Superinteligência artificial é fantasia do Vale do Silício, afirma pesquisador

A ideia de uma superinteligência artificial capaz de igualar ou superar todas as capacidades humanas pode estar mais distante da realidade do que muitos líderes da indústria de tecnologia sugerem. Essa é a avaliação do pesquisador Tim Dettmers, cientista do Allen Institute for AI (Ai2) e professor assistente da Universidade Carnegie Mellon, que publicou recentemente uma análise crítica sobre os limites físicos e econômicos do avanço da inteligência artificial.

Segundo Dettmers, o debate em torno da chamada Inteligência Artificial Geral (AGI, na sigla em inglês) é excessivamente filosófico e ignora um ponto fundamental: toda IA precisa rodar sobre hardware físico. Para ele, a crença de que bastaria escalar GPUs indefinidamente para alcançar a AGI é “não apenas otimista, mas fundamentalmente equivocada”. Em sua definição, AGI seria uma inteligência capaz de realizar tudo o que humanos fazem, incluindo tarefas físicas com valor econômico.

O pesquisador alerta que a capacidade de escalar processamento está chegando rapidamente a um limite físico. “Talvez tenhamos apenas mais um ou dois anos de escalabilidade antes que novos avanços se tornem fisicamente inviáveis”, escreveu. Isso ocorre porque a infraestrutura de IA já não evolui no ritmo necessário para sustentar o crescimento exponencial de recursos exigidos para obter melhorias lineares nos modelos.

De acordo com Dettmers, o desempenho das GPUs em relação ao custo atingiu seu pico por volta de 2018. Desde então, os ganhos observados vieram principalmente de recursos pontuais, como o uso de precisões numéricas mais baixas e aceleradores especializados, como os tensor cores. Exemplos disso incluem o BF16 na arquitetura Ampere da Nvidia, o FP8 na geração Hopper e o FP4 na mais recente Blackwell.

Essas mudanças permitiram saltos relevantes de desempenho ao reduzir a precisão dos cálculos, mas, quando analisado o ganho bruto entre gerações, o avanço é bem mais modesto. Entre Ampere e Hopper, por exemplo, o desempenho em BF16 cresceu cerca de três vezes, enquanto o consumo de energia aumentou 1,7 vez. Já na transição de Hopper para Blackwell, houve um ganho de 2,5 vezes em performance, mas ao custo de dobrar a área do chip e elevar novamente o consumo energético em 1,7 vez.

Dettmers reconhece que avanços em arquiteturas de grande escala como o sistema Nvidia GB200 NVL72, que aumentou de oito para 72 GPUs em um único domínio de computação ainda conseguem extrair ganhos expressivos, chegando a 30 vezes mais desempenho em inferência. No entanto, ele avalia que esse tipo de otimização também tem prazo de validade e deve se esgotar entre 2026 e 2027.

Apesar das críticas, o pesquisador não considera irracional o investimento de centenas de bilhões de dólares em infraestrutura de IA. Para ele, o crescimento do uso de inferência justifica esses aportes. O risco, porém, é que, se os modelos não evoluírem no mesmo ritmo, esse hardware possa se tornar um passivo caro.

O maior problema, segundo Dettmers, é a obsessão dos grandes laboratórios de IA dos Estados Unidos com a corrida pela AGI. Na sua visão, essa estratégia é míope. Para que uma AGI real exista, ela precisaria sair do mundo digital e atuar no mundo físico, o que implica robótica um campo que enfrenta desafios de escala semelhantes, além do alto custo e da complexidade de coletar dados do mundo real.

“Uma AGI verdadeira teria que executar tarefas físicas”, afirma. “Mas os dados do mundo físico são caros de coletar e a complexidade do ambiente real é enorme.” Apostar em uma fantasia, segundo ele, gera pouco retorno econômico. A China, por outro lado, já teria entendido que o valor real da IA está em aplicações práticas que aumentam produtividade, e não em promessas de superinteligência.

Para Dettmers, previsões sobre AGI persistem menos por serem tecnicamente sólidas e mais por funcionarem como uma narrativa sedutora para investidores, empresas e o público em geral.

Via - TR