Hassabis encurta AGI para 2 anos: exagero ou sinal?

AGI em dois anos: o que Hassabis realmente disse

AGI em dois a três anos. Essa é a nova aposta de Demis Hassabis, fundador do DeepMind e Nobel de Química, em entrevista recente ao Wall Street Journal. Não é palpite de influenciador, é a leitura de quem tem acesso aos maiores clusters, aos roadmaps mais caros e aos resultados que ainda não viraram paper. No início do ano ele falava em três a cinco anos. Agora cortou o prazo e disse que a estimativa continua se aproximando do presente. Para quem constrói produto com IA todo dia, esse tipo de fala incomoda porque mistura sinal real com pressão de narrativa e mexe com planejamento de arquitetura.

O problema concreto é o seguinte: a gente já opera no limite de custo, latência e confiabilidade com os modelos atuais. Se algo próximo da AGI realmente aparecer em 24 a 36 meses, muita arquitetura que estamos desenhando hoje vai quebrar. Agentes que hoje precisam de supervisão constante, pipelines de RAG remendados, avaliações frágeis, tudo isso foi feito assumindo que o modelo erra em pontos previsíveis. E se ele deixar de errar nesses pontos e passar a errar em outros, muito mais sutis e difíceis de auditar. É esse o desconforto que a previsão cria.

O fato, sem hype

Hassabis define AGI de um jeito simples e exigente: um sistema capaz de igualar toda a amplitude cognitiva do cérebro humano, não apenas passar em um benchmark de matemática ou de código. O teste que ele propõe para isso é o que chama de teste de Einstein. Treine um modelo apenas com conhecimento disponível até 1901 e veja se ele seria capaz de reproduzir sozinho os artigos de 1905 sobre relatividade. Não é decorar, é derivar uma ruptura a partir de dados incompletos e contraditórios.

Ele também repetiu uma comparação forte, de que o impacto da AGI seria como 10 vezes a revolução industrial a 10 vezes a velocidade. No bastidor, Hassabis tem se afastado da operação diária do Google DeepMind para focar na Isomorphic Labs, o spin-off de descoberta de medicamentos. E no campo da segurança, defendeu a criação de um conselho de supervisão financiado pela indústria, mas sob controle de governos, para avaliar modelos antes do lançamento. Ele diz que uma regulação ruim é pior do que regulação nenhuma, o que já mostra que ele espera atrito político nos próximos dois anos.

Como isso funcionaria na visão de quem opera

Em termos de engenharia, o teste de Einstein diz muito sobre o que falta. Não é só escalar parâmetros. Um modelo treinado com cutoff em 1901 teria que combinar memória, raciocínio causal, intuição física e capacidade de propor experimentos mentais que contradizem o senso comum da época. Hoje nossos melhores modelos ainda dependem muito de padrão estatístico e de RLHF para parecerem inteligentes. Para passar em algo assim, seria preciso uma arquitetura que sustente cadeia longa de hipóteses sem se perder, com memória de trabalho muito maior e custo de inferência provavelmente absurdo nas primeiras versões.

Pense em API, custo e latência. Se esse nível de raciocínio chegar em dois anos, ele não vai chegar barato e rápido de início. A inferência plausível é que veremos primeiro um sistema enorme, lento e caro, rodando em datacenter dedicado, com uso via API batch para ciência e pharma, não um chatbot rapidinho para atendimento. A Isomorphic Labs é a pista. Descoberta de drogas, dobramento de proteínas, materiais novos, esses são domínios fechados onde um raciocinador forte gera valor mesmo custando centenas de dólares por tarefa. Só depois viria a destilação para modelos menores e a queda de preço que permitiria usar em produto de massa.

O que isso muda na prática para quem constrói

Quem ganha se o prazo se confirmar são times que já trabalham com tarefas abertas e de alto valor, como pesquisa, engenharia, biotech e descoberta. Quem perde são operações que lucram com a burrice atual do modelo, como camadas e mais camadas de prompt remendado, classificação manual e curadoria humana vendida como diferencial. Se o modelo base ficar muito mais capaz de generalizar, muito middleware vira peso morto. O ajuste agora não é reescrever tudo, é deixar sua stack pronta para trocar o motor sem trocar o carro.

• Desacople avaliação do modelo: crie testes próprios por tarefa crítica e rode em toda troca de versão.
• Projete agentes com limites de custo e de passos, porque um modelo mais inteligente vai tentar usar mais tokens se você deixar.
• Comece a logar raciocínio e ferramenta usada hoje, esse histórico será ouro para auditar um sistema mais autônomo amanhã.

Uma ação prática para esta semana é simples: pegue seu caso de uso principal e rode um teste de estresse com cutoff de conhecimento e sem acesso à web. Pergunte algo que exija derivar, não lembrar. Se seu pipeline só funciona quando o modelo já viu a resposta no treino, você não tem um sistema robusto, tem um atalho. Documente onde ele falha. Esse mapa de falhas é o que vai dizer se você está pronto para um salto de capacidade ou se vai ser atropelado por ele.

A tensão que ninguém quer encarar

Aqui fica a dúvida real: isso escala ou só move o gargalo. Hassabis está vendo curvas internas de progresso que a gente não vê, mas previsão de AGI sempre teve um componente político. Ela atrai talento, justifica capex bilionário e pressiona regulador. Ao mesmo tempo, custo de treino e de inferência, acesso a dados de qualidade e energia podem travar tudo. A gente pode ter um sistema que passa no teste de Einstein no laboratório e ainda assim é inviável em produção por dois ou três anos extras. Ter a capacidade não é o mesmo que entregar a capacidade com SLA e margem.

Conclusão

No fim, a mensagem de Hassabis vale menos pelo número exato e mais pelo recado operacional: a janela entre modelo experimental e modelo útil está encolhendo. Prepare sua arquitetura para um modelo bem mais capaz e bem mais caro no início, ou você vai descobrir tarde demais que otimizou para o mundo errado. Será que seu produto sobrevive se o modelo ficar de repente inteligente demais para o seu guardrail atual.