Jensen Huang anunciou a chegada da AGI com o GPT-6 Astra: o que os dados realmente mostram

Você já deve ter visto o post. Jensen Huang, CEO da Nvidia, escreveu que o GPT-6 Astra, modelo mais novo da OpenAI, treinado nos chips dele, representa a chegada da inteligência artificial geral. Não uma aproximação, não um passo importante. Chegou.

A frase rendeu manchete no mundo inteiro, e é fácil entender por quê: é a afirmação mais forte que existe no vocabulário de IA, dita pela pessoa cuja empresa vende justamente o hardware que sustenta essa alegação. Mas em vez de discutir se ele tem razão ou não, vale a pena um passo atrás. O que é essa tal AGI de verdade? Que número, que teste, que critério concreto separa "modelo muito bom" de "inteligência geral"? E o mais importante pra você que trabalha ou estuda tecnologia: como reconhecer, com dado na mão, quando esse momento realmente chegar, sem depender do post de ninguém pra saber?

Primeiro, o que AGI não é

Todo modelo de linguagem que você usa hoje, por mais impressionante que pareça escrevendo código ou resumindo um contrato, é bom numa coisa de cada vez, dentro de tarefas parecidas com o que ele viu durante o treino. Isso é inteligência artificial estreita, mesmo quando estreita significa "estreita em várias centenas de tarefas ao mesmo tempo", que é basicamente o caso do GPT, do Claude, do Gemini.

AGI, inteligência artificial geral, é outra categoria de coisa: um sistema capaz de aprender e executar qualquer tarefa cognitiva que um ser humano treinado consegue fazer, incluindo tarefa nova, fora do que já foi visto, sem precisar de ajuste específico pra cada caso. A diferença não é só "mais inteligente". É a diferença entre decorar mapa de uma cidade e saber se orientar em qualquer cidade nova que você nunca visitou.

Só que ninguém, nem pesquisador de universidade, nem funcionário de laboratório de ponta, concorda totalmente sobre o critério exato que marca essa virada. E é justamente por isso que existem os benchmarks: tentativas de colocar número onde só existia opinião.

Os testes que realmente tentam medir isso

ARC-AGI foi criado pelo pesquisador François Chollet com um objetivo bem específico: medir raciocínio novo, não memorização. As questões são quebra-cabeça visual que um humano resolve sem treino prévio, mas que historicamente quebravam modelo de linguagem, porque não tem como decorar a resposta de antemão. É considerado um dos testes mais sérios justamente por isso, resistir a "decoreba" é raro nesse campo.

FrontierMath mede matemática de fronteira de verdade, problema que exige raciocínio original, não fórmula repetida.

GDPval, adaptado pela Artificial Analysis a partir de um conjunto da própria OpenAI, tenta medir algo mais interessante ainda pro debate de AGI: desempenho em tarefa economicamente valiosa, de verdade, espalhada por 44 profissões diferentes. Esse aqui importa mais que os outros dois pra responder a pergunta que interessa: o sistema consegue substituir trabalho humano real, em domínio real, ou só decora subconjunto acadêmico bem definido de matemática e quebra-cabeça?

OSWorld mede uso de computador de verdade: abrir programa, navegar, executar tarefa de várias etapas num ambiente gráfico normal, do jeito que humano usa.

E existe uma camada que separa tudo isso, e que é o detalhe mais importante desse texto inteiro: quem roda o teste. Vendor-reported é quando a própria empresa dona do modelo escolhe a configuração e publica o resultado, motivo suficiente pra ler com desconto. Third-party verified é quando um laboratório independente roda o mesmo modelo, no mesmo ambiente, comparando todo mundo pela mesma régua. É essa segunda categoria que realmente resolve disputa, não a primeira.

O que os números do Astra mostram, sem inventar nada

Nos números que a própria OpenAI escolheu publicar, o Astra saturou o ARC-AGI-3 ao superar a linha de base de eficiência humana em 96% dos níveis, resultado que a empresa descreve como equivalente à performance humana. Também alcançou 97,6% no FrontierMath Tier 4 e pontuação máxima no ExploitBench, teste de capacidade ofensiva de segurança. São números realmente excepcionais, e não tem motivo pra fingir que não são.

Só que tem uma nota técnica importante escondida no meio da comemoração: o resultado de 99,9% no ARC-AGI-3 depende de um ambiente de teste caro e com estado persistente, e a mesma avaliação rodando por chamada simples de API entrega resultado bem mais baixo. Ou seja, o número trocado de figurinha depende muito de como você monta o teste, não só do modelo em si.

E quando a régua muda de "o teste que a OpenAI escolheu mostrar" pra "o teste que um laboratório independente roda em todo mundo igual", o quadro muda de figura. No índice de inteligência da Artificial Analysis, avaliação neutra que roda todos os modelos pela mesma régua, o Astra ficou praticamente empatado com o próprio antecessor, o Sol, e atrás do modelo concorrente da Anthropic. E no teste que mais deveria importar pra alguém falando em AGI, justamente o de tarefa economicamente valiosa espalhada por profissão real, o resultado caiu cerca de 80 pontos Elo em relação à geração anterior, não subiu.

Reparou o padrão? Nos testes escolhidos e narrados pela própria empresa que lançou o modelo, o resultado bate recorde histórico. No teste independente que compara todo mundo pela mesma régua, e principalmente no teste que mede trabalho economicamente valioso de verdade, o avanço praticamente empata ou até recua. Esses dois fatos não se contradizem tecnicamente, cada um mede uma coisa diferente, mas juntos contam uma história bem menos definitiva do que "chegou a AGI".

Como você reconhece a virada de verdade, sem depender do post de ninguém

Três hábitos resolvem isso pra qualquer anúncio futuro, não só esse.

Primeiro, separa sempre quem rodou o teste. Número que vem só da empresa que lançou o produto é ponto de partida pra investigação, não conclusão.

Segundo, dá mais peso pro benchmark que mede trabalho economicamente valioso e generalizado, tipo o GDPval, do que pro benchmark que mede um tipo específico de quebra-cabeça saturado. Saturar um teste sozinho é conquista de engenharia, real e válida, mas não é sinônimo de inteligência geral, que por definição precisa generalizar pra fora do que foi medido.

Terceiro, e talvez o mais simples: quando a própria empresa que constrói o modelo hesita em confirmar a palavra AGI, isso é dado, não detalhe irrelevante. Foi exatamente o que aconteceu aqui: quem soltou a palavra com todas as letras foi o fornecedor do hardware. Quem construiu o modelo escolheu uma frase bem mais cautelosa. Essa diferença de tom entre os dois lados do mesmo anúncio já responde boa parte da pergunta antes mesmo de qualquer benchmark abrir.