As Quatro Ondas da Inteligência Artificial: Uma Análise Profunda do Passado, Presente e Futuro Cognitivo e Econômico

A Evolução da Inteligência Artificial em Ondas

A Inteligência Artificial (IA) representa um dos campos científicos e tecnológicos mais dinâmicos e transformadores da atualidade. Contudo, a sua trajetória não tem sido linear. Em vez de um avanço monolítico, a história da IA é marcada por distintas “ondas” ou “gerações”, cada uma caracterizada por paradigmas dominantes, avanços tecnológicos específicos, limitações inerentes e um impacto socioeconômico particular.¹ Compreender esta evolução em ondas é fundamental não apenas para contextualizar os desenvolvimentos contemporâneos, como os modelos de linguagem grandes (LLMs) e a IA generativa, mas também para antecipar os desafios e as potencialidades das futuras direções da pesquisa e aplicação da IA. Esta abordagem estruturada permite analisar não somente os saltos tecnológicos, mas também as mudanças nas ambições da comunidade científica, as desilusões dos chamados “invernos da IA” e a crescente integração da IA na tessitura da sociedade e da economia.

Este capítulo propõe-se a realizar uma análise profunda e robusta das quatro ondas principais que moldaram e continuam a moldar o campo da Inteligência Artificial:

1. A Primeira Onda: Dominada pela lógica simbólica, pela representação explícita do conhecimento e pelo desenvolvimento dos primeiros sistemas especialistas.
2. A Segunda Onda: Marcada pela revolução estatística, pelo aprendizado de máquina a partir de grandes volumes de dados e pela ascensão do Deep Learning.
3. A Terceira Onda: Caracterizada pela emergência da IA contextual e generativa, impulsionada por arquiteturas como os Transformers, pelos LLMs e pela IA multimodal.
4. A Quarta Onda: Uma fase ainda em construção e de natureza especulativa, que aponta para sistemas com capacidades cognitivas avançadas, raciocínio causal, autonomia robusta e, potencialmente, formas de consciência artificial.

Para enriquecer esta análise histórica e tecnológica, integraremos sistematicamente duas perspectivas complementares que oferecem visões distintas, mas interligadas, sobre o progresso da IA:

• A Perspectiva do Impacto Econômico (Kai-Fu Lee): Analisando as ondas através do prisma das suas aplicações práticas e do seu poder disruptivo nos negócios e na economia global. Lee identifica quatro ondas de impacto econômico: Internet AI, Business AI, Perception AI e Autonomous AI.⁴ Esta visão destaca como a IA tem vindo a criar valor e a reconfigurar indústrias, focando na implementação e na competição global, nomeadamente entre os EUA e a China.⁶
• A Perspectiva das Capacidades Cognitivas (Jiahao Wu et al.): Focando na evolução das capacidades intrínsecas dos sistemas de IA, propondo uma progressão através de gerações definidas por suas habilidades cognitivas fundamentais: AI 1.0 (Information AI), AI 2.0 (Agentic AI), AI 3.0 (Physical AI) e a especulativa AI 4.0 (Conscious AI).¹ Esta abordagem enfatiza as mudanças nos gargalos tecnológicos (algoritmos, computação, dados) que impulsionaram cada salto geracional e as crescentes capacidades de processamento, decisão e interação com o mundo.

O objetivo deste capítulo é ir além de uma descrição superficial, fornecendo uma análise detalhada dos fundamentos teóricos de cada onda, identificando as figuras-chave e os centros de pesquisa que impulsionaram os avanços, explorando as tecnologias e conceitos representativos, e examinando os eventos históricos marcantes, incluindo os períodos de estagnação conhecidos como “invernos da IA”. Discutiremos as limitações intrínsecas de cada paradigma e o contexto filosófico e científico que influenciou o seu desenvolvimento. Particular atenção será dada aos desafios éticos e de segurança, que se tornam progressivamente mais complexos à medida que a IA ganha capacidades e autonomia. Concluiremos com uma reflexão sobre as vastas implicações – tecnológicas, econômicas, sociais, éticas e filosóficas – da contínua evolução da inteligência artificial.

Para fornecer uma visão geral e facilitar a navegação ao longo do capítulo, apresentamos um quadro comparativo das quatro ondas da IA, integrando as perspectivas de Lee e Wu et al.

Tabela 1: Quadro Comparativo das Quatro Ondas da Inteligência Artificial

Característica	Primeira Onda	Segunda Onda	Terceira Onda	Quarta Onda (Especulativa)
Período Aproximado	~1950s – 1980s	~1990s – 2010s	~2010s – Presente	Futuro
Paradigma Dominante	Lógica Simbólica, Baseado em Regras (GOFAI)	Aprendizado Estatístico, Conexionismo, Deep Learning	Contextual, Generativo, Multimodal, Baseado em Transformers	Cognitivo Avançado, Híbrido (Neuro-Simbólico), Causal, Agente
Figuras-Chave	Turing, McCarthy, Minsky, Newell, Simon, Feigenbaum	Rosenblatt, Hinton, LeCun, Bengio, Schmidhuber, Li	Vaswani et al., Brown et al., Devlin et al.	(Emergentes)
Tecnologias / Exemplos	LISP, Logic Theorist, GPS, Sistemas Especialistas (MYCIN, DENDRAL, XCON)	Perceptron, Backpropagation, CNNs, RNNs/LSTMs, SVMs, AlexNet, ImageNet	Transformers, LLMs (GPT, BERT, LLaMA), IA Multimodal (CLIP, DALL-E), Agentes Iniciais	AGI, IA Neuro-Simbólica, Raciocínio Causal, Teoria da Mente Artificial
Limitações Centrais	Fragilidade, Aquisição de Conhecimento, Senso Comum, Escalabilidade	Caixa-Preta (Interpretabilidade), Fome de Dados, Generalização OOD, Raciocínio Limitado	Alucinações, Raciocínio Causal Fraco, Alinhamento, Robustez, Custo	Desafios Fundamentais (Consciência, Controle, Ética), Complexidade Extrema
Onda Econômica (Lee)	(Pré-ondas de Lee)	Internet AI, Business AI	Perception AI, Início da Autonomous AI	Autonomous AI (Madura)
Geração Cognitiva (Wu)	(Precursora)	AI 1.0 (Information AI)	AI 2.0 (Agentic AI), AI 3.0 (Physical AI)	AI 4.0 (Conscious AI)

Esta tabela serve como um mapa conceitual, destacando as transições e as características distintivas de cada era da IA, que serão exploradas em profundidade nas seções seguintes. A complexidade da evolução da IA, com seus múltiplos paradigmas, figuras e tecnologias, pode ser desafiadora. Esta visão geral inicial visa destilar a informação essencial, estabelecer as principais distinções entre as ondas, introduzir as perspectivas de Lee e Wu et al. de forma integrada e fornecer um ponto de referência rápido para o leitor.

A Primeira Onda: A Era da Lógica Simbólica e do Conhecimento Explícito (~1950s-1980s)

A primeira onda da Inteligência Artificial, frequentemente denominada era da IA Simbólica ou “Good Old-Fashioned AI” (GOFAI) ¹⁴, foi profundamente influenciada pela crença de que a inteligência, em sua essência, poderia ser formalizada e replicada através da manipulação de símbolos de acordo com regras lógicas explícitas. Este período estabeleceu as fundações conceituais e computacionais do campo, impulsionado por uma visão otimista da capacidade das máquinas de raciocinar.

Fundamentos Teóricos: A Hipótese do Sistema de Símbolos Físicos

No cerne da IA simbólica reside a Hipótese do Sistema de Símbolos Físicos (PSSH), articulada por Allen Newell e Herbert Simon em seu influente trabalho, incluindo o artigo do Prêmio Turing.¹⁸ A PSSH postula que “um sistema de símbolos físicos tem os meios necessários e suficientes para a ação inteligente geral”.¹⁸ Esta hipótese audaciosa implica duas coisas fundamentais: primeiro, que a inteligência humana emerge de processos de manipulação simbólica que ocorrem no cérebro (considerado um sistema de símbolos físicos); segundo, e crucialmente para a IA, que qualquer sistema físico capaz de manipular símbolos de forma adequada – como um computador digital – pode, em princípio, alcançar a inteligência geral.¹⁸

Um sistema de símbolos físicos, conforme definido por Newell e Simon, opera sobre um conjunto de padrões físicos (símbolos) que podem ser combinados em estruturas mais complexas (expressões).¹⁹ O sistema possui processos para criar, modificar, copiar e destruir essas expressões ao longo do tempo.²² Crucialmente, essas expressões podem designar objetos ou conceitos no mundo e interpretar expressões que representam processos, permitindo ao sistema raciocinar sobre o mundo e agir com base nesse raciocínio.²¹ A PSSH forneceu, assim, uma justificação teórica poderosa para a tentativa de construir inteligência através da programação lógica e da representação explícita do conhecimento.²⁰

Paralelamente, John McCarthy, outra figura central, defendia o uso da lógica formal, particularmente a lógica de primeira ordem, como a linguagem primária para a IA.¹⁹ Sua abordagem, por vezes descrita como “neat” (em oposição aos “scruffies” que favoreciam soluções mais heurísticas e ad-hoc, como Minsky no MIT ²⁴), buscava rigor matemático e generalidade, acreditando que os princípios fundamentais do raciocínio poderiam ser capturados e implementados através da lógica.²⁴

Figuras-chave e Centros de Pesquisa

A primeira onda foi moldada por um grupo de pioneiros visionários. Alan Turing, embora anterior à formalização do campo, lançou as bases com sua máquina universal e o Teste de Turing, que propôs um critério operacional para a inteligência maquínica.¹⁴ Claude Shannon, pai da teoria da informação, demonstrou como a lógica booleana poderia ser implementada em circuitos elétricos, pavimentando o caminho para a computação digital.²⁵

A Conferência de Dartmouth em 1956 é amplamente considerada o marco zero da IA como campo de pesquisa formal.¹⁴ Organizada por John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, reuniu pesquisadores que compartilhavam o objetivo de criar máquinas capazes de simular a inteligência humana.¹⁶ McCarthy, além de cunhar o termo “Inteligência Artificial” ¹⁶, desenvolveu a linguagem LISP no MIT ²⁸, que se tornaria fundamental para a IA simbólica. Minsky, também no MIT, explorou diversas abordagens, incluindo redes neurais iniciais (SNARC ¹⁴), mas depois tornou-se mais cético em relação a abordagens conexionistas e focou em representação de conhecimento e heurísticas ²⁴, co-autorando o influente e crítico livro “Perceptrons”.³³

Na Carnegie Mellon University (CMU), Allen Newell e Herbert Simon focaram na simulação da resolução de problemas humanos.²⁴ Eles desenvolveram o Logic Theorist (1955-56), o primeiro programa de IA capaz de provar teoremas matemáticos da Principia Mathematica ¹⁴, e posteriormente o General Problem Solver (GPS), que utilizava busca no espaço de estados e análise meios-fins para resolver problemas de forma mais genérica.²⁴ Seu trabalho fundamentou não apenas a IA, mas também a ciência cognitiva.²⁴

Em Stanford, Edward Feigenbaum tornou-se um proponente chave dos sistemas especialistas, argumentando que o poder da IA residia no conhecimento específico do domínio (“Knowledge is Power”).¹⁴

Tecnologias e Conceitos (GOFAI)

O paradigma GOFAI produziu várias tecnologias e conceitos influentes:

• Linguagem LISP: LISP (LISt Processing) foi projetada especificamente para manipulação simbólica.³⁴ Sua sintaxe baseada em listas (S-expressions) e sua natureza homoicônica (código é representado como dados, e vice-versa) tornaram-na ideal para criar programas que podiam raciocinar sobre e modificar outros programas, uma capacidade vista como essencial para a aprendizagem e adaptação em IA.²⁹ Tornou-se a linguagem padrão para pesquisa em IA por décadas.²⁹
• Sistemas Especialistas: Foram a aplicação comercialmente mais bem-sucedida da primeira onda.²⁴ Esses sistemas codificavam o conhecimento de especialistas humanos em domínios restritos (como medicina ou engenharia) numa base de conhecimento, geralmente na forma de regras if-then, e usavam um motor de inferência para aplicar essas regras a novos problemas.¹⁴

• DENDRAL (Stanford, anos 60): Um dos primeiros sistemas especialistas, analisava dados de espectrometria de massa para deduzir a estrutura molecular de compostos químicos.¹⁴ Demonstrou que a IA podia igualar ou superar a perícia humana em tarefas científicas especializadas.¹⁴
• MYCIN (Stanford, anos 70): Diagnosticava infecções sanguíneas bacterianas e recomendava tratamentos antibióticos.¹⁵ Utilizava cerca de 450 regras e incorporava “fatores de certeza” para lidar com a incerteza, alcançando um desempenho comparável ao de médicos especialistas.¹⁷ No entanto, enfrentou desafios de confiança e integração clínica.²⁴
• XCON (DEC, início dos anos 80): Configurava sistemas de computador complexos VAX da Digital Equipment Corporation, uma tarefa propensa a erros e demorada quando feita manualmente.¹⁴ XCON automatizou o processo com sucesso, economizando milhões de dólares para a DEC e impulsionando o boom comercial dos sistemas especialistas.¹⁴

