Jack Clark prevê IA que se autoaperfeiçoa em 2027; veja impacto

Inteligência Artificial

Especialista atualiza previsão sobre avanços em IA capazes de autoaperfeiçoamento a partir de 2027.

Leia também: List of digital wallets: 7 apps que revolucionam seus pagamentos

O co-fundador da Anthropic, Jack Clark, antecipou para 2027 sua previsão de chegada de sistemas de inteligência artificial com capacidade de autoaperfeiçoamento recursivo, após novos dados mostrarem que modelos de ponta já superam grupos de 24 especialistas humanos em tarefas de desenho e interpretação de experimentos científicos, usando menos da metade do poder computacional.

A revisão se apoia no TasteVal, benchmark criado pelo laboratório P-Zero Research para medir a chamada “research taste” — a habilidade de escolher bons experimentos e extrair conclusões corretas — em modelos de IA. O modelo Opus 5.5, da própria Anthropic, lidera o ranking.

IA supera especialistas e dobra eficiência a cada três meses

O TasteVal reúne oito tarefas científicas diretamente ligadas ao desenvolvimento de modelos de linguagem, como seleção de dados de treino, pré-treinamento, ajuste fino guiado por preferências humanas e defesa contra ataques com prompts adversariais. Em todas elas, o objetivo de pesquisa já vem definido; o que está em jogo é a qualidade com que o sistema desenha os experimentos e interpreta os resultados.

Para estabelecer a linha de base humana, o P-Zero Research reuniu 24 especialistas que atuaram recentemente em grandes laboratórios de IA, com pelo menos dois profissionais por tarefa. O melhor desempenho humano em cada desafio serviu como referência.

Do lado das máquinas, todos os experimentos são executados por um agente de código fixo em uma única GPU Nvidia H100, com limite de 40 horas de GPU ou 120 horas de tempo real por execução. Assim, o benchmark isola a capacidade de pesquisa dos modelos, e não sua habilidade de programar.

Nesse cenário, o Opus 5.5 atingiu uma “compute multiplier” de 2,3. “O modelo Opus 5.5 atingiu uma compute multiplier de 2,3, alcançando resultados de especialistas com menos da metade do poder computacional”, afirma o P-Zero Research em sua documentação. Cada rodada automatizada custa cerca de um trigésimo do que foi gasto, em média, em uma tentativa humana.

Clark destaca que a curva de progresso nessa habilidade mudou de patamar. “A capacidade de pesquisa taste dobrou aproximadamente a cada três meses desde dezembro de 2025”, diz o co-fundador da Anthropic, citando o histórico de resultados do TasteVal. Há incerteza nessa taxa, com estimativas que variam de 1,7 a 5 meses para a duplicação da eficiência, mas o salto recente contrasta com um avanço considerado bem mais lento em períodos anteriores.

Entenda o contexto

O TasteVal traduz “research taste” em eficiência de uso de computação. A lógica é que, em pesquisa de IA, o poder de processamento para rodar experimentos é o recurso mais escasso; logo, quem escolhe melhor quais testes fazer e lê melhor seus resultados consegue mais progresso com o mesmo orçamento.

Na prática, o benchmark mede quanta computação um modelo precisa para igualar o desempenho de especialistas. Se um sistema atinge as mesmas pontuações gastando metade do poder computacional, considera-se que tem o dobro de “research taste” nesse recorte.

O próprio P-Zero Research faz ressalvas: “TasteVal mede a habilidade de projetar experimentos e interpretar resultados, mas não a escolha da direção da pesquisa”, registra o laboratório. A decisão sobre qual problema atacar — o coração da intuição científica — é pré-fixada nas oito tarefas.

Ainda assim, o resultado confronta um dos principais argumentos de céticos em relação a grandes saltos em IA: a ideia de que faltavam justamente criatividade experimental e capacidade de planejamento de pesquisa para que modelos passassem de assistentes avançados a agentes realmente autônomos.

Previsão de autoaperfeiçoamento recursivo é ajustada

Com o novo conjunto de dados, Jack Clark atualizou uma projeção que vinha defendendo em artigos anteriores. Ele trabalhava com probabilidades de 30% de surgimento de sistemas com autoaperfeiçoamento recursivo até 2027 e 60% até 2028; agora, passa a tratar 2027 como janela plausível para o primeiro salto.

“Colocar a previsão para autoaperfeiçoamento recursivo em 2027 é um reflexo dos avanços recentes em benchmarks como TasteVal”, afirma Clark. Para ele, a chave não é apenas mais poder de processamento ou modelos maiores, mas a criatividade de pesquisa que permite à IA descobrir, testar e validar caminhos técnicos melhores do que os atuais.

Autoaperfeiçoamento recursivo, nesse contexto, significa sistemas capazes de treinar sucessores mais potentes praticamente sozinhos: definindo hipóteses, propondo mudanças de arquitetura ou dados, rodando experimentos e escolhendo as melhores versões, com intervenção humana mínima. Não se trata apenas de automatizar partes do trabalho de pesquisa, mas de fechar um ciclo quase autônomo de inovação.

Clark reconhece, porém, o risco de viés na própria análise, já que o modelo líder do TasteVal é produzido pela empresa que co-fundou. Ele argumenta que o valor do benchmark está menos no pódio e mais na tendência de aceleração da eficiência, que poderia se repetir em outros laboratórios e tarefas.

Riscos, regulação e disputa entre laboratórios

Se a tendência medida pelo TasteVal se confirmar, laboratórios, startups e grandes empresas que já dominam infraestrutura de IA ganham vantagem competitiva, ao conseguir acelerar pesquisa com custos menores. O efeito pode ser sentido em áreas que vão de novos modelos de linguagem a aplicações em saúde, indústria e segurança.

Ao mesmo tempo, cresce a preocupação com controle, ética e governança desses sistemas. O próprio relatório do P-Zero Research alerta que a automação de pesquisa tende a tornar mais difícil para humanos auditar, em detalhes, cada passo dos experimentos, justamente porque modelos passam a decidir o que testar e como avaliar resultados.

Dentro dos grandes laboratórios, o debate já está aberto. Em textos recentes, a Anthropic argumenta que o autoaperfeiçoamento recursivo ainda não foi alcançado, mas “pode chegar antes do que a maior parte das instituições está preparada”. A empresa defende um ritmo mais controlado para o avanço da fronteira em IA, enquanto outras organizações condicionam qualquer forma de RSI à manutenção de supervisão humana rigorosa.

Para além das disputas técnicas, os próximos passos envolvem validar os resultados do TasteVal com outros conjuntos de tarefas, aprofundar pesquisas sobre segurança de sistemas autoaperfeiçoáveis e construir marcos regulatórios capazes de lidar com uma possível fase em que boa parte do progresso científico em IA seja conduzido por agentes artificiais.