IA pode começar a melhorar a si mesma antes do esperado, prevê cofundador do Claude

RESUMO ＋

Jack Clark, cofundador da Anthropic, avalia que o autoaperfeiçoamento recursivo da IA pode se tornar possível em 2027. Um teste recente mediu a capacidade de modelos de planejar experimentos e interpretar resultados, mas não verificou se eles conseguem desenvolver seus próprios sucessores.

Para o cofundador da Anthropic, a dona do Claude, Jack Clark, a inteligência artificial pode começar a desenvolver versões melhores de si mesma já no ano que vem.

A previsão se refere ao autoaperfeiçoamento recursivo, quando sistemas de IA vão passar a participar da criação de seus sucessores e ajudarão a acelerar o próprio desenvolvimento, com cada vez menos intervenção humana.

Clark antecipou em um ano a estimativa que havia feito em maio. À época, considerava mais provável que um sistema capaz de treinar seu próprio sucessor surgisse até o fim de 2028. Para 2027, estimava uma chance de 30%. Agora, diz que o ano que vem se tornou o prazo mais provável.

A revisão veio após avanços em matemática e a publicação de um teste chamado TasteVal. Ele avalia que a habilidade de decidir quais experimentos realizar e como interpretar seus resultados deve ajudar na pesquisa com a IA. O estudo encontrou uma melhora rápida nessa capacidade, mas não verificou se os modelos conseguem, sozinhos, criar uma nova geração de IA.

O que a IA fez no teste

O TasteVal apresentou aos modelos oito problemas ligados ao desenvolvimento de sistemas de IA, entre eles tarefas de curadoria de dados, treinamento de modelos e resistência a comandos adversariais. Cada modelo recebia um problema já definido e sugeria experimentos para resolvê-lo. Um agente de programação, igual para todos os testes, executava as sugestões e devolvia os resultados para a IA analisar.

Os pesquisadores compararam 20 modelos com as melhores tentativas de 24 especialistas que haviam trabalhado em empresas e centros de pesquisa como OpenAI, Google DeepMind, Nvidia e Microsoft Research.

No teste, o Opus 5.5 chegou ao resultado da referência humana usando menos computação experimental. Seu chamado “multiplicador de computação” foi de 2,3 vezes. Isso indica eficiência nas tarefas avaliadas; não quer dizer que o modelo seja 2,3 vezes melhor que um pesquisador em qualquer tipo de pesquisa.

O estudo calculou que essa eficiência dos modelos de fronteira dobrou a cada três meses desde dezembro de 2025. O intervalo estimado pelos autores vai de 1,7 a cinco meses. Antes dessa mudança, a duplicação ocorria, segundo o cálculo, a cada 14 meses.

A medida acompanha a quantidade de computação necessária para alcançar determinado resultado no teste. Não significa que a inteligência geral dos modelos esteja dobrando a cada trimestre.

O que ainda falta para a IA se aprimorar sozinha?

O teste avaliou uma parte do processo de pesquisa, mas deixou outras de fora. Os modelos não precisaram escolher qual problema científico valia a pena investigar, treinar uma nova IA ou decidir como alterar o próprio sistema.

Essas etapas seriam necessárias para demonstrar um ciclo completo de autoaperfeiçoamento.

Os próprios autores apontam limites: as tarefas foram desenhadas para gerar resultados rápidos e fáceis de verificar, e os especialistas usados como comparação talvez não representem os pesquisadores mais experientes.

O custo médio por tentativa também foi diferente. Na pesquisa, o Opus 5.5 custou cerca de um trigésimo do valor gasto com os especialistas. O dado ajuda a entender o resultado, mas não transforma o teste em uma demonstração de pesquisa autônoma.

Há ainda uma diferença entre a eficiência para experimentar e a qualidade do resultado final. No TasteVal, os autores não encontraram a mesma aceleração no indicador de desempenho final: a duplicação foi estimada em 14,6 meses.

O ritmo de três meses citado por Clark diz respeito ao ganho de eficiência computacional nas tarefas do teste. A discussão sobre sistemas de IA participarem do próprio desenvolvimento também aparece em estudos sobre automação da pesquisa em inteligência artificial.

Perguntas frequentes

O que é autoaperfeiçoamento recursivo?

É o cenário em que sistemas de IA ajudam a desenvolver versões seguintes de si mesmos, num ciclo de pesquisa e aprimoramento com participação humana cada vez menor.

O TasteVal mostrou que a IA já consegue criar uma versão melhor de si mesma?

Não. O teste avaliou como modelos planejam experimentos e interpretam resultados em problemas já definidos. Não testou se conseguem treinar seus próprios sucessores.

Por que Clark considera 2027 um prazo possível?

Ele cita avanços recentes em matemática e no desempenho de modelos em tarefas de pesquisa experimental. Com base nesses sinais, revisou sua avaliação sobre quando o autoaperfeiçoamento recursivo pode se tornar possível.