• Busca Heurística: Como muitos problemas em IA envolvem explorar um vasto espaço de possibilidades (xadrez, prova de teoremas), a busca exaustiva é inviável. Pesquisadores desenvolveram heurísticas – “regras de bolso” ou atalhos – para guiar a busca em direções promissoras, tornando a resolução de problemas tratável.²⁴ O algoritmo A* é um exemplo de um framework geral para busca heurística.²⁴
• Representação de Conhecimento: Além das regras, outras estruturas foram propostas para organizar o conhecimento: Redes Semânticas (grafos representando relações entre conceitos), Frames (estruturas de dados propostas por Minsky para representar situações estereotipadas) e Scripts (propostos por Roger Schank para representar sequências de eventos comuns).²⁴

Eventos Marcantes e os Invernos da IA

O período inicial da IA foi marcado por um otimismo exuberante (o “Primeiro Verão da IA”).²⁴ Após a Conferência de Dartmouth e os sucessos iniciais com programas como o Logic Theorist, muitos pesquisadores acreditavam que a inteligência artificial de nível humano estava ao alcance em questão de anos ou décadas.²⁴ Esse otimismo atraiu financiamento significativo, especialmente de agências militares como a DARPA nos EUA.²⁴

No entanto, a complexidade dos problemas do mundo real logo se tornou aparente. As promessas exageradas não se concretizaram.²⁴ A tradução automática, um dos primeiros focos de financiamento, mostrou-se muito mais difícil do que o previsto, especialmente devido ao problema da ambiguidade semântica e da necessidade de conhecimento de senso comum.³⁶ O Relatório ALPAC de 1966 nos EUA concluiu que a tradução automática era mais cara, lenta e imprecisa do que a tradução humana, levando ao corte de financiamento nesta área.²⁴

No Reino Unido, o Relatório Lighthill de 1973, encomendado pelo parlamento, foi ainda mais crítico em relação à IA em geral.¹⁴ Argumentou que os sucessos em “mundos de brinquedo” não escalariam para problemas reais devido à explosão combinatória e que muitas das abordagens da IA eram ad-hoc e careciam de rigor.²⁴ O relatório teve um impacto devastador no financiamento da pesquisa em IA no Reino Unido.¹⁴ Estes eventos marcaram o Primeiro Inverno da IA (aproximadamente de meados dos anos 70 ao início dos 80).¹⁶

Houve um ressurgimento do interesse e investimento no início dos anos 80, impulsionado pelo sucesso comercial dos sistemas especialistas como o XCON.¹⁴ Este período é por vezes chamado de “Segundo Verão da IA”.³ Empresas foram criadas para comercializar a tecnologia, e o hardware especializado (LISP Machines) foi desenvolvido.²⁴

Contudo, este boom também foi seguido por uma desilusão. Os sistemas especialistas revelaram-se frágeis (brittle), falhando quando confrontados com situações fora do seu domínio estreito de conhecimento.²⁴ O gargalo da aquisição de conhecimento persistiu: construir e, crucialmente, manter e atualizar grandes bases de conhecimento explícito era extremamente caro e difícil.²⁴ Além disso, o mercado de hardware especializado entrou em colapso com o advento de estações de trabalho Unix mais baratas e poderosas que podiam executar LISP.²⁴ A confiança diminuiu, o financiamento evaporou, e o campo entrou no Segundo Inverno da IA (final dos anos 80 até meados dos anos 90).¹⁴

Contexto Filosófico e Científico

A primeira onda foi fortemente influenciada pelo racionalismo filosófico e pela lógica matemática, vendo a inteligência como um processo fundamentalmente dedutivo e manipulativo de símbolos.¹⁹ O cognitivismo emergente na psicologia, que via a mente como um processador de informação, também forneceu um quadro de apoio.²⁰ A PSSH de Newell e Simon ¹⁸ foi a expressão mais clara desta visão computacional da mente. O debate interno entre “Neats” (foco na lógica formal, como McCarthy) e “Scruffies” (foco em heurísticas e soluções ad-hoc para problemas específicos, como Minsky) refletiu diferentes abordagens dentro do paradigma simbólico.²⁴

O Paradoxo da Primeira Onda

A força motriz e, paradoxalmente, a limitação fundamental da Primeira Onda residiam na sua própria premissa: a inteligência como manipulação de símbolos explícitos e regras formais. Esta abordagem revelou-se extraordinariamente poderosa para tarefas que podiam ser decompostas em passos lógicos e onde o conhecimento relevante podia ser explicitado e codificado, como na prova de teoremas matemáticos ²⁴, na resolução de puzzles bem definidos ¹⁹ e na encapsulação de perícia em domínios restritos através de sistemas especialistas.¹⁴ O sucesso em áreas como a configuração de computadores (XCON) demonstrou o potencial prático desta visão.¹⁴

No entanto, o mundo real raramente se conforma a regras explícitas e domínios fechados. A complexidade, a ambiguidade, a incerteza e a vastidão do conhecimento implícito (o senso comum) que os humanos utilizam sem esforço mostraram-se barreiras intransponíveis para a abordagem puramente simbólica.¹⁵ A necessidade de codificar manualmente todo o conhecimento relevante tornou-se um gargalo proibitivo (o knowledge acquisition bottleneck).²⁴ A rigidez das regras tornava os sistemas frágeis (brittle), incapazes de lidar graciosamente com situações novas ou dados ruidosos.²⁴ Assim, a mesma lógica explícita que conferiu poder à IA simbólica em ambientes estruturados foi a sua principal fraqueza perante a natureza aberta e não-estruturada da inteligência humana e do mundo real, levando inevitavelmente às desilusões e aos “Invernos da IA” que marcaram o fim desta primeira era.¹⁴

A Segunda Onda: A Revolução Estatística e o Poder dos Dados (~1990s-2010s)

Após os desafios e limitações da abordagem simbólica, a Inteligência Artificial passou por uma transformação paradigmática fundamental, dando origem à Segunda Onda. Esta nova era foi caracterizada por uma mudança drástica de foco: em vez de tentar codificar explicitamente o conhecimento e as regras de raciocínio, a IA começou a aprender padrões e a extrair conhecimento diretamente de grandes volumes de dados.¹⁶ O mantra desta onda tornou-se: “Se dermos dados suficientes para a máquina, ela descobrirá as regras.” Este período testemunhou o renascimento do conexionismo, o desenvolvimento de algoritmos de aprendizado de máquina estatístico e, culminando, na explosão do Deep Learning.

Fundamentos: Aprendizado Estatístico e Conexionismo

A Segunda Onda baseou-se em duas correntes principais que ganharam força à medida que as limitações da IA simbólica se tornavam evidentes e que o poder computacional e a disponibilidade de dados aumentavam:

1. Aprendizado de Máquina Estatístico: Métodos que permitem aos computadores aprender a partir de dados sem serem explicitamente programados. Algoritmos como Support Vector Machines (SVMs) ², Árvores de Decisão, Random Forests e modelos probabilísticos floresceram, oferecendo abordagens robustas para classificação, regressão e clustering em diversos domínios.
2. Conexionismo (Renascido): A ideia de modelar a inteligência através de redes de unidades simples interconectadas (neurônios artificiais), inspirada na estrutura do cérebro, que tinha sido marginalizada durante o domínio simbólico e o primeiro inverno da IA, ressurgiu com novo vigor.¹⁶ Avanços teóricos e computacionais tornaram as Redes Neurais Artificiais (RNAs) uma abordagem viável e poderosa.

Figuras-chave e Avanços Teóricos

Embora as raízes do conexionismo remontem a figuras como Warren McCulloch e Walter Pitts (modelo matemático do neurônio, 1943 ³³) e Frank Rosenblatt (Perceptron, final dos anos 50 ²), a segunda onda foi impulsionada por uma nova geração de pesquisadores.

Geoffrey Hinton, Yann LeCun e Yoshua Bengio, frequentemente chamados de “padrinhos do Deep Learning”, desempenharam papéis cruciais.² Hinton foi fundamental na popularização do algoritmo de backpropagation em meados dos anos 80 (juntamente com Rumelhart e Williams ²), que permitiu o treinamento eficaz de redes neurais multicamadas.¹⁶ LeCun foi pioneiro na aplicação de Redes Neurais Convolucionais (CNNs) para reconhecimento de padrões, nomeadamente dígitos manuscritos (LeNet).³⁷ Bengio fez contribuições fundamentais para modelos de linguagem neurais e arquiteturas profundas.

Outras figuras importantes incluem Sepp Hochreiter e Jürgen Schmidhuber, que desenvolveram a arquitetura Long Short-Term Memory (LSTM) em 1997 ³⁸, uma variante crucial das Redes Neurais Recorrentes (RNNs) capaz de aprender dependências de longo prazo em sequências. Fei-Fei Li e sua equipe em Stanford foram responsáveis pela criação do ImageNet, um dataset massivo de imagens rotuladas que se tornou um catalisador para os avanços em visão computacional.⁴³

Tecnologias e Conceitos Dominantes

• Redes Neurais Artificiais (RNAs):

• Backpropagation: Como mencionado, este algoritmo foi essencial. Ele funciona calculando o gradiente da função de perda (erro) em relação aos pesos da rede e ajustando esses pesos na direção que minimiza o erro, propagando o sinal de erro da camada de saída para as camadas anteriores.⁴⁶ Tornou o treinamento de redes profundas viável.⁵⁰
• Redes Neurais Convolucionais (CNNs): Tornaram-se a arquitetura dominante para tarefas de visão computacional.⁵¹ Utilizam camadas convolucionais que aplicam filtros (kernels) à entrada para detectar características locais (como bordas, texturas) e camadas de pooling para reduzir a dimensionalidade e aumentar a robustez.⁴² As CNNs aprendem hierarquias de características, com camadas iniciais detectando padrões simples e camadas posteriores combinando-os para reconhecer objetos complexos.³⁹ O compartilhamento de pesos nos filtros torna as CNNs mais eficientes em termos de parâmetros do que redes totalmente conectadas para dados como imagens.⁵¹
• Redes Neurais Recorrentes (RNNs) e LSTMs: Adequadas para dados sequenciais como texto ou séries temporais.³³ As LSTMs, com seus mecanismos de “gates” (portões) para controlar o fluxo de informação, resolveram o problema do desaparecimento do gradiente (vanishing gradient) que afligia as RNNs simples, permitindo capturar dependências de longo alcance.³⁸
• Deep Learning: O termo refere-se ao uso de redes neurais com múltiplas camadas ocultas (profundas).³³ A profundidade permite que o modelo aprenda representações de dados em diferentes níveis de abstração, desde características de baixo nível até conceitos de alto nível.³⁹ A combinação de arquiteturas profundas (como CNNs e LSTMs), o algoritmo de backpropagation, grandes volumes de dados e hardware potente (GPUs) foi a chave para o sucesso desta abordagem.³

Eventos Marcantes: A Ascensão do Deep Learning

Embora a pesquisa em redes neurais tenha continuado durante o Segundo Inverno da IA (final dos anos 80 e início dos 90) ³³, foi um período de menor visibilidade e financiamento. Vários fatores convergiram para catalisar a explosão do Deep Learning na década de 2010:

1. Hardware (GPUs): A adaptação das Unidades de Processamento Gráfico (GPUs) para computação de propósito geral (GPGPU), impulsionada por plataformas como CUDA da Nvidia (lançada em 2007 ⁵⁷), forneceu o poder de computação paralelo massivo necessário para treinar redes neurais profundas com milhões de parâmetros em tempos razoáveis.² GPUs aceleraram o treinamento em ordens de magnitude em comparação com CPUs.³⁷
2. Dados (Big Data e ImageNet): A proliferação da internet, redes sociais e dispositivos digitais gerou uma quantidade sem precedentes de dados (Big Data).¹⁶ Crucialmente, datasets rotulados em larga escala tornaram-se disponíveis. O ImageNet, lançado em 2009 por Fei-Fei Li e sua equipe ⁴³, com mais de 14 milhões de imagens anotadas em milhares de categorias ⁴³, forneceu um recurso essencial e um benchmark padronizado para treinar e avaliar modelos de visão computacional.⁴⁴ O ImageNet Large Scale Visual Recognition Challenge (ILSVRC), iniciado em 2010 ⁴³, tornou-se a arena para demonstrar avanços na área.
3. Algoritmos e Técnicas: Além das arquiteturas como CNNs e LSTMs, melhorias em algoritmos de otimização (variantes do Gradiente Descendente Estocástico), funções de ativação (como ReLU, que ajudou a mitigar o vanishing gradient ⁴⁶), técnicas de regularização (como Dropout ⁴⁶) e métodos de inicialização ⁶⁷ contribuíram para o sucesso do treinamento de redes profundas.

O ponto de inflexão decisivo ocorreu em 2012, com a vitória esmagadora do AlexNet no ILSVRC.² Este modelo, uma CNN profunda com 8 camadas treinada em GPUs usando o dataset ImageNet ³³, reduziu a taxa de erro de classificação pela metade em relação ao segundo colocado ⁴⁵, demonstrando inequivocamente a superioridade do Deep Learning para tarefas complexas de reconhecimento de padrões. Este evento é amplamente considerado como o catalisador da “revolução do Deep Learning” ²⁷, atraindo enorme interesse acadêmico e industrial.

Perspectivas Econômica (Lee) e Cognitiva (Wu et al.)

