa a sequência em paralelo e aprende quais tokens atendem a quais. É a arquitetura por trás de praticamente todo modelo de linguagem contemporâneo.
Tokenização: o modelo não vê letras, vê pedaços — subpalavras, bytes, símbolos. Erros de contagem de letras, matemática elementar e trocadilhos vêm daí, não de burrice.
Embeddings: cada token vira um vetor num espaço de milhares de dimensões. Semelhança é geometria; analogia é aritmética vetorial.
Pré-treino em texto massivo → o modelo aprende regularidades estatísticas. Pós-treino (instrução, RLHF) → o modelo aprende a responder no formato que humanos preferem. Isso muda comportamento; não muda a natureza do que está sendo otimizado.
Janela de contexto: o pedaço de sequência que o modelo consegue considerar de uma vez. Ampliá-la ajuda, mas não resolve raciocínio de longo prazo.
Mistura de especialistas (MoE): a rede é fatiada em sub-redes especialistas e um roteador ativa só uma fração delas por token. Um modelo com centenas de bilhões de parâmetros totais pode ativar dezenas por passo. É por isso que “número de parâmetros” deixou de significar o que significava — o número relevante hoje é parâmetros ativos por token.
Destilação: um modelo pequeno (aluno) é treinado para imitar a distribuição de saídas de um modelo grande (professor). Foi o que fez modelos abertos de poucos bilhões de parâmetros ficarem competitivos com modelos fechados muito maiores.
Computação em tempo de inferência (raciocínio em cadeia, amostragem múltipla, busca em árvore): o modelo gasta mais computação para responder uma pergunta difícil. A partir de 2024 essa dimensão se tornou tão importante quanto tamanho do modelo — desempenho passa a depender do orçamento de cômputo por resposta.
Janela de contexto × recuperação: contexto longo é útil, mas não substitui busca. Sistemas de produção combinam recuperação (RAG) com janela grande porque enfiar tudo no contexto é caro, lento e degrada a atenção do modelo em documentos longos.
Alucinação é propriedade estrutural, não bug. O objetivo de treino é plausibilidade da próxima sequência, não verdade sobre o mundo. Portanto, o erro confiante é o comportamento esperado — o que impressiona é a taxa de acerto, não a existência do erro.
A metáfora “o modelo pensa” e a metáfora “é só autocompletar” estão as duas erradas, por motivos opostos. A primeira sobrestima; a segunda subestima. Escapar do binário é o começo de qualquer análise séria.
A LINHA DO TEMPO
1943–2026, incluindo os dois invernos.
- 1943McCulloch & Pitts publicam o modelo do neurônio artificial.
- 1950Turing, “Computing Machinery and Intelligence” — o teste.
- 1956Conferência de Dartmouth. O termo inteligência artificial nasce.
- 1958Rosenblatt: o perceptron.
- 1966ELIZA (Weizenbaum). Nasce também o efeito ELIZA.
- 1969Minsky & Papert, Perceptrons. Início do primeiro inverno.
- 1980sSistemas especialistas florescem, esgotam. Segundo inverno.
- 1997Deep Blue × Kasparov.
- 2012AlexNet vence ImageNet. Aprendizado profundo é a nova ortodoxia.
- 2016AlphaGo × Lee Sedol — o movimento 37.
- 2017Vaswani et al.: transformer.
- 2020GPT-3. Escala vira argumento por si mesma.
- 2020–2021AlphaFold resolve dobramento de proteínas em escala.
- nov/2022ChatGPT.
- 2024Nobel de Química: Hassabis, Jumper e Baker.
- 27/01/2026Doomsday Clock a 85 segundos do meia-noite, com IA nomeada explicitamente na declaração.
- 03/2026Humanity's Last Exam publicado em Nature 649:1139–1146 (DOI 10.1038/s41586-025-09962-4).
