Guillem Alsina Gonzàlez
A evolução da inteligência artificial tem seguido um ritmo frenético nos últimos anos, conseguindo superar os especialistas humanos em testes de ciências de nível de doutorado ou conquistando medalhas de ouro em olimpíadas internacionais de matemática. No entanto, e apesar desses marcos, a indústria encontra-se num ponto de inflexão marcado pela incerteza sobre se o atual modelo de escalonamento de dados e computação poderá manter o seu desempenho.
A este respeito, uma análise exaustiva publicada pela OCDE sublinha que, embora a tecnologia tenha avançado de forma acelerada, ainda persistem deficiências estruturais em áreas críticas como a aprendizagem contínua, a metacognição ou a interação social em contextos dinâmicos.
Historicamente, o progresso dos sistemas de fronteira tem-se baseado nas chamadas leis de escala, que estabelecem que o desempenho melhora de forma previsível à medida que os parâmetros do modelo, os dados de treino e a potência de cálculo ou computação aumentam. Desde 2010, a computação utilizada para treinar esses modelos multiplicou-se por mais de quatro a cada ano e, no entanto, há sinais de que essa relação de dependência entre o tamanho do modelo e o ganho de capacidades pode estar oferecendo rendimentos decrescentes, o que levanta a possibilidade de um estagnação tecnológica semelhante aos «invernos» sofridos pela disciplina da IA no passado, períodos de desinvestimento nas décadas de 70 e entre os anos 80 e 90, muito antes do surgimento comercial da IA generativa.
A OCDE propõe quatro cenários de desenvolvimento para o ano 2030, com base nas evidências disponíveis até outubro de 2025, sendo o primeiro deles um cenário em que o progresso é interrompido, limitando os sistemas a realizar tarefas breves e bem delimitadas, sempre sob supervisão humana constante devido a problemas de confiabilidade e alucinações, ou seja, quando o sistema gera informações falsas, mas aparentemente convincentes.
No extremo oposto a este, o possível cenário de aceleração sugere que a inteligência artificial poderia atingir a equivalência humana em quase todas as habilidades cognitivas até 2030, operando com total autonomia em direção a objetivos estratégicos complexos.
Entre os dois extremos estão os cenários de desaceleração e continuidade; no primeiro, as melhorias seriam incrementais e os sistemas atuariam como assistentes úteis para navegar na web ou gerenciar serviços, embora continuassem a precisar que o utilizador humano definisse o escopo das tarefas, enquanto no segundo, a progressão se manteria no ritmo atual, permitindo que as máquinas executassem projetos profissionais complexos em ambientes digitais que levariam um mês de trabalho a um humano.
A viabilidade destas trajetórias depende de variáveis que vão além do desenvolvimento de algoritmos, como, por exemplo, a capacidade das infraestruturas físicas para suportar o crescimento da procura de energia e recursos hídricos para a refrigeração dos centros de dados. Estima-se que, se o ritmo atual persistir, as restrições no fornecimento de eletricidade e a escassez de novos dados de alta qualidade poderão começar a limitar a escalabilidade dos modelos por volta de 2030. A isso se soma a incerteza sobre o retorno económico dos investimentos maciços em hardware.