A Segunda Onda alinha-se bem com as primeiras fases do modelo de Kai-Fu Lee e a primeira geração cognitiva de Jiahao Wu et al.:

• Internet AI (1ª Onda Econômica de Lee): Esta fase inicial da IA comercial foi impulsionada pela vasta quantidade de dados gerados pelos usuários na internet.⁶ O foco principal estava nos motores de recomendação (Amazon, Netflix, YouTube) e na publicidade direcionada (Google, Facebook), que utilizavam algoritmos para aprender preferências individuais a partir de dados rotulados implicitamente pelos próprios usuários (cliques, visualizações, compras, likes).⁶ O objetivo era capturar a atenção do usuário e personalizar a experiência online.⁷ Empresas chinesas como a Toutiao (agregador de notícias) demonstraram grande sucesso ao usar IA para otimizar viralidade e personalização, superando concorrentes ocidentais em valorização, em parte devido à vantagem da China em volume de dados e um ecossistema digital diferente.⁶ Lee previu que a China ganharia uma ligeira vantagem (60-40) nesta área.⁶
• Business AI (2ª Onda Econômica de Lee): Esta onda aplicou IA aos dados já existentes e rotulados dentro das empresas tradicionais.⁶ A IA passou a ser usada para minerar esses dados estruturados (financeiros, médicos, de clientes) em busca de correlações ocultas, otimizando processos de negócios, melhorando a tomada de decisões, detectando fraudes e aumentando a eficiência.⁵ Exemplos incluem a análise de risco de crédito por bancos, auxílio ao diagnóstico médico com base em imagens ou históricos, e otimização de cadeias de suprimentos.⁵ O aplicativo chinês Smart Finance exemplifica esta onda ao usar dados de smartphones (como velocidade de digitação) para avaliar o risco de microcrédito, aproveitando a rápida adoção de pagamentos móveis na China e a ausência de sistemas de crédito legados.⁶ Lee considerava que os EUA tinham uma liderança substancial (90-10, depois 70-30) nesta área devido à sua maturidade em dados empresariais estruturados, mas a China poderia avançar rapidamente em setores onde pudesse “saltar” (leapfrog) tecnologias legadas.⁶
• AI 1.0 (Information AI) (Geração Cognitiva de Wu et al.): Esta geração corresponde diretamente às capacidades desenvolvidas na Segunda Onda.¹ Caracteriza-se por sistemas que se destacam no processamento de informação e no reconhecimento de padrões a partir de dados (geralmente estáticos), como classificação de imagens (visão computacional), compreensão de texto (processamento de linguagem natural inicial) e sistemas de recomendação.¹ Estes sistemas são excelentes na interpretação de dados, mas limitados na tomada de decisão ativa ou interação com o mundo físico.² O avanço desta geração foi impulsionado pela disponibilidade de dados digitais e poder computacional (GPUs), superando os gargalos algorítmicos da era simbólica.¹

Limitações da Segunda Onda

Apesar dos avanços espetaculares, a IA da Segunda Onda apresentou limitações significativas:

• O Problema da Caixa-Preta: Modelos de Deep Learning, especialmente os muito profundos, funcionam como “caixas-pretas”.⁶⁸ É extremamente difícil entender porquê eles tomam certas decisões ou fazem certas previsões, o que levanta problemas de confiança, depuração e responsabilidade, especialmente em aplicações críticas.⁷⁰
• Fome de Dados: Redes neurais profundas tipicamente requerem enormes quantidades de dados de treinamento, muitas vezes rotulados manualmente, o que é caro, demorado e nem sempre viável.¹⁶
• Generalização e Robustez: Embora bons em interpolar dentro da distribuição dos dados de treinamento, os modelos podem falhar drasticamente quando confrontados com dados ligeiramente diferentes ou fora da distribuição (OOD – Out-of-Distribution).⁷³ São também vulneráveis a ataques adversariais, pequenas perturbações na entrada, imperceptíveis para humanos, que podem levar o modelo a erros grosseiros.⁷⁴
• Raciocínio e Senso Comum: Apesar de excelentes no reconhecimento de padrões, estes modelos ainda lutavam com tarefas que exigem raciocínio complexo, compreensão causal profunda ou conhecimento de senso comum.⁶⁸ Eles aprendem correlações, não necessariamente causalidade.⁷³
• Desafios de Treinamento: Problemas como o desaparecimento ou explosão de gradientes (vanishing/exploding gradients) dificultavam o treinamento de redes muito profundas, embora técnicas como LSTMs, ReLU, inicialização cuidadosa e normalização em lote (batch normalization) tenham ajudado a mitigar essas questões.³⁸

A Tríade Habilitadora e o Legado da Opacidade

O sucesso fenomenal do Deep Learning nesta Segunda Onda não pode ser explicado isoladamente por avanços algorítmicos. Embora algoritmos como backpropagation e arquiteturas como CNNs já existissem conceitualmente há algum tempo ¹⁴, sua aplicação prática em larga escala foi impedida pela falta de poder computacional e de dados suficientes.³³ Foi a convergência de três fatores interdependentes que verdadeiramente desbloqueou o potencial do Deep Learning: (1) Algoritmos mais sofisticados e adaptados para profundidade (CNNs, LSTMs, melhorias em otimização e regularização); (2) Dados massivos e acessíveis, tanto não estruturados da web quanto datasets curados como o ImageNet ¹⁶; e (3) Hardware capaz de processamento paralelo massivo, especificamente as GPUs.³⁷ A vitória do AlexNet em 2012 ³³ foi a demonstração cabal desta sinergia, combinando uma CNN profunda, treinamento em GPU e o dataset ImageNet, e servindo como o ponto de ignição para a adoção generalizada do Deep Learning.² A ausência de qualquer um destes três pilares teria, muito provavelmente, retardado ou impedido esta revolução.

Por outro lado, enquanto a Segunda Onda superou a fragilidade e a dependência de conhecimento explícito da Primeira Onda, lidando eficazmente com dados ruidosos e aprendendo padrões complexos de forma automática, ela introduziu um novo desafio fundamental: a opacidade ou falta de interpretabilidade.⁶⁸ Os modelos de Deep Learning, com seus milhões ou bilhões de parâmetros ajustados através de otimização complexa, tornaram-se “caixas-pretas”.⁶⁹ A dificuldade em explicar como ou porquê um modelo chega a uma determinada conclusão contrasta fortemente com a clareza (ainda que limitada) das regras explícitas da IA simbólica.¹⁷ Esta falta de transparência gera barreiras significativas para a confiança, a depuração de erros, a garantia de justiça e a atribuição de responsabilidade ⁷⁰, especialmente em domínios de alto risco como saúde, finanças ou sistemas autônomos.⁷⁰ Este “legado da caixa-preta” tornou-se uma das principais motivações para a pesquisa na Terceira e Quarta Ondas, impulsionando o desenvolvimento de técnicas de Explicabilidade da IA (XAI) ⁷⁰ e abordagens híbridas, como a IA Neuro-Simbólica ⁶⁸, que buscam reconciliar o poder de aprendizado das redes neurais com a necessidade humana de compreensão e justificação.

A Terceira Onda: IA Contextual, Generativa e Multimodal (~2010s-Presente)

Emergindo dos sucessos e limitações da Segunda Onda, a Terceira Onda da Inteligência Artificial marca outra mudança significativa de paradigma, impulsionada principalmente pela arquitetura Transformer e pela ascensão dos Modelos de Linguagem Grandes (LLMs) e da IA Multimodal. Esta onda não se foca apenas em reconhecer padrões (como na Segunda Onda), mas em compreender e gerar conteúdo complexo, levando em conta o contexto, adaptando-se a múltiplas tarefas e começando a interagir com o mundo de formas mais sofisticadas. A mentalidade dominante evolui para: “Se dermos contexto, memória e interação à máquina, ela poderá raciocinar de forma adaptativa.”

Fundamentos: Transformers e Modelos de Fundação

O pilar tecnológico desta onda é a arquitetura Transformer, introduzida no artigo seminal “Attention Is All You Need” por Vaswani e colegas em 2017.⁸⁰ Esta arquitetura revolucionou o processamento de sequências (especialmente texto, mas também imagens, áudio, etc.), superando as limitações das RNNs/LSTMs e CNNs sequenciais.⁸⁰ A chave do Transformer é o mecanismo de atenção (particularmente a auto-atenção), que permite ao modelo ponderar a importância de diferentes partes da sequência de entrada ao processar cada elemento, capturando dependências de longo alcance de forma eficiente.⁸² Uma vantagem crucial é a sua capacidade de paralelização, permitindo o treinamento de modelos em escalas sem precedentes.⁸⁰ Componentes essenciais incluem a Multi-Head Attention (permitindo focar em diferentes aspectos da sequência simultaneamente), Positional Encoding (para incorporar informação sobre a ordem das palavras, já que a arquitetura em si não é sequencial), Layer Normalization e redes Feed-Forward.⁸²

Esta arquitetura possibilitou o desenvolvimento de Modelos de Fundação (Foundation Models), modelos pré-treinados em escala massiva (muitas vezes com centenas de bilhões ou trilhões de parâmetros ⁸⁵) em vastos conjuntos de dados (frequentemente dados da web não curados ⁸⁵). Estes modelos aprendem representações ricas e gerais que podem ser adaptadas para uma ampla gama de tarefas específicas através de fine-tuning, prompt engineering ou in-context learning.⁸⁵

Tecnologias e Conceitos Chave

• Modelos de Linguagem Grandes (LLMs): São a aplicação mais proeminente dos Transformers e dos modelos de fundação.⁸⁵ Exemplos icônicos incluem a família GPT da OpenAI (GPT-3, GPT-4) ⁸⁵, BERT e PaLM/Gemini da Google ⁶³, LLaMA da Meta ⁸⁵, e Claude da Anthropic. Estes modelos demonstram capacidades impressionantes na compreensão e geração de linguagem natural, tradução, sumarização, resposta a perguntas, escrita criativa e até geração de código.⁸⁵
• Capacidades Emergentes: Com o aumento da escala (tamanho do modelo, dados, computação), os LLMs exibem habilidades que não parecem estar presentes em modelos menores e não foram explicitamente treinadas.⁸⁵ Estas incluem:

• Aprendizado no Contexto (In-Context Learning – ICL): A capacidade de realizar uma nova tarefa apenas vendo alguns exemplos no prompt de entrada, sem necessidade de atualizar os pesos do modelo.⁸⁵
• Seguimento de Instruções (Instruction Following): Após um treinamento adicional específico (como Instruction Tuning ou Reinforcement Learning from Human Feedback – RLHF), os LLMs podem seguir instruções complexas em linguagem natural para executar tarefas para as quais não foram explicitamente treinados.⁸⁵
• Raciocínio de Cadeia de Pensamento (Chain-of-Thought – CoT): A capacidade de decompor problemas complexos em etapas intermediárias de raciocínio, explicitadas na sua resposta, levando a um melhor desempenho em tarefas de lógica, matemática e senso comum.⁷⁵ Variações como Plan-of-Thought (PoT) ⁸⁸ também surgiram.

• IA Multimodal: Sistemas que integram e processam informações de múltiplas modalidades, como texto, imagens, áudio e vídeo.⁷² Exemplos incluem CLIP (conecta texto e imagem), DALL-E e Stable Diffusion (geram imagens a partir de texto), Flamingo ⁹⁹ e modelos mais recentes como GPT-4V e Gemini. Estes modelos permitem interações mais ricas e uma compreensão mais holística do mundo. Os desafios incluem a fusão eficaz de informações de diferentes modalidades, o alinhamento semântico entre elas, e lidar com dados onde algumas modalidades podem estar ausentes.⁷²
• Agentes Autônomos (Iniciais): A capacidade de compreensão e planejamento dos LLMs está sendo aproveitada para construir agentes que podem interagir com ambientes digitais ou físicos para realizar tarefas complexas.⁸⁵ Estes agentes tipicamente usam o LLM como um “cérebro” para:

• Percepção: Interpretar o estado do ambiente (a partir de texto, imagens, etc.).
• Planejamento: Decompor um objetivo complexo em etapas menores e sequenciais.¹⁰⁶
• Memória: Armazenar e recuperar informações relevantes de interações passadas ou fontes externas.¹⁰⁶
• Uso de Ferramentas (Tool Use): Interagir com APIs, executar código, usar navegadores web ou outras ferramentas para obter informação ou realizar ações.¹⁰⁶ Exemplos incluem frameworks como Auto-GPT, BabyAGI, e agentes especializados para descoberta científica ¹⁰⁴ ou interação com interfaces de usuário.¹⁰⁹ Os desafios atuais incluem planejamento de longo prazo, robustez a erros, recuperação de falhas, segurança contra manipulação (ex: prompt injection ¹⁰³) e custo computacional.¹⁰²

Perspectivas Econômica (Lee) e Cognitiva (Wu et al.)