- 25/06/2026Vesuvius Challenge lê virtualmente o rolo PHerc. 1667 de ponta a ponta, sem abri-lo. No PHerc. 139, recupera título e autoria: Filodemo, Sobre os Deuses, Livro 8.
A RÉGUA QUEBRADA
benchmarks, saturação, a lacuna lab→produção.
- [1]MMLU e MMLU-Pro estão funcionalmente saturados acima de 88% para modelos de fronteira. Rankings que celebram uma diferença de um ponto medem ruído.
- [2]Exemplo trabalhado. Modelo A obtém 87,3% no MMLU-Pro; Modelo B, 88,5%. A manchete diz: “B supera A”. Com ~12 mil itens no conjunto, o erro padrão de cada pontuação é da ordem de 0,3 pp; a diferença de 1,2 pp fica dentro do intervalo de confiança de 95% (~±0,8 pp por modelo, ~±1,1 pp na diferença). Conclusão: a manchete está medindo ruído amostral, não capacidade. É este o erro epistêmico mais frequente do debate público.
- [3]Humanity's Last Exam mantém os melhores modelos em torno de 35% de acurácia; especialistas humanos, em torno de 90%. Lacuna de mais de 50 pontos que benchmark antigo nenhum revelava. Nature 649:1139–1146 (2026), DOI 10.1038/s41586-025-09962-4 — Center for AI Safety, Scale AI e consórcio de contribuidores.
- [4]Outras avaliações relevantes em 2026: SWE-Bench Pro (engenharia de software), GDPval (OpenAI, especialistas com ≥14 anos como juízes) e ARC-AGI-3 (raciocínio abstrato, ARC Prize Foundation).
- [5]Lacuna laboratório → produção: sistemas agênticos corporativos apresentam ~37% de diferença entre pontuação em benchmark e desempenho em implantação real, com variação de custo de até 50× para acurácia similar.
- [6]O que corrói a confiabilidade: contaminação de dados de treino, gaming de benchmark, e taxas de erro de anotação que em alguns conjuntos ultrapassam 50%.
- [7]Contraponto obrigatório — Vesuvius Challenge. Em 25/06/2026, o desafio desenrolou e leu virtualmente o rolo PHerc. 1667 de Herculano, de ponta a ponta, sem jamais abri-lo — cerca de 22 colunas de grego, revisadas por papirólogos. Num terceiro rolo, o PHerc. 139, recuperou-se título e autoria: Filodemo, Sobre os Deuses, Livro 8. Método: tomografia de raios X em altíssima resolução, segmentação geométrica e detecção de tinta por aprendizado de máquina, lançado em 03/2023 por Brent Seales (Universidade do Kentucky) com Nat Friedman e Daniel Gross. Mais de US$ 1,8 milhão em prêmios; dados e código abertos; Grande Prêmio de US$ 1 milhão em aberto para 2027. É o melhor exemplo público de aprendizado de máquina recuperando sinal de ruído em problema real, com verificação humana especializada no circuito, e resultado que não depende de benchmark nenhum.
Capacidade de IA é real e mensurável. As réguas mais citadas na imprensa são as mais quebradas. Ler pontuação de benchmark como capacidade é o erro mais comum do debate público — mas onde a medição é limpa (Vesuvius), o resultado é inequívoco.
O DEBATE
AGI: quem diz o quê, quando, e com que interesse.
Framework de 5 níveis — Google DeepMind, 2023
- Nível 1 — Emergenteiguala ou supera levemente um humano não treinado; onde os LLMs atuais estão.
- Nível 2 — Competentepercentil 50 de adultos qualificados na maioria das tarefas cognitivas — ainda não alcançado publicamente.
- Nível 3 — Expertpercentil 90.
- Nível 4 — Virtuosopercentil 99.
