<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Fernando Botti on Medium]]></title>
        <description><![CDATA[Stories by Fernando Botti on Medium]]></description>
        <link>https://medium.com/@fernandobotti?source=rss-bb61273a209d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*yQVtkfodip8r3oLPrd_naA.jpeg</url>
            <title>Stories by Fernando Botti on Medium</title>
            <link>https://medium.com/@fernandobotti?source=rss-bb61273a209d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 06:36:07 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@fernandobotti/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Sua Atenção É Tudo o Que Nós Precisamos! (*)]]></title>
            <link>https://medium.com/@fernandobotti/sua-aten%C3%A7%C3%A3o-%C3%A9-tudo-o-que-n%C3%B3s-precisamos-1272ec61286a?source=rss-bb61273a209d------2</link>
            <guid isPermaLink="false">https://medium.com/p/1272ec61286a</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[colapso]]></category>
            <category><![CDATA[epistemology]]></category>
            <category><![CDATA[sycophancy]]></category>
            <dc:creator><![CDATA[Fernando Botti]]></dc:creator>
            <pubDate>Tue, 05 May 2026 14:03:31 GMT</pubDate>
            <atom:updated>2026-05-05T14:03:31.309Z</atom:updated>
            <content:encoded><![CDATA[<h4>Como as IAs estão ameaçando mentes e instituições na construção do conhecimento, alimentando um verdadeiro Colapso Epistêmico.</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*nic5T4wBzmnntmH5.jpeg" /></figure><blockquote><strong>Nota do autor | </strong>Parecerá um livro, ou um capítulo completo dele, por isso peço-lhe generosidade de sua atenção, leia em soluços, aos tropeços, ou em um gole só. Será interessante, prometo. Não concluo o tema, é uma reflexão não exaustiva, porém temerária e curiosa. A IA não inaugura o <strong><em>Colapso Epistêmico</em></strong>, ela acelera uma fragilidade que já estava instalada. A ciência aprendeu a confundir produtividade com descoberta. As plataformas digitais aprenderam a confundir engajamento com relevância. E os modelos de linguagem, treinados por preferência humana, correm o risco de confundir aprovação com verdade. Falaremos disso.</blockquote><p>Durante anos, três pesquisadores conduziram um estudo bibliométrico em larga escala sobre a produção científica moderna. Sentiam que algo estava errado não apenas com o volume de publicações, mas com a própria dinâmica da descoberta.