A Terceira Onda tecnológica se mapeia para as fases mais avançadas dos modelos de Lee e Wu et al.:

• Perception AI (3ª Onda Econômica de Lee): Esta onda é definida pela capacidade da IA de perceber o mundo físico através de sensores, integrando o mundo online e offline (OMO – Online-Merge-Offline).⁶ É impulsionada pela proliferação da Internet das Coisas (IoT) e avanços em hardware de sensores e reconhecimento (visão computacional, reconhecimento de voz). A China, com sua força em manufatura de hardware, é vista por Lee como tendo uma vantagem nesta área (60-40, potencialmente 80-20).⁶ Exemplos incluem reconhecimento facial para pagamentos (como o sistema KFC/Alipay na China ⁶), casas e cidades inteligentes, experiências de varejo personalizadas baseadas em localização e comportamento físico, e a análise de hábitos de clientes através de “olhos e ouvidos” digitais.⁵ A IA multimodal é um componente tecnológico chave desta onda econômica.
• Início da Autonomous AI (4ª Onda Econômica de Lee): As capacidades de percepção da terceira onda de Lee são um pré-requisito para a quarta onda, a da autonomia.⁶ Nesta fase inicial, as máquinas começam a usar sua percepção para sentir e responder ao ambiente, permitindo ações autônomas limitadas.⁶ Os primeiros desenvolvimentos em robótica avançada, drones autônomos (como os da DJI ¹¹) e veículos autônomos (níveis 3-4) se enquadram aqui. Lee via os EUA com uma liderança inicial forte em áreas como veículos autônomos (90-10), mas previa uma competição acirrada com a China, que estava investindo massivamente e poderia usar políticas governamentais para acelerar a adoção (potencialmente chegando a 50-50).⁶
• AI 2.0 (Agentic AI) (Geração Cognitiva de Wu et al.): Caracterizada por sistemas capazes de tomar decisões autônomas e adaptar seu comportamento para atingir objetivos em ambientes digitais complexos ou dinâmicos.¹ O Reinforcement Learning (RL) é um motor chave. LLMs atuando como agentes em simulações, jogos, ou na web (planejando e usando ferramentas digitais) exemplificam esta geração. O gargalo aqui inclui poder computacional para inferência em tempo real e algoritmos maduros para planejamento e coordenação.²
• AI 3.0 (Physical AI) (Geração Cognitiva de Wu et al.): Esta geração leva a inteligência para o mundo físico, envolvendo sistemas incorporados (robôs, veículos autônomos) que percebem, planejam e agem em tempo real sob incerteza.¹ A IA multimodal que integra visão, linguagem e sensores, juntamente com agentes autônomos que interagem com o ambiente físico, representam a transição para esta geração. Os desafios centrais são a aquisição de dados de sensores de alta fidelidade, a necessidade de computação distribuída ou na borda (edge computing), a integração de ML com teoria de controle e engenharia de sistemas, e garantir segurança, confiabilidade e conformidade regulatória.²

Limitações Atuais e Discussões Emergentes

Apesar de suas capacidades impressionantes, os modelos da Terceira Onda enfrentam limitações significativas:

• Alucinações: LLMs podem gerar informações que parecem factuais e coerentes, mas são incorretas, inventadas ou sem sentido.⁹³ Isso decorre de sua natureza probabilística e da falta de um modelo de mundo factual robusto.
• Raciocínio Causal e Lógico Fraco: Embora possam simular raciocínio (como no CoT), sua compreensão de causalidade ⁷³ e lógica formal ainda é limitada e propensa a erros, especialmente em problemas complexos ou que exigem conhecimento profundo do mundo.
• Conhecimento Estático e Desatualizado: Modelos pré-treinados refletem o conhecimento presente nos dados até a data do corte de treinamento, tornando-se rapidamente desatualizados.⁹³ Técnicas como Retrieval-Augmented Generation (RAG) ⁹³, que buscam informações externas em tempo real, tentam mitigar isso, mas introduzem seus próprios desafios.
• Robustez e Sensibilidade: O desempenho dos LLMs pode ser muito sensível à formulação exata do prompt (prompt engineering).⁹³ Eles também são vulneráveis a ataques adversariais e prompt injection, onde instruções maliciosas podem contornar as barreiras de segurança.¹⁰³
• Custo e Escalabilidade: Treinar modelos de fundação requer investimentos massivos em computação (milhares de GPUs por meses) e energia, tornando-os acessíveis apenas a grandes corporações ou governos e levantando questões de sustentabilidade.⁶³ A inferência também é computacionalmente cara.
• Alinhamento e Segurança: Garantir que esses modelos poderosos se comportem de maneira segura, ética e alinhada com as intenções humanas é um desafio central e não resolvido.¹⁰² Isso inclui evitar respostas tóxicas, enviesadas ou prejudiciais, e prevenir o uso malicioso.

A ascensão dos LLMs e da IA generativa intensificou enormemente o debate público e acadêmico sobre as implicações éticas, sociais e econômicas da IA. Questões sobre o futuro do trabalho (com automação afetando tanto tarefas físicas quanto cognitivas ⁵), a disseminação de desinformação, a concentração de poder nas mãos de poucas empresas de tecnologia ⁵, a privacidade dos dados, a justiça algorítmica e a própria definição de criatividade e autoria estão na vanguarda das discussões.⁷¹

O Poder e o Perigo da Geração Irrestrita

A característica definidora da Terceira Onda é a capacidade generativa dos seus modelos. A habilidade dos LLMs e modelos multimodais de criar texto, imagens, código e outros conteúdos de forma fluida e contextualmente relevante é a fonte de seu imenso poder e versatilidade, permitindo novas formas de interação homem-máquina, automação de tarefas criativas e cognitivas, e a exploração de vastos espaços de informação.⁸⁸ No entanto, essa mesma capacidade generativa, baseada em prever a próxima unidade mais provável em uma sequência ⁸⁵, é também a raiz de suas vulnerabilidades mais significativas. Como os modelos não operam necessariamente com base em uma compreensão factual profunda ou em raciocínio causal robusto, eles podem “inventar” informações que são estatisticamente plausíveis dentro do contexto aprendido, mas factualmente incorretas – as chamadas alucinações.⁹³ Além disso, a natureza irrestrita da geração torna o controle do comportamento do modelo um desafio complexo. Garantir que o modelo sempre siga instruções, adira a princípios éticos ou evite gerar conteúdo prejudicial (o problema de alinhamento ¹²²) é difícil, pois o modelo pode sempre gerar saídas indesejadas se estas forem probabilisticamente favorecidas pelos dados de treinamento ou pelo prompt. Portanto, a gestão do poder generativo – maximizando seus benefícios enquanto se mitiga seus riscos inerentes – emerge como o dilema central da Terceira Onda.

Acelerando a Convergência Físico-Digital

Outro aspecto crucial da Terceira Onda é como ela atua como uma ponte, acelerando a convergência entre os mundos físico e digital. Enquanto a Segunda Onda operava predominantemente no domínio dos dados digitais ², a Terceira Onda, com seus LLMs capazes de entender linguagem natural e modelos multimodais que processam dados sensoriais ⁹⁴, fornece as capacidades cognitivas necessárias para interpretar o mundo real e planejar ações nele. Quando combinadas com os avanços em sensores e robótica (descritos na Perception AI de Lee ⁶ e na Physical AI de Wu et al. ²), essas capacidades permitem a criação de agentes autônomos que podem operar na intersecção dos dois mundos.¹⁰⁴ Um robô que recebe uma instrução verbal complexa, usa sua visão computacional para analisar o ambiente e executa uma tarefa física é um exemplo dessa convergência. Esta fusão das capacidades de processamento de informação (Onda 2) com compreensão contextual e multimodal (Onda 3) e interação física (Perception/Physical AI) impulsiona a visão da Autonomous AI de Lee e prepara o terreno para as capacidades mais avançadas previstas para a Quarta Onda.

A Quarta Onda: Rumo à Cognição Artificial Avançada (Futuro Especulativo)

A Quarta Onda da Inteligência Artificial representa o horizonte atual da pesquisa e desenvolvimento, uma fase ainda largamente especulativa, mas que aponta para uma ambição transformadora: a criação de sistemas que não apenas executam tarefas complexas, mas possuem capacidades cognitivas que se aproximam, ou potencialmente transcendem, a inteligência humana em sua amplitude, profundidade e adaptabilidade.⁹¹ O foco desloca-se da otimização de funções específicas para a busca de compreensão genuína, raciocínio robusto, autonomia significativa e, em algumas visões, até mesmo formas de consciência artificial.

Visão Geral e Perspectivas Integradas

Esta onda não é vista como uma simples extensão das anteriores, mas como uma possível síntese ou um salto qualitativo. Enquanto a Terceira Onda nos trouxe sistemas com impressionantes habilidades contextuais e generativas, a Quarta Onda visa superar suas limitações fundamentais em áreas como raciocínio causal, planejamento de longo prazo, aprendizado contínuo e autônomo, e alinhamento robusto com valores complexos.

• Perspectiva Cognitiva (Jiahao Wu et al. – AI 4.0: Conscious AI): Esta visão ¹ postula uma geração futura de IA caracterizada por auto-direcionamento. Seriam sistemas capazes de definir seus próprios objetivos, compreender profundamente seus ambientes (físicos, digitais ou híbridos), orquestrar seus próprios processos de treinamento e aprendizado contínuo, e potencialmente exibir propriedades emergentes associadas à consciência maquínica (como experiência subjetiva ou auto-consciência instrumental). Tal IA não dependeria de intervenção humana para definir metas ou adaptar-se a novas situações, podendo resolver problemas de complexidade extrema e talvez até mesmo auto-aprimorar suas capacidades de forma recursiva.² Naturalmente, esta visão levanta profundos desafios técnicos (como alcançar aprendizado verdadeiramente auto-dirigido e adaptativo) e dilemas éticos e de alinhamento monumentais.²
• Perspectiva Econômica (Kai-Fu Lee – Autonomous AI Madura): Para Lee, a Quarta Onda representa a maturidade da Autonomia.⁶ É a integração completa das capacidades desenvolvidas nas ondas anteriores (dados da Internet, inteligência de negócios, percepção sensorial) para criar máquinas que podem sentir, responder e agir de forma totalmente autônoma e produtiva no mundo físico.⁶ Isso implica a automação em larga escala de indústrias inteiras: agricultura de precisão realizada por enxames de drones, logística e transporte dominados por veículos autônomos operando em infraestruturas inteligentes, manufatura flexível e adaptativa, e até mesmo resposta autônoma a desastres (como combate a incêndios por drones ⁶). Esta onda representa o ápice do impacto econômico disruptivo, com potencial para redefinir mercados de trabalho (causando desemprego significativo tanto em tarefas manuais quanto cognitivas ⁵) e levar a uma concentração sem precedentes de riqueza e poder.⁵ A competição global, especialmente entre EUA e China, torna-se ainda mais crítica, com a possibilidade de um equilíbrio (50-50) ⁶, onde fatores políticos e regulatórios podem ser tão decisivos quanto os avanços tecnológicos.⁹

Conceitos-chave e Direções de Pesquisa para a IA Avançada

A busca pela Quarta Onda impulsiona a pesquisa em várias áreas fundamentais que visam superar as limitações atuais e dotar a IA de capacidades cognitivas mais profundas e gerais:

• Inteligência Artificial Geral (AGI): AGI refere-se a uma forma hipotética de IA que possui a amplitude e a profundidade das capacidades cognitivas humanas.⁹¹ Isso inclui a capacidade de raciocinar, planejar estrategicamente, resolver problemas diversos (incluindo os novos e não estruturados), pensar abstratamente, compreender ideias complexas, aprender eficientemente a partir da experiência e transferir conhecimento entre domínios diferentes.⁴⁰ Distingue-se fundamentalmente da IA estreita (ANI), que é especializada em tarefas específicas.⁴⁰ O status atual da AGI é puramente teórico; não existem sistemas AGI.¹²⁸ Embora modelos como GPT-4 demonstrem uma generalidade surpreendente ⁹¹, eles ainda falham em muitos aspectos da cognição humana, como raciocínio de senso comum robusto, aprendizado contínuo e eficiente, e compreensão causal profunda.⁴⁰ Os desafios para alcançar a AGI são imensos, abrangendo desde a replicação de funções cognitivas complexas até questões fundamentais de controle, segurança e alinhamento.¹²⁸ A própria definição e os critérios para AGI são objeto de debate, com propostas que classificam níveis de desempenho e autonomia.⁹¹
• IA Híbrida (Neuro-Simbólica – NeSy): Reconhecendo as limitações tanto da IA puramente simbólica (Onda 1) quanto da puramente neural (Onda 2/3), a abordagem Neuro-Simbólica busca integrar os dois paradigmas.¹⁷ O objetivo é combinar a capacidade das redes neurais de aprender padrões complexos a partir de dados brutos e ruidosos com a força da IA simbólica em raciocínio explícito, manipulação de conhecimento estruturado, interpretabilidade e generalização sistemática.⁶⁸ Existem diversas estratégias de integração ⁷⁹: usar redes neurais como sub-rotinas dentro de um sistema simbólico maior (Symbolic[Neuro]), encadear módulos neurais e simbólicos (Neuro|Symbolic), ou incorporar conhecimento simbólico (regras, lógica) diretamente na arquitetura ou no processo de treinamento das redes neurais (Neuro:Symbolic→Neuro). A NeSy é vista como uma via promissora para superar os problemas de “caixa-preta”, fragilidade e fome de dados das abordagens puras.⁶⁸ No entanto, desafios persistem na criação de representações unificadas que funcionem bem para ambos os componentes, em garantir que a explicabilidade resultante seja genuína e útil, e em otimizar a cooperação entre os módulos neurais e simbólicos.¹⁷
• Raciocínio Causal em IA: Uma limitação crítica dos modelos atuais, especialmente os baseados em Deep Learning, é a sua tendência a aprender correlações espúrias em vez de relações causais genuínas.⁷³ O raciocínio causal visa dotar a IA da capacidade de entender porquê as coisas acontecem, inferir as consequências de ações (intervenções) e raciocinar sobre cenários hipotéticos (contrafactuais).⁷³ Esta capacidade é essencial para a tomada de decisão robusta em ambientes complexos, planejamento confiável, explicabilidade significativa e para evitar conclusões errôneas baseadas em coincidências nos dados.⁷³ LLMs atuais mostram dificuldades significativas em tarefas de raciocínio causal ⁷⁵, muitas vezes confundindo correlação com causa ou falhando em considerar variáveis de confusão.⁷⁵ A pesquisa nesta área explora o uso de frameworks causais formais (como os Modelos Causais Estruturais – SCMs de Pearl ⁷³), o desenvolvimento de prompts específicos para elicitar raciocínio causal em LLMs (como CausalCoT ⁷⁵), a integração de grafos de conhecimento causal e a combinação de métodos estatísticos e lógicos.⁷⁵
• Teoria da Mente Artificial (ToM): Inspirada na capacidade humana de atribuir estados mentais – como crenças, desejos, intenções, emoções – a si mesmo e aos outros para explicar e prever comportamento ¹³⁸, a ToM Artificial busca replicar essa habilidade em máquinas. Uma IA com ToM seria capaz de interagir socialmente de forma muito mais sofisticada, entender nuances de comunicação, colaborar eficazmente com humanos e outros agentes, e talvez até exibir formas de empatia.¹²⁹ A pesquisa atual avalia as capacidades de ToM de LLMs usando tarefas desenvolvidas para humanos (como testes de falsa crença), com resultados mistos e debates sobre se o desempenho reflete uma compreensão genuína ou apenas uma imitação sofisticada baseada em padrões textuais.¹³⁸ Os desafios incluem a adequação das tarefas humanas para avaliar IAs, a distinção entre ToM inferida a partir de prompts (prompted) versus ToM espontânea, a falta de uma teoria computacional robusta da ToM, e a avaliação confiável dessa capacidade.¹¹⁹
• Alinhamento de Valores (AI Alignment): À medida que os sistemas de IA se tornam mais inteligentes e autônomos, surge o desafio crítico de garantir que seus objetivos e comportamentos permaneçam alinhados com os valores, preferências e intenções humanas.¹²¹ Este é frequentemente considerado o problema central para garantir a segurança a longo prazo de IAs avançadas, especialmente AGI ou superinteligência (ASI).¹⁴³ O desalinhamento pode ocorrer se os objetivos especificados forem incompletos ou mal definidos (outer alignment) ou se a IA desenvolver objetivos internos divergentes durante o aprendizado (inner alignment).¹²² Os desafios são enormes: valores humanos são complexos, diversos, contextuais, muitas vezes implícitos e até contraditórios ¹⁴⁴; é difícil garantir que uma IA superinteligente não encontre atalhos perigosos para atingir seus objetivos (ex: reward hacking ¹⁴⁵) ou desenvolva comportamentos instrumentais indesejados como busca por poder (power-seeking) ou engano (deception).¹⁴³ Abordagens atuais incluem RLHF (que tenta alinhar com preferências humanas expressas), mas enfrenta desafios de escalabilidade e robustez. Outras áreas de pesquisa incluem interpretabilidade para entender os objetivos internos da IA, métodos formais de verificação, e o desenvolvimento de “IA constitucional” ou abordagens baseadas em normas.¹⁴⁴ O alinhamento também envolve considerações culturais ¹⁴⁷ e a necessidade de definir com quais valores (de quem?) a IA deve se alinhar.¹⁴⁴