- Nível 5 — Sobre-humanosupera todos os humanos.
posições — nome · data · interesse declarado
| quem | onde | posição | interesse |
|---|---|---|---|
| Sam Altman | OpenAI | “poucos anos” — a estimativa pública mais otimista, de forma consistente. | dirige laboratório de fronteira. |
| Presidente da OpenAI | OpenAI | “70–80% do caminho”; capacidade humana em alguns anos. Na mesma fala descreve a tecnologia atual como muito irregular. | idem. |
| Dario Amodei | Anthropic | Davos 2026: provavelmente poucos anos, possivelmente 2027. Aponta automação de código e loops de feedback em pesquisa de IA como aceleradores. | dirige laboratório de fronteira. |
| Demis Hassabis | Google DeepMind | provavelmente uma década, com múltiplos problemas não resolvidos. | dirige laboratório de fronteira. |
| Yann LeCun | Meta | não com as arquiteturas atuais. Propõe aprendizado auto-supervisionado a partir de vídeo — física e causalidade de dados observacionais, não de texto. Minoritário na indústria, significativo na pesquisa. | laureado com o Turing. |
| Gary Marcus | acadêmico | modelos de linguagem são imitadores impressionantes cujos ganhos de escala achataram; as vitórias claras vêm de sistemas especializados, não gerais. | cientista cognitivo, crítico de longa data. |
| François Chollet | ARC Prize | a IA atual está longe da AGI quando medida por raciocínio abstrato genuíno. | criador do ARC. |
| Survey (2023) | pesquisadores agregados | mediana de 50% de probabilidade de inteligência de máquina de alto nível por volta de 2059, com faixa enorme. | agregado, não individual. |
A conclusão útil não é quem está certo. É que a AGI não chega como evento; chega tarefa por tarefa — e a distância entre as estimativas mais otimistas e a mediana da pesquisa é de mais de três décadas.
contexto econômico & trabalho
[REAL]- Financiamento projetado apenas para data centers em 2026: ~US$ 700 bilhões, sustentado por fluxo de caixa dos hiperescaladores e dívida de alta qualidade.
- Gartner projeta 40% das aplicações corporativas com agentes específicos de tarefa até o fim de 2026.
- Foco de governos migra da AGI para soberania de IA: infraestrutura independente, clusters de GPU locais, proteção de dados domésticos.
- Sem colapso macroeconômico da demanda por trabalho em 2026, mas disrupções focadas em trabalhadores do conhecimento bem remunerados. Framework útil: conhecimento codificado vs. conhecimento tácito.
A PERGUNTA DIFÍCIL
consciência: critérios, teorias, incerteza.
O problema difícil da consciência (Chalmers): explicar por que qualquer processamento de informação vem acompanhado de experiência subjetiva. Capacidade comportamental não resolve — um sistema pode passar em qualquer teste externo e o problema segue de pé.
Quarto Chinês (Searle, 1980): manipulação de símbolos segundo regras não implica compreensão. As respostas principais (do sistema, do robô, do cérebro simulado) definiram o debate por décadas.
Teorias aplicáveis: Global Workspace, Teoria da Informação Integrada (Tononi), teorias de ordem superior. Cada uma sugere indicadores diferentes; nenhuma tem consenso.
Butlin, Long e coautores (2023) derivaram, a partir de teorias neurocientíficas, uma lista operacional de indicadores de consciência aplicáveis a sistemas de IA. Entre eles: entradas de espaço de trabalho global e difusão para módulos especializados (teoria do espaço de trabalho global); processamento recorrente organizado e representações integradas (teorias de processamento recorrente); metarrepresentação de estados internos (teorias de ordem superior); agência corporificada (embodiment) e modelos de mundo com aprendizagem por feedback. Conclusão sóbria: nenhum sistema atual satisfaz o conjunto, e o método é aplicável a sistemas futuros.
Argumento simétrico obrigatório: assim como não existe evidência de que sistemas atuais sejam conscientes, também não existe critério aceito que exclua a possibilidade com certeza para sistemas futuros. Dizer as duas coisas é a única postura defensável.