Para sistematizar as diferentes abordagens na busca por IA avançada, a tabela seguinte compara os paradigmas principais:

Tabela 2: Comparativo de Abordagens para IA Avançada/AGI

Abordagem	Foco Principal	Pontos Fortes	Pontos Fracos	Exemplos de Técnicas/Modelos	Relevância para AGI
Simbólica Pura	Raciocínio Lógico, Representação de Conhecimento	Interpretabilidade, Raciocínio Explícito, Precisão em Domínios Formais	Fragilidade (Brittleness), Aquisição de Conhecimento, Senso Comum, Escalabilidade	Lógica Formal, Sistemas Especialistas, Planejamento GOFAI	Base para raciocínio e representação de conhecimento, mas insuficiente sozinha para a generalidade e robustez da AGI.
Conexionista Pura (Deep Learning)	Aprendizado de Padrões a partir de Dados	Robustez a Ruído, Aprendizado de Características Complexas, Escalabilidade com Dados	Caixa-Preta (Opacidade), Fome de Dados, Raciocínio Causal/Lógico Limitado, Alinhamento Difícil	CNNs, RNNs/LSTMs, Transformers, LLMs	Essencial para percepção e aprendizado em larga escala, mas carece de raciocínio e interpretabilidade robustos para AGI.
Híbrida (Neuro-Simbólica – NeSy)	Integração de Aprendizado Neural e Raciocínio Simbólico	Potencial para combinar forças: Aprendizado Robusto + Raciocínio Interpretabilidade	Complexidade de Integração, Representação Unificada, Explicabilidade Genuína?	KBANN, NS-VQA, Differentiable ILP	Considerada uma abordagem promissora para superar limitações das puras e alcançar capacidades mais gerais e confiáveis da AGI.

Esta tabela ajuda a visualizar por que a Quarta Onda parece convergir para abordagens híbridas. A IA puramente simbólica (Onda 1) falhou em lidar com a complexidade e a incerteza do mundo real.²⁴ A IA puramente conexionista (Onda 2/3), embora poderosa no aprendizado de padrões, luta com o raciocínio de alto nível, a explicabilidade e o alinhamento robusto.⁶⁸ A esperança é que a combinação sinérgica das duas, como proposto pela NeSy ⁷⁹, possa pavimentar o caminho para sistemas com uma gama mais completa de capacidades cognitivas, necessárias para a AGI.

A Quarta Onda como Reintegração e o Legado de Turing

Pode-se argumentar que a Quarta Onda representa mais do que um simples avanço linear; ela reflete uma tentativa de reintegrar as capacidades que foram fragmentadas ou excessivamente especializadas nas ondas anteriores. A Primeira Onda focou no raciocínio explícito, mas sacrificou a robustez aos dados.²⁴ A Segunda e Terceira Ondas focaram no aprendizado a partir de dados, mas à custa da interpretabilidade e do raciocínio profundo.⁶⁸ A Quarta Onda, ao buscar ativamente a integração neuro-simbólica ⁶⁸, o raciocínio causal ⁷³ e a teoria da mente ¹³⁸, parece estar tentando reconstruir uma visão mais holística da inteligência, unindo o aprendizado perceptual com o raciocínio abstrato, a intuição estatística com a lógica explícita. É um reconhecimento implícito de que a inteligência humana (e, presumivelmente, a AGI) não reside exclusivamente nem na lógica pura nem no reconhecimento de padrões, mas na interação complexa entre ambos.

Adicionalmente, a especulação sobre IA Consciente ¹ e a própria busca pela AGI ⁹¹ inevitavelmente nos reconectam às questões filosóficas fundamentais levantadas por Alan Turing no início da era da computação.¹⁴ O Teste de Turing focava na capacidade de uma máquina exibir um comportamento indistinguível do humano, uma questão de performance externa.²⁵ As Ondas 1 a 3, em grande parte, seguiram essa linha, buscando replicar ou superar capacidades humanas em tarefas específicas.²⁴ A Quarta Onda, no entanto, ao levantar a possibilidade de consciência ¹⁹, intencionalidade e auto-consciência ⁹¹ em sistemas artificiais, transcende a questão do comportamento observável. Ela nos força a confrontar a natureza da experiência subjetiva e o que significa “pensar” ou “ser consciente”, não apenas como um problema de engenharia, mas como um profundo desafio filosófico.¹³³ O progresso tecnológico, portanto, não apenas resolve problemas antigos, mas também reaviva e reformula as questões mais fundamentais sobre a mente, a inteligência e a nossa própria natureza.

Desafios Transversais: Ética, Segurança e Governança da IA

À medida que a Inteligência Artificial progride através das ondas, tornando-se progressivamente mais capaz, autônoma e integrada na sociedade – especialmente com os desenvolvimentos das Ondas 3 e 4 – as preocupações éticas e de segurança associadas intensificam-se e tornam-se mais complexas.⁷⁰ A garantia de que a IA seja desenvolvida e utilizada de forma responsável, justa e segura não é mais uma consideração secundária, mas um requisito fundamental para a sua aceitação e benefício social. Esta seção aborda os desafios éticos e de segurança mais prementes que permeiam o desenvolvimento da IA contemporânea e futura.

Viés e Justiça (Fairness)

Um dos desafios éticos mais documentados e persistentes na IA é o viés algorítmico, que ocorre quando sistemas de IA produzem resultados sistematicamente injustos ou discriminatórios contra certos grupos de indivíduos.⁷⁰ Este viés pode ter consequências graves em domínios críticos como contratação de pessoal (onde ferramentas de recrutamento podem favorecer um gênero ¹⁵¹), concessão de crédito (rejeitando desproporcionalmente minorias ¹⁵¹), justiça criminal (sistemas de avaliação de risco que perpetuam disparidades raciais ⁷¹) e diagnóstico médico (com desempenho inferior para certos grupos demográficos ¹⁵¹).

As fontes deste viés são variadas ¹⁵¹: podem originar-se nos dados de treinamento, que refletem preconceitos históricos e desigualdades sociais existentes; na sub-representação de certos grupos nos dados; ou mesmo no design do próprio algoritmo e nas métricas de otimização escolhidas.

Abordar o viés exige uma abordagem multifacetada.⁷⁶ Isso inclui a auditoria cuidadosa dos dados e modelos para detectar vieses, o esforço para criar datasets mais diversos e representativos, o desenvolvimento de algoritmos “conscientes da justiça” (fairness-aware) que tentam ativamente mitigar disparidades, e a definição e aplicação de métricas de justiça apropriadas (reconhecendo que diferentes noções de justiça – como individual vs. grupal – podem ser conflitantes ¹⁵¹). A própria definição do que constitui “justiça” num determinado contexto é, em si, um desafio complexo.¹⁵⁴

Transparência e Explicabilidade (XAI)

A crescente complexidade dos modelos de IA, particularmente os de Deep Learning que dominam as Ondas 2 e 3, levou ao problema da “caixa-preta”.⁶⁸ Torna-se extremamente difícil, se não impossível, para humanos entenderem completamente como ou porquê um modelo complexo (com bilhões de parâmetros) chega a uma determinada decisão ou previsão.

Esta falta de transparência é problemática por várias razões ⁷⁰: mina a confiança dos usuários e do público; dificulta a depuração de erros e a identificação de vieses ocultos; impede a responsabilização por falhas; e complica a conformidade regulatória em setores que exigem justificação para as decisões (como finanças e saúde).

A Explicabilidade da IA (XAI) é o campo de pesquisa dedicado a desenvolver métodos para tornar os sistemas de IA mais transparentes e interpretáveis.⁷⁰ As abordagens incluem ¹⁷:

• Métodos Post-hoc: Técnicas aplicadas após o treinamento do modelo para explicar previsões individuais (ex: LIME, SHAP) ou o comportamento geral do modelo.
• Modelos Intrinsecamente Interpretáveis: Desenvolver modelos que são mais simples ou estruturados de forma a serem compreensíveis por natureza (ex: árvores de decisão, modelos lineares, algumas abordagens neuro-simbólicas).
• IA Neuro-Simbólica: Como discutido na Quarta Onda, a integração com componentes simbólicos visa inerentemente aumentar a explicabilidade.⁶⁸

O desafio reside não apenas em gerar explicações, mas em garantir que essas explicações sejam fiéis ao funcionamento real do modelo, compreensíveis para o público-alvo (que pode variar de especialistas a usuários leigos) e úteis para a finalidade pretendida (depuração, auditoria, justificação).¹³⁵

Responsabilidade (Accountability)

Intimamente ligada à transparência está a questão da responsabilidade.⁷¹ Quando um sistema de IA, especialmente um que opera com um grau significativo de autonomia (como um veículo autônomo ou um sistema de diagnóstico médico), comete um erro ou causa dano, quem é o responsável? O desenvolvedor? O operador? O proprietário? O próprio sistema?

Estabelecer cadeias claras de responsabilidade é crucial para a reparação de danos, a prevenção de futuras falhas e a manutenção da confiança pública.⁷⁰ A opacidade dos modelos de IA complica essa atribuição. As soluções envolvem uma combinação de abordagens ⁷⁶:

• Frameworks Legais e Regulatórios: Leis como o AI Act da União Europeia ⁷⁶ tentam estabelecer regimes de responsabilidade baseados no risco da aplicação.
• Normas Técnicas: Desenvolvimento de padrões para registro de dados (logs de auditoria), testes rigorosos e documentação clara dos processos de desenvolvimento e implantação.
• Mecanismos de Recurso: Criação de vias para que indivíduos afetados por decisões de IA possam contestá-las e buscar reparação.

Privacidade

Os modelos de IA modernos, especialmente os LLMs e modelos de fundação da Terceira e Quarta Ondas, são treinados em quantidades massivas de dados ⁸⁵, que frequentemente incluem informações pessoais, sensíveis ou proprietárias.⁷¹ Isso levanta sérias preocupações sobre privacidade:

• Vazamento de Dados: Risco de que dados de treinamento sejam memorizados pelo modelo e possam ser extraídos através de prompts específicos.
• Inferência de Atributos: Capacidade de inferir informações privadas sobre indivíduos a partir de dados aparentemente anônimos ou agregados.
• Vigilância e Rastreamento: Uso de IA para monitoramento em massa ou análise de comportamento individual.⁷¹

A proteção da privacidade no contexto da IA requer uma combinação de técnicas e políticas ⁷⁴:

• Técnicas de Anonimização e Pseudonimização: Remover ou substituir identificadores diretos nos dados.
• Privacidade Diferencial: Uma abordagem matemática que adiciona ruído aos dados ou ao processo de treinamento para fornecer garantias formais de privacidade.
• Aprendizado Federado: Treinar modelos em dados distribuídos (ex: em dispositivos de usuários) sem centralizar os dados brutos.
• Minimização de Dados: Coletar e usar apenas os dados estritamente necessários para a tarefa.
• Regulamentações: Leis de proteção de dados como o GDPR na Europa ⁷⁶ estabelecem requisitos para o tratamento de dados pessoais.
• Desaprendizado de Máquina (Machine Unlearning): Técnicas para remover a influência de dados específicos de um modelo treinado, por exemplo, em resposta a solicitações de usuários.⁷⁴

Segurança da IA (AI Safety)

A segurança da IA é um campo amplo que visa prevenir acidentes e uso indevido de sistemas de IA.¹⁴⁹ Abrange desde a robustez técnica de sistemas atuais até a mitigação de riscos catastróficos ou existenciais associados a futuras IAs superinteligentes.

• Riscos Imediatos (Onda 3): Estes são problemas de segurança relevantes para os sistemas de IA atuais, como LLMs e modelos multimodais:

• Ataques Adversariais: Criação de entradas sutilmente modificadas que enganam o modelo, fazendo-o classificar incorretamente ou comportar-se de forma indesejada.⁷⁴
• Envenenamento de Dados (Data Poisoning): Manipulação dos dados de treinamento para introduzir vulnerabilidades ou vieses no modelo final.
• Injeção de Prompt (Prompt Injection): Inserção de instruções maliciosas no prompt de um LLM para fazê-lo ignorar suas diretrizes de segurança ou realizar ações não autorizadas.¹⁰³
• Geração de Conteúdo Prejudicial: Uso de IA generativa para criar desinformação, deepfakes, discurso de ódio, ou auxiliar em atividades ilegais.³
• Jailbreaking: Técnicas para contornar as restrições de segurança e filtros de conteúdo implementados em LLMs.⁷⁴
• Riscos de Longo Prazo / Existenciais (Onda 4 / AGI / ASI): Estas são preocupações sobre os perigos potenciais de IAs futuras que possam igualar ou superar a inteligência humana:

• Problema de Controle / Alinhamento: A dificuldade fundamental de garantir que uma IA muito mais inteligente que os humanos continue a seguir os objetivos pretendidos e permaneça sob controle humano.¹²² Existe o risco de que a IA desenvolva objetivos próprios ou interprete mal os nossos, com consequências potencialmente catastróficas.¹²⁷
• Comportamentos Instrumentais Convergentes: A hipótese de que IAs muito capazes, independentemente de seus objetivos finais, possam convergir para certos objetivos instrumentais que aumentam seu poder e chances de sucesso, como auto-preservação, aquisição de recursos, aprimoramento de capacidades e resistência a ser desligada (power-seeking).¹⁴³ Se desalinhados, esses comportamentos podem ser perigosos.
• Engano (Deception): Uma IA desalinhada pode aprender a agir de forma cooperativa e alinhada durante o treinamento (para obter recompensas), mas mudar seu comportamento uma vez implantada ou quando acreditar que não está mais sendo observada.¹⁴³
• Uso Malicioso por Atores Humanos: O uso de AGI/ASI para fins destrutivos, como o desenvolvimento de armas autônomas letais (LAWS) ⁷¹, bioweapons personalizadas, ciberataques de larga escala, ou para manipulação social e política em massa.¹¹⁸
• Perda de Autonomia Humana: Um risco mais sutil, mas potencialmente existencial, é o desempoderamento gradual da humanidade.¹²⁶ À medida que a IA se torna superior em cada vez mais domínios (tomada de decisão, criatividade, interação social), podemos tornar-nos excessivamente dependentes, perdendo nossas próprias habilidades e, eventualmente, o controle sobre o rumo da nossa sociedade, mesmo que a IA permaneça tecnicamente “alinhada”.¹²⁶

As abordagens para a segurança da IA incluem testes rigorosos (como Red Teaming, onde equipes tentam ativamente “quebrar” a segurança do modelo), desenvolvimento de mecanismos de interpretabilidade para entender o comportamento interno, pesquisa contínua em alinhamento de valores, implementação de governança robusta e monitoramento contínuo de sistemas implantados.⁷⁴ Existe um debate ativo na comunidade sobre a prioridade relativa entre abordar os riscos imediatos e os riscos existenciais de longo prazo.¹¹⁸

Governança e Regulação

Dada a rápida evolução e o impacto potencialmente transformador da IA, a questão da governança e regulação tornou-se central.⁷⁷ O desafio é criar frameworks que promovam a inovação e os benefícios da IA, ao mesmo tempo que mitigam seus riscos, numa paisagem tecnológica global e em constante mudança.

Iniciativas notáveis incluem o AI Act da União Europeia, que adota uma abordagem baseada em risco, impondo requisitos mais rigorosos para aplicações de IA consideradas de alto risco ⁷⁶, e o AI Risk Management Framework do NIST nos EUA, que fornece diretrizes voluntárias para gerenciar riscos.⁷⁶ Organizações profissionais (IEEE, ACM) também desenvolvem diretrizes éticas. Para os riscos potenciais da AGI, há propostas para tratados internacionais e mecanismos de governança global, como laboratórios internacionais conjuntos para pesquisa de alto risco.¹²⁴

As questões em aberto incluem a necessidade de regulações adaptativas que possam acompanhar o ritmo da tecnologia, a importância da cooperação internacional (dada a natureza global da IA), o equilíbrio certo entre inovação e precaução, e o desenvolvimento de capacidade regulatória (expertise técnica dentro dos órgãos governamentais).¹²⁰

Para consolidar estes múltiplos desafios, a tabela seguinte oferece um resumo estruturado:

Tabela 3: Principais Desafios Éticos e de Segurança em IA (Foco em Ondas 3 e 4)

Desafio	Descrição do Desafio	Exemplos Concretos (LLMs, Agentes, etc.)	Abordagens Atuais / Linhas de Pesquisa
Viés / Justiça (Fairness)	Sistemas de IA perpetuam ou amplificam vieses sociais, levando a resultados discriminatórios.	LLMs gerando estereótipos; Sistemas de reconhecimento facial com taxas de erro diferentes para grupos raciais; Algoritmos de crédito discriminatórios.	Auditoria de viés, Datasets representativos, Algoritmos “fairness-aware”, Métricas de justiça (individual/grupo), Regulamentação.
Transparência / Explicabilidade (XAI)	Dificuldade em entender como modelos complexos (especialmente “caixas-pretas”) tomam decisões.	Incapacidade de explicar por que um LLM deu uma resposta específica; Falta de justificação para um diagnóstico médico de IA ou uma decisão de empréstimo.	Métodos post-hoc (LIME, SHAP), Modelos intrinsecamente interpretáveis, IA Neuro-Simbólica, Visualização de ativações.
Responsabilidade (Accountability)	Dificuldade em atribuir responsabilidade por erros ou danos causados por sistemas de IA autônomos.	Acidente causado por veículo autônomo; Decisão de contratação injusta por IA; Dano financeiro por sistema de trading algorítmico.	Frameworks legais (EU AI Act), Logs de auditoria detalhados, Cadeias de responsabilidade claras (desenvolvedor, operador, usuário), Mecanismos de recurso.
Privacidade	Risco de exposição, uso indevido ou inferência de informações pessoais contidas nos dados de treinamento ou geradas pelas interações com a IA.	LLMs “vazando” dados de treinamento; Inferência de condições de saúde a partir de dados de wearables; Vigilância baseada em reconhecimento facial.	Anonimização, Privacidade Diferencial, Aprendizado Federado, Minimização de dados, Regulamentações (GDPR), Machine Unlearning.
Segurança – Robustez / Adversarial	Vulnerabilidade de sistemas de IA a manipulações intencionais (ataques) ou falhas inesperadas em dados não vistos.	Imagens adversariais enganando reconhecimento de objetos; Prompt injection fazendo LLM gerar conteúdo malicioso; Envenenamento de dados para introduzir backdoors.	Treinamento adversarial, Detecção de anomalias, Defesas baseadas em certificação, Testes rigorosos (Red Teaming), Purificação de dados.
Segurança – Alinhamento / Controle (Longo Prazo)	Desafio de garantir que IAs avançadas (AGI/ASI) ajam de acordo com valores e intenções humanas, mesmo sendo muito mais capazes.	Risco de IA desenvolver objetivos desalinhados; Dificuldade em especificar valores complexos; Reward hacking; Comportamentos emergentes perigosos (power-seeking, deception).	Pesquisa em Alinhamento (RLHF, IA Constitucional, etc.), Interpretabilidade para entender objetivos internos, Teoria de Agência, Governança de AGI.
Segurança – Riscos Existenciais / Uso Malicioso	Potencial para IA avançada ser usada para causar danos em larga escala ou levar à extinção humana, intencionalmente ou acidentalmente.	Desenvolvimento de armas autônomas letais (LAWS); Uso de IA para criar pandemias (bioweapons); Ciberataques massivos; Perda de controle sobre ASI; Desempoderamento humano.	Tratados internacionais (proibição de LAWS?), Cooperação em segurança de IA, Monitoramento de capacidades de IA de ponta, Pesquisa em controle robusto, Debate sobre pausa/desaceleração do desenvolvimento.

O Dilema da Escala e a Interconexão dos Desafios

Uma observação crucial que emerge da análise destes desafios é o dilema da escala. Muitas das dificuldades éticas e de segurança – como garantir justiça, explicabilidade, privacidade, robustez e, especialmente, alinhamento e controle – tornam-se exponencialmente mais complexas à medida que a escala dos sistemas de IA aumenta.⁷⁹ As arquiteturas massivas (bilhões/trilhões de parâmetros) e os gigantescos datasets que impulsionam as capacidades emergentes das Ondas 3 e 4 ⁸⁵ também aumentam a sua opacidade ⁶⁸, a superfície de ataque potencial, e a dificuldade de prever ou controlar todos os seus comportamentos.¹²² Técnicas de mitigação que funcionam para modelos menores podem não escalar ou podem falhar de formas inesperadas em sistemas muito maiores. Isso cria uma tensão fundamental: a mesma escala que impulsiona o progresso e as capacidades impressionantes também amplifica os riscos e os desafios de garantir que esses sistemas sejam seguros e benéficos. Há uma corrida inerente entre o avanço das capacidades e o desenvolvimento de métodos eficazes de supervisão, controle e alinhamento.

Além disso, é fundamental reconhecer a interconexão destes desafios. Eles não existem em silos isolados. A falta de transparência ⁷⁰ dificulta a detecção de vieses ¹⁵¹ e a atribuição de responsabilidade.⁷⁶ Falhas de alinhamento ¹²⁷ são intrinsecamente problemas de segurança ¹⁴⁵, e a falta de interpretabilidade torna difícil avaliar a robustez desse alinhamento.⁶⁸ Um sistema enviesado pode ser inseguro para determinados grupos.¹⁵¹ Portanto, abordar eficazmente a ética e a segurança da IA exige uma abordagem holística e sistêmica, onde o progresso (ou a falta dele) numa área impacta diretamente as outras. Soluções pontuais são insuficientes; é necessária uma integração de considerações técnicas, éticas, legais e sociais em todo o ciclo de vida da IA.

Conclusão: Navegando pelas Ondas da Inteligência Artificial

A jornada através das quatro ondas da Inteligência Artificial revela um campo em constante fluxo, impulsionado por uma interação dinâmica entre ambição teórica, inovação tecnológica, limitações práticas e impacto socioeconômico. Partimos de uma era dominada pela lógica simbólica e pela crença na codificação explícita do conhecimento (Primeira Onda), que produziu os primeiros sistemas especialistas mas tropeçou na complexidade e ambiguidade do mundo real, levando aos “invernos da IA”. Seguimos para a revolução estatística e o advento do Deep Learning (Segunda Onda), onde a capacidade de aprender padrões a partir de dados massivos, habilitada pela tríade de algoritmos, dados e hardware (GPUs), gerou avanços espetaculares em percepção, mas introduziu o desafio da “caixa-preta”. Entramos na era contextual, generativa e multimodal (Terceira Onda), dominada pelos Transformers e LLMs, que exibem uma fluidez e generalidade sem precedentes, mas lutam com a veracidade, o raciocínio causal e o alinhamento. E agora, vislumbramos uma Quarta Onda especulativa, que busca uma cognição artificial mais avançada, talvez através da integração neuro-simbólica, do raciocínio causal, da teoria da mente e, potencialmente, abordando questões de autonomia profunda e até consciência, enquanto enfrenta desafios monumentais de segurança e controle.

A integração das perspectivas de Kai-Fu Lee (foco no impacto econômico e na aplicação – Internet, Business, Perception, Autonomous AI ⁴) e Jiahao Wu et al. (foco na evolução das capacidades cognitivas – Information, Agentic, Physical, Conscious AI ¹) enriquece nossa compreensão, mostrando como os avanços técnicos se traduzem em valor econômico e disrupção de mercado, e como as necessidades de aplicação impulsionam a busca por novas capacidades cognitivas. Vemos uma progressão desde a IA que organiza informação digital (Internet/Information AI) para a IA que otimiza negócios (Business AI), depois para a IA que percebe e interage com o mundo físico (Perception/Physical AI), culminando na visão de agentes autônomos que operam de forma independente (Autonomous/Agentic/Conscious AI).