Blake Lemoine e o LaMDA (2022): engenheiro do Google afirmou publicamente que o modelo era senciente e foi demitido. O consenso técnico rejeitou a alegação. É o efeito ELIZA em escala industrial — MAC-03.
a distinção que este site existe para ensinar
Consciência
ter experiência subjetiva.
Agência
agir no mundo em busca de objetivos.
Desalinhamento
buscar objetivos que não são os nossos.
As três são independentes. Um sistema pode ser perigoso sem ser consciente, e consciente sem querer nada. Praticamente toda ficção sobre IA rebelde funde as três — daí a confusão pública.
O QUE PODE DAR ERRADO
alinhamento, risco presente, risco existencial, regulação.
Riscos presentes
[REAL]- ·Viés e discriminação em sistemas de decisão.
- ·Desinformação sintética e degradação do ambiente informacional.
- ·Segurança de sistemas agênticos — injeção de prompt (direta e indireta, via páginas e documentos), exfiltração de dados por agentes com acesso a ferramentas e conexão à internet, e mudança da superfície de ataque: um LLM com permissão de leitura e escrita em serviços é um alvo diferente de um LLM que só responde texto.
- ·Concentração de computação: em 2026, o número de organizações no mundo capazes de treinar modelos de fronteira é da ordem de dezenas, e apenas um punhado sustenta essa capacidade por múltiplas gerações. Concentração de infraestrutura vira concentração de agenda.
- ·Colapso de modelo (model collapse): treinar modelos sobre corpora com fração crescente de texto gerado por modelos degrada a cauda da distribuição — perdem-se palavras raras, casos-limite e diversidade sintática. É risco de sistema, não só de mérito acadêmico.
- ·Impacto sobre trabalho, sobretudo em nichos antes considerados imunes.
- ·Custo energético e hídrico dos data centers.
Risco existencial
[ESPECULATIVO]- ·Bostrom, Superintelligence (2014).
- ·Russell, Human Compatible (2019).
- ·Declaração do Center for AI Safety (2023) sobre risco de extinção, assinada por pesquisadores de primeira linha.
- ·Hipótese da explosão de inteligência — I.J. Good (1965).
- ·Singularidade — Vinge (1993), Kurzweil (2005). Registrar como hipótese, nunca como previsão.
Regulação
[REAL]- ·EU AI Act — aprovado em 2024, aplicação escalonada.
- ·Framework do NIST (EUA).
- ·Cúpulas de segurança de IA: Bletchley Park (2023), Seul (2024), Paris (2025).
- ·Doomsday Clock 2026 mencionou IA explicitamente, pedindo diretrizes internacionais — link cruzado com o portal APOCALYPSIS.
Interpretabilidade
[REAL]O campo que tenta abrir a caixa preta — features, superposição, autoencoders esparsos, circuitos. É a resposta empírica ao clichê “ninguém sabe o que acontece lá dentro”: algumas pessoas sabem parcialmente, e o quanto sabem é mensurável.
MITOS E ENCENAÇÕES
do Turco Mecânico ao AI washing.
- 01 · caso
O Turco Mecânico (1770)
Autômato enxadrista de Wolfgang von Kempelen com um enxadrista humano escondido dentro. Enganou a Europa por décadas. O nome sobrevive no Amazon Mechanical Turk, plataforma onde humanos executam tarefas que parecem automatizadas. A ironia é o argumento da seção.
- 02 · caso
“Facebook desligou IAs que criaram sua própria língua” (2017)
Manchete falsa que circula até hoje. Eram agentes de negociação cuja linguagem degenerou por falta de restrição gramatical; o experimento foi encerrado como qualquer experimento.
- 03 · caso
Sophia (Hanson Robotics)
Recebeu “cidadania” saudita em 2017. É um chatbot com roteiro dentro de uma cabeça animatrônica. Yann LeCun a criticou publicamente como teatro apresentado como pesquisa.