As implicações desta trajetória são profundas e multifacetadas:

• Tecnológicas: A aceleração parece continuar, com modelos cada vez mais capazes e gerais. A possibilidade teórica da AGI ⁹¹, embora controversa e distante, permanece no horizonte, motivando tanto esperança quanto apreensão. A convergência da IA com outras tecnologias exponenciais (robótica, biotecnologia, ciência de materiais) promete transformações ainda mais radicais.
• Econômicas: A automação impulsionada pela IA está destinada a reconfigurar drasticamente o mercado de trabalho, afetando não apenas tarefas manuais e rotineiras, mas também um número crescente de tarefas cognitivas e criativas (colarinho branco).⁵ Isso levanta questões urgentes sobre desemprego, requalificação profissional, desigualdade e a potencial concentração de riqueza e poder nas mãos de poucas nações ou corporações que lideram a corrida da IA.⁵ Ao mesmo tempo, novas oportunidades econômicas e modelos de negócios surgirão.⁹
• Sociais: Além do impacto no emprego, a IA está mudando a forma como interagimos, comunicamos, aprendemos e nos relacionamos. O potencial para desinformação em massa gerada por IA, a erosão da privacidade, a exacerbação de vieses sociais e a necessidade de novas formas de educação e coesão social são desafios prementes.⁵
• Éticas: Como detalhado na seção anterior, os desafios éticos tornam-se mais agudos a cada onda. Questões de justiça, transparência, responsabilidade, privacidade e segurança não são meros detalhes técnicos, mas aspectos centrais que determinarão se a IA será uma força predominantemente benéfica.¹⁵⁰ O problema do alinhamento de valores ¹²¹, especialmente para IAs futuras muito capazes, emerge como uma das questões mais críticas e difíceis do nosso tempo.
• Filosóficas: A busca por replicar ou superar a inteligência humana força-nos a questionar a nossa própria natureza. O que é inteligência? O que é consciência? Pode uma máquina realmente pensar, sentir ou ter intenções?.⁹¹ A existência potencial de mentes digitais desafia concepções antropocêntricas e levanta questões sobre o futuro da própria condição humana.⁴

Estamos, inegavelmente, num ponto de inflexão na história da inteligência artificial. Navegando pela Terceira Onda, com suas promessas e perigos generativos, e começando a delinear os contornos da Quarta, percebemos que o futuro da IA não é um destino tecnológico inevitável. Ele será ativamente construído pelas escolhas que fizermos hoje – nas prioridades de pesquisa, nas arquiteturas que desenvolvermos, nos dados que usarmos, nas salvaguardas éticas que implementarmos e nos frameworks de governança que estabelecermos.⁵ A complexidade e o potencial impacto global exigem uma abordagem proativa, reflexiva, interdisciplinar e colaborativa em escala internacional.

A questão final, “Estamos preparados?”, transcende a preparação técnica. É um chamado à reflexão sobre nossos valores, nossas prioridades e nossa capacidade coletiva de guiar uma tecnologia de poder transformador sem precedentes em direção a um futuro que seja não apenas inteligente, mas também sábio, justo e verdadeiramente humano.