- 04 · caso
AI washing
A SEC dos Estados Unidos já autuou empresas por alegações falsas sobre uso de IA. Fenômeno de mercado documentado, não anedota.
- 05 · caso
Demos encenadas e vídeos editados
Padrão recorrente em lançamentos. Procurar por cortes, latência omitida e condições não declaradas.
O IMAGINÁRIO
catálogo cultural.
Cada obra recebe a etiqueta do que realmente trata: consciência · agência · desalinhamento · as três confundidas. A escolha é editorial e discutível — o ponto é forçar a distinção.
Literatura
- 1818Frankensteinas três confundidas
- 1920R.U.R.agência
- 1950Eu, Robôdesalinhamento
- 1968Androides Sonham com Ovelhas Elétricas?consciência
- 1981Golem XIVconsciência
- 1984Neuromanceragência
- 2006Blindsightconsciência
- 2013Ancillary Justiceconsciência
- 2014Superinteligênciadesalinhamento
- 2017Life 3.0as três confundidas
- 2019Human Compatibledesalinhamento
- 2021Klara e o Solconsciência
Cinema
- 1927Metropolisas três confundidas
- 19682001: Uma Odisseia no Espaçodesalinhamento
- 1982Blade Runnerconsciência
- 1983WarGamesagência
- 1984O Exterminador do Futuroas três confundidas
- 1999O Homem Bicentenárioconsciência
- 2001A.I.consciência
- 2009Moonconsciência
- 2013Elaconsciência
- 2014Ex Machinaconsciência
- 2014Transcendenceas três confundidas
- 2017Blade Runner 2049consciência
- 2018Upgradeagência
- 2022M3GANdesalinhamento
- 2023The Creatoras três confundidas
Séries
- 2011–2016Person of Interestdesalinhamento
- 2011–Black Mirroras três confundidas
- 2015Humansconsciência
- 2016–2022Westworldconsciência
- 2020Devsagência
- 2022Pantheonconsciência
- 2023Mrs. Davisdesalinhamento
Animação
- 1995Neon Genesis Evangelionas três confundidas
- 1995Ghost in the Shellconsciência
- 1998Serial Experiments Lainconsciência
- 2008Time of Eveconsciência
- 2012Psycho-Passdesalinhamento
- 2015Plastic Memoriesconsciência
- 2021Vivy: Fluorite Eye's Songas três confundidas
Games
- 1994System Shockdesalinhamento
- 2000Deus Exagência
- 2007Portaldesalinhamento
- 2014The Talos Principleconsciência
- 2015SOMAconsciência
- 2017NieR: Automataconsciência
- 2017Horizon Zero Dawnas três confundidas
- 2018Detroit: Become Humanconsciência
TRANSMISSÃO CIVIL
método, fontes, dossiê.
método
- 01Zero invenção. Toda alegação factual carrega referência ou selo apropriado.
- 02Selos obrigatórios: REAL · TEÓRICO · ESPECULATIVO · FICÇÃO · FRAUDE.
- 03Nunca afirmar ou negar consciência em sistemas atuais. Apresentar critérios, evidência e incerteza.
- 04Declarar o conflito de interesse das fontes. Se um CEO de laboratório de IA faz uma previsão sobre IA, isso é registrado ao lado da previsão.
- 05Modelos nomeados apenas como exemplos datados. A estrutura do site não depende de nenhum modelo específico continuar sendo o melhor.
- 06PT-BR e EN em paridade total.
O DOSSIÊ COMPLETO
A versão expandida e detalhada de todo o conteúdo gratuito do site, com aparato de fontes, capítulos exclusivos e material bônus, em PT-BR e EN. O conteúdo do site é e continuará gratuito — o dossiê é aprofundamento, não desbloqueio. Sem data prometida, sem contagem regressiva. Em breve.
Sem newsletter. Um único aviso quando o dossiê sair.