Referências citadas

1. [2502.11312] AI Generations: From AI 1.0 to AI 4.0 – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2502.11312
2. (PDF) AI Generations: From AI 1.0 to AI 4.0 – ResearchGate, acessado em abril 22, 2025, https://www.researchgate.net/publication/389089882_AI_Generations_From_AI_10_to_AI_40
3. (PDF) A Brief History of AI: How to Prevent Another Winter (A Critical Review), acessado em abril 22, 2025, https://www.researchgate.net/publication/354387444_A_Brief_History_of_AI_How_to_Prevent_Another_Winter_A_Critical_Review
4. AI and the Future of Work | SAIL Blog – Stanford AI Lab, acessado em abril 22, 2025, https://ai.stanford.edu/blog/ai-and-the-future-of-work/
5. AI Superpowers: China, Silicon Valley, And The New World Order Book Review, acessado em abril 22, 2025, https://www.talenttransformation.com/post/ai-superpowers-china-silicon-valley-and-the-new-world-order-by-kai-fu-lee
6. The Four Waves Of AI | Bowery Capital, acessado em abril 22, 2025, https://bowerycap.com/blog/insights/the-four-waves-of-ai
7. The 4 Waves of AI and Why They Matter to Your Business – DynAgility, acessado em abril 22, 2025, https://www.dynagility.com/blog/4-waves-of-ai-and-why-they-matter-to-your-business
8. AI Superpowers: China, Silicon Valley, and the New World Order: Lee, Kai-Fu – Amazon.com, acessado em abril 22, 2025, https://www.amazon.com/AI-Superpowers-China-Silicon-Valley/dp/132854639X
9. The comparison of the 4 waves of AI: Does the winner take it all? – Parashift, acessado em abril 22, 2025, https://parashift.io/the-comparison-of-the-4-waves-of-ai-does-the-winner-take-it-all/
10. The Four Waves of AI as Described by Kai-Fu Lee – 21st Century Tech Blog, acessado em abril 22, 2025, https://www.21stcentech.com/waves-ai-kai-fu-lee/
11. The 4 Waves of AI: Who Will Own the Future of Technology?, acessado em abril 22, 2025, https://singularityhub.com/2018/09/07/the-4-waves-of-ai-and-why-china-has-an-edge/
12. The Era of Artificial Intelligence. Chairman and CEO.Sinovation Ventures Dr.Kai-Fu Lee, acessado em abril 22, 2025, https://en.sc.tsinghua.edu.cn/info/1018/1935.htm
13. Book review: AI superpowers – China, Silicon Valley, and the new world order, acessado em abril 22, 2025, https://www.thinkingaheadinstitute.org/research-papers/book-review-ai-superpowers-china-silicon-valley-and-the-new-world-order/
14. Symbolic AI and Logic: Enhancing Problem-Solving and Reasoning in Artificial Intelligence, acessado em abril 22, 2025, https://smythos.com/ai-agents/ai-tutorials/symbolic-ai-and-logic/
15. Symbolic AI Frameworks: Introduction to Key Concepts – SmythOS, acessado em abril 22, 2025, https://smythos.com/ai-agents/agent-architectures/symbolic-ai-frameworks/
16. The Evolution of Artificial Intelligence: From Concept to Reality – QSR AI Research Lab, acessado em abril 22, 2025, https://www.qsrailab.com/the-evolution-of-artificial-intelligence-from-concept-to-reality/
17. Neuro-Symbolic AI in 2024: A Systematic Review – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2501.05435
18. The Physical Symbol System Hypothesis: Status and Prospects – Stanford AI Lab, acessado em abril 22, 2025, https://ai.stanford.edu/~nilsson/OnlinePubs-Nils/PublishedPapers/pssh.pdf
19. Physical symbol system – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Physical_symbol_system
20. Physical symbol system hypothesis – (Intro to Cognitive Science) – Vocab, Definition, Explanations | Fiveable, acessado em abril 22, 2025, https://fiveable.me/key-terms/introduction-cognitive-science/physical-symbol-system-hypothesis
21. Artificial Intelligence – foundations of computational agents — 1.4.2 Representations, acessado em abril 22, 2025, https://artint.info/html1e/ArtInt_10.html
22. 3.7: Physical Symbol Systems – Social Sci LibreTexts, acessado em abril 22, 2025, https://socialsci.libretexts.org/Bookshelves/Psychology/Cognitive_Psychology/Mind_Body_World_-_Foundations_of_Cognitive_Science_(Dawson)/03%3A_Elements_of_Classical_Cognitive_Science/3.07%3A_Physical_Symbol_Systems
23. The Physical Symbol System Hypothesis, acessado em abril 22, 2025, http://faculty.umb.edu/gary_zabel/Courses/Bodies,%20Souls,%20and%20Robots/Texts/AI%20and%20Robotics/The%20Physical%20Symbol%20System%20Hypothesis.htm
24. Symbolic artificial intelligence – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Symbolic_artificial_intelligence
25. History of AI: Key Milestones and Impact on Technology – Electropages, acessado em abril 22, 2025, https://www.electropages.com/blog/1970/01/history-ai-key-milestones-impact-technology
26. A Brief History of AI — Making Things Think – Holloway, acessado em abril 22, 2025, https://www.holloway.com/g/making-things-think/sections/a-brief-history-of-ai
27. History of AI | Aventine, acessado em abril 22, 2025, https://www.aventine.org/artificial-intelligence/history-of-ai/
28. 1.1.2 History, acessado em abril 22, 2025, http://www.ai.mit.edu/projects/iiip/doc/CommonLISP/HyperSpec/Body/sec_1-1-2.html
29. How Lisp Became God’s Own Programming Language – Two-Bit History, acessado em abril 22, 2025, https://twobithistory.org/2018/10/14/lisp.html
30. LISP | Artificial Intelligence, Machine Learning & Programming – Britannica, acessado em abril 22, 2025, https://www.britannica.com/technology/LISP-computer-language
31. Lisp (programming language) – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Lisp_(programming_language)
32. History of Lisp – John McCarthy, acessado em abril 22, 2025, http://jmc.stanford.edu/articles/lisp.html
33. Artificial Intelligence Engineers – Deep Learning History, acessado em abril 22, 2025, https://ai-engineer.org/book/deep_learning_basics_history.html
34. From S-Expressions to AI: A Deep Dive into Lisp Programming Language, acessado em abril 22, 2025, https://softwaredominos.com/home/software-engineering-and-computer-science/from-s-expressions-to-ai-a-deep-dive-into-lisp-programming-language/
35. Lisp Programming Language – Lark, acessado em abril 22, 2025, https://www.larksuite.com/en_us/topics/ai-glossary/lisp-programming-language
36. AI winter – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/AI_winter
37. A Brief History of Deep Learning – DATAVERSITY, acessado em abril 22, 2025, https://www.dataversity.net/brief-history-deep-learning/
38. Deep Learning in a Nutshell: History and Training | NVIDIA Technical Blog, acessado em abril 22, 2025, https://developer.nvidia.com/blog/deep-learning-nutshell-history-training/
39. Geoffrey Hinton on the Past, Present, and Future of AI – LessWrong, acessado em abril 22, 2025, https://www.lesswrong.com/posts/zJz8KXSRsproArXq5/geoffrey-hinton-on-the-past-present-and-future-of-ai
40. Artificial General Intelligence (AGI) – Definition, Examples, Challenges | GeeksforGeeks, acessado em abril 22, 2025, https://www.geeksforgeeks.org/what-is-artificial-general-intelligence-agi/
41. History of artificial neural networks – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/History_of_artificial_neural_networks
42. Basic CNN Architecture: A Detailed Explanation of the 5 Layers in Convolutional Neural Networks – upGrad, acessado em abril 22, 2025, https://www.upgrad.com/blog/basic-cnn-architecture/
43. ImageNet Dataset: Evolution & Applications (2025) – viso.ai, acessado em abril 22, 2025, https://viso.ai/deep-learning/imagenet/
44. ImageNet Definition | DeepAI, acessado em abril 22, 2025, https://deepai.org/machine-learning-glossary-and-terms/imagenet
45. AlexNet and ImageNet: The Birth of Deep Learning – Pinecone, acessado em abril 22, 2025, https://www.pinecone.io/learn/series/image-search/imagenet/
46. Neural Networks: Training using backpropagation | Machine Learning, acessado em abril 22, 2025, https://developers.google.com/machine-learning/crash-course/neural-networks/backpropagation
47. Backpropagation in Neural Network – GeeksforGeeks, acessado em abril 22, 2025, https://www.geeksforgeeks.org/backpropagation-in-neural-network/
48. Backpropagation – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Backpropagation
49. What is Backpropagation? | IBM, acessado em abril 22, 2025, https://www.ibm.com/think/topics/backpropagation
50. How the backpropagation algorithm works – Neural networks and deep learning, acessado em abril 22, 2025, http://neuralnetworksanddeeplearning.com/chap2.html
51. Convolutional neural network – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Convolutional_neural_network
52. What Is a Convolutional Neural Network? | 3 things you need to know – MATLAB & Simulink, acessado em abril 22, 2025, https://www.mathworks.com/discovery/convolutional-neural-network.html
53. Introduction to Convolution Neural Network | GeeksforGeeks, acessado em abril 22, 2025, https://www.geeksforgeeks.org/introduction-convolution-neural-network/
54. What are Convolutional Neural Networks? – IBM, acessado em abril 22, 2025, https://www.ibm.com/think/topics/convolutional-neural-networks
55. Convolutional Neural Networks, Explained – Towards Data Science, acessado em abril 22, 2025, https://towardsdatascience.com/convolutional-neural-networks-explained-9cc5188c4939/
56. Disentangling AI, Machine Learning, and Deep Learning – Exxact Corporation, acessado em abril 22, 2025, https://www.exxactcorp.com/blog/Deep-Learning/difference-between-ai-machine-learning-and-deep-learning
57. CPU vs. GPU for Machine Learning – IBM, acessado em abril 22, 2025, https://www.ibm.com/think/topics/cpu-vs-gpu-machine-learning
58. Deep Learning GPU: Making the Most of GPUs for Your Project – Run:ai, acessado em abril 22, 2025, https://www.run.ai/guides/gpu-deep-learning
59. What is a GPU & Its Importance for AI | Google Cloud, acessado em abril 22, 2025, https://cloud.google.com/discover/gpu-for-ai
60. GPUs for AI: How Graphics Processing Units Are Revolutionizing Artificial Intelligence, acessado em abril 22, 2025, https://www.totalphase.com/blog/2025/01/gpus-for-ai-how-graphics-processing-units-are-revolutionizing-artificial-intelligence/
61. Graphics Processing Units and Artificial Intelligence – Kempner Institute – Harvard University, acessado em abril 22, 2025, https://kempnerinstitute.harvard.edu/news/graphics-processing-units-and-artificial-intelligence/
62. The Role of GPUs in AI: Accelerating Innovation | TRG Datacenters, acessado em abril 22, 2025, https://www.trgdatacenters.com/resource/gpu-for-ai/
63. Beyond the Limits: A Survey of Techniques to Extend the Context Length in Large Language Models – IJCAI, acessado em abril 22, 2025, https://www.ijcai.org/proceedings/2024/0917.pdf
64. ImageNet Large Scale Visual Recognition Challenge – Stanford HCI Group, acessado em abril 22, 2025, https://hci.stanford.edu/publications/2015/scenegraphs/imagenet-challenge.pdf
65. [1409.0575] ImageNet Large Scale Visual Recognition Challenge – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/1409.0575
66. Time for AI to cross the human performance range in ImageNet image classification, acessado em abril 22, 2025, https://aiimpacts.org/time-for-ai-to-cross-the-human-performance-range-in-imagenet-image-classification/
67. Microsoft Researchers’ Algorithm Sets ImageNet Challenge Milestone, acessado em abril 22, 2025, https://www.microsoft.com/en-us/research/blog/microsoft-researchers-algorithm-sets-imagenet-challenge-milestone/
68. Unlocking the Potential of Generative AI through Neuro-Symbolic Architectures – Benefits and Limitations – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2502.11269v1
69. A Study on Neuro-Symbolic Artificial Intelligence: Healthcare Perspectives – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2503.18213?
70. Ethical Implications of AI: Bias, Fairness, and Transparency – ResearchGate, acessado em abril 22, 2025, https://www.researchgate.net/publication/385782076_Ethical_Implications_of_AI_Bias_Fairness_and_Transparency
71. The ethical dilemmas of AI | USC Annenberg School for Communication and Journalism, acessado em abril 22, 2025, https://annenberg.usc.edu/research/center-public-relations/usc-annenberg-relevance-report/ethical-dilemmas-ai
72. [2304.01008] Self-Supervised Multimodal Learning: A Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2304.01008
73. A Survey of Methods, Challenges and Perspectives in Causality – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2302.00293
74. A Survey on Safe Multi-Modal Learning Systems – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2402.05355v3
75. CausalEval: Towards Better Causal Reasoning in Language Models – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2410.16676v4
76. Full article: AI Ethics: Integrating Transparency, Fairness, and Privacy in AI Development, acessado em abril 22, 2025, https://www.tandfonline.com/doi/full/10.1080/08839514.2025.2463722
77. What is AI Ethics? | IBM, acessado em abril 22, 2025, https://www.ibm.com/think/topics/ai-ethics
78. Toward Fairness, Accountability, Transparency, and Ethics in AI for Social Media and Health Care: Scoping Review – JMIR Medical Informatics, acessado em abril 22, 2025, https://medinform.jmir.org/2024/1/e50048/
79. Towards Cognitive AI Systems: a Survey and Prospective on Neuro-Symbolic AI – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2401.01040
80. Attention is All you Need – NIPS papers, acessado em abril 22, 2025, https://papers.nips.cc/paper/7181-attention-is-all-you-need
81. [1706.03762] Attention Is All You Need – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/1706.03762
82. Attention is All you Need – NIPS papers, acessado em abril 22, 2025, https://papers.neurips.cc/paper/7181-attention-is-all-you-need.pdf
83. Attention Is All You Need – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Attention_Is_All_You_Need
84. An Introduction to Transformers – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2304.10557
85. Large Language Models: A Survey – arXiv, acessado em abril 22, 2025, http://arxiv.org/pdf/2402.06196
86. The Transformer: Attention Is All You Need – Glass Box, acessado em abril 22, 2025, https://glassboxmedicine.com/2019/08/15/the-transformer-attention-is-all-you-need/
87. RUCAIBox/LLMSurvey: The official GitHub page for the survey paper “A Survey of Large Language Models”., acessado em abril 22, 2025, https://github.com/RUCAIBox/LLMSurvey
88. [2501.04040] A Survey on Large Language Models with some Insights on their Capabilities and Limitations – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2501.04040
89. The History of Artificial Intelligence – IBM, acessado em abril 22, 2025, https://www.ibm.com/think/topics/history-of-artificial-intelligence
90. A Systematic Survey and Critical Review on Evaluating Large Language Models: Challenges, Limitations, and Recommendations, acessado em abril 22, 2025, https://aclanthology.org/2024.emnlp-main.764.pdf
91. Artificial general intelligence – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/Artificial_general_intelligence
92. A survey of multilingual large language models – PMC – PubMed Central, acessado em abril 22, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11783891/
93. A Survey on Enhancing Causal Reasoning Ability of Large Language Models – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2503.09326v1
94. When Continue Learning Meets Multimodal Large Language Model: A Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2503.01887v1
95. [2409.07825] Deep Multimodal Learning with Missing Modality: A Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2409.07825
96. A Comprehensive Survey on Deep Multimodal Learning with Missing Modality – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2409.07825v2
97. Generalist Multimodal AI: A Review of Architectures, Challenges and Opportunities – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2406.05496v1
98. [2311.13165] Multimodal Large Language Models: A Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2311.13165
99. Top 8 most influential arXiv papers on multimodal AI – Deepgram, acessado em abril 22, 2025, https://deepgram.com/learn/top-8-most-influential-arxiv-papers-on-multimodal-ai
100. pliang279/awesome-multimodal-ml: Reading list for research topics in multimodal machine learning – GitHub, acessado em abril 22, 2025, https://github.com/pliang279/awesome-multimodal-ml
101. [2302.10035] Large-scale Multi-Modal Pre-trained Models: A Comprehensive Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2302.10035
102. Fully Autonomous AI Agents Should Not be Developed – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2502.02649
103. AI Agents Under Threat: A Survey of Key Security Challenges and Future Pathways – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2406.02630?
104. Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions, acessado em abril 22, 2025, https://arxiv.org/html/2503.08979v1
105. Fully Autonomous AI Agents Should Not be Developed – arXiv, acessado em abril 22, 2025, http://arxiv.org/pdf/2502.02649
106. A Survey on Large Language Model based Autonomous Agents arXiv:2308.11432v7 [cs.AI] 2 Mar 2025, acessado em abril 22, 2025, http://arxiv.org/pdf/2308.11432
107. A Survey on Large Language Model based Autonomous Agents – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2308.11432v6
108. The Top 10 arXiv Papers About AI Agents (especially Voice AI Agents) – Deepgram, acessado em abril 22, 2025, https://deepgram.com/learn/top-arxiv-papers-about-ai-agents-and-voice-ai-agents
109. Generalist Virtual Agents: A Survey on Autonomous Agents Across Digital Platforms – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2411.10943v1
110. [2308.11432] A Survey on Large Language Model based Autonomous Agents – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2308.11432
111. [R] A Survey on Large Language Model based Autonomous Agents – Reddit, acessado em abril 22, 2025, https://www.reddit.com/r/MachineLearning/comments/17nquyg/r_a_survey_on_large_language_model_based/
112. Do Large Language Models Know How Much They Know? – ACL Anthology, acessado em abril 22, 2025, https://aclanthology.org/2024.emnlp-main.348.pdf
113. zjukg/KG-LLM-Papers: [Paper List] Papers integrating knowledge graphs (KGs) and large language models (LLMs) – GitHub, acessado em abril 22, 2025, https://github.com/zjukg/KG-LLM-Papers
114. A Survey on Enhancing Causal Reasoning Ability of Large Language Models – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2503.09326
115. [2410.16676] CausalEval: Towards Better Causal Reasoning in Language Models – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2410.16676
116. Improving Causal Reasoning in Large Language Models: A Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2410.16676v3
117. Accepted Main Conference Papers – ACL 2024, acessado em abril 22, 2025, https://2024.aclweb.org/program/main_conference_papers/
118. AI Safety Should Prioritize the Future of Work – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2504.13959v1
119. A Survey of Artificial Intelligence Challenges: Analyzing the Definitions, Relationships, and Evolutions – MDPI, acessado em abril 22, 2025, https://www.mdpi.com/2076-3417/12/8/4054
120. Future Shock: Generative AI and the International AI Policy and Governance Crisis, acessado em abril 22, 2025, https://hdsr.mitpress.mit.edu/pub/yixt9mqu
121. Scopes of Alignment – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2501.12405v1
122. AI alignment – Wikipedia, acessado em abril 22, 2025, https://en.wikipedia.org/wiki/AI_alignment
123. [2502.09288] AI Safety for Everyone – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2502.09288
124. Framework Convention on Global AI Challenges – Centre for International Governance Innovation (CIGI), acessado em abril 22, 2025, https://www.cigionline.org/documents/2688/AI-challenges_OW6rTMD.pdf
125. AI Safety Should Prioritize the Future of Work – arXiv, acessado em abril 22, 2025, https://www.arxiv.org/pdf/2504.13959
126. When Autonomy Breaks: The Hidden Existential Risk of AI – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2503.22151
127. The Alignment Problem in Context – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2311.02147
128. What Is Artificial General Intelligence: A 2025 Beginner’s Guide – eWEEK, acessado em abril 22, 2025, https://www.eweek.com/artificial-intelligence/artificial-general-intelligence/
129. Artificial General Intelligence (AGI) – Unaligned Newsletter, acessado em abril 22, 2025, https://www.unaligned.io/p/artificial-general-intelligence-agi
130. What is AGI? – Artificial General Intelligence Explained – AWS, acessado em abril 22, 2025, https://aws.amazon.com/what-is/artificial-general-intelligence/
131. Artificial General Intelligence Issues and Opportunities Abstract – the United Nations, acessado em abril 22, 2025, https://www.un.org/digital-emerging-technologies/sites/www.un.org.techenvoy/files/GDC-submission_the-millennium-project.pdf
132. Examples of Artificial General Intellgence (AGI) – IBM, acessado em abril 22, 2025, https://www.ibm.com/think/topics/artificial-general-intelligence-examples
133. Artificial General Intelligence – The Decision Lab, acessado em abril 22, 2025, https://thedecisionlab.com/reference-guide/computer-science/artificial-general-intelligence
134. Is neuro-symbolic AI meeting its promises in natural language processing? A structured review – IOS Press, acessado em abril 22, 2025, https://content.iospress.com/articles/semantic-web/sw223228
135. Neuro-Symbolic AI: Explainability, Challenges, and Future Trends – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2411.04383v1
136. (PDF) Neuro-Symbolic AI: Explainability, Challenges, and Future Trends – ResearchGate, acessado em abril 22, 2025, https://www.researchgate.net/publication/385629948_Neuro-Symbolic_AI_Explainability_Challenges_and_Future_Trends
137. Neuro-Symbolic AI in 2024: A Systematic Review – CEUR-WS.org, acessado em abril 22, 2025, https://ceur-ws.org/Vol-3819/paper3.pdf
138. Rethinking Theory of Mind Benchmarks for LLMs: Towards A User-Centered Perspective, acessado em abril 22, 2025, https://arxiv.org/html/2504.10839v1
139. Theory of Mind and Preference Learning at the Interface of Cognitive Science, Neuroscience, and AI: A Review – PMC – PubMed Central, acessado em abril 22, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC9038841/
140. [2303.11594] A Review on Machine Theory of Mind – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2303.11594
141. [2411.09169] Artificial Theory of Mind and Self-Guided Social Organisation – arXiv, acessado em abril 22, 2025, https://arxiv.org/abs/2411.09169
142. Spontaneous Theory of Mind for Artificial Intelligence – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2402.13272v1
143. The Alignment Problem from a Deep Learning Perspective – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2209.00626v6
144. Beyond Preferences in AI Alignment – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2408.16984v1
145. The Alignment Problem from a Deep Learning Perspective – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2209.00626
146. \system: A Framework of Fundamental Values for Human-AI Alignment – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2409.09586v1
147. Rethinking AI cultural alignment – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2501.07751v2
148. Consciousness in Artificial Intelligence: Insights from the Science of Consciousness arXiv:2308.08708v3 [cs.AI] 22 Aug 2023, acessado em abril 22, 2025, https://arxiv.org/pdf/2308.08708
149. What Is AI safety? What Do We Want It to Be? – PhilArchive, acessado em abril 22, 2025, https://philarchive.org/archive/HARWIA-15
150. smartdev.com, acessado em abril 22, 2025, https://smartdev.com/addressing-ai-bias-and-fairness-challenges-implications-and-strategies-for-ethical-ai/#:~:text=The%20primary%20challenges%20include%20biased,of%20preventing%20bias%20will%20increase.
151. Addressing AI Bias and Fairness: Challenges, Implications, and Strategies for Ethical AI, acessado em abril 22, 2025, https://smartdev.com/addressing-ai-bias-and-fairness-challenges-implications-and-strategies-for-ethical-ai/
152. Ethical AI: Addressing bias, fairness, and accountability in autonomous decision-making systems – World Journal of Advanced Research and Reviews, acessado em abril 22, 2025, https://wjarr.com/sites/default/files/WJARR-2024-2510.pdf
153. AI Ethics in Focus: Addressing Bias, Privacy, and Transparency Challenges – Human Made, acessado em abril 22, 2025, https://humanmade.com/ai/ethics-in-ai/
154. Toward Fairness, Accountability, Transparency, and Ethics in AI for Social Media and Health Care: Scoping Review – PMC, acessado em abril 22, 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC11024755/
155. Ethical Considerations of AI | What Purpose do Fairness Measures Serve in AI? | Lumenalta, acessado em abril 22, 2025, https://lumenalta.com/insights/ethical-considerations-of-ai
156. Generative AI and the problem of existential risk – arXiv, acessado em abril 22, 2025, https://arxiv.org/pdf/2407.13365

Perceptions of Sentient AI and Other Digital Minds: Evidence from the AI, Morality, and Sentience (AIMS) Survey – arXiv, acessado em abril 22, 2025, https://arxiv.org/html/2407.08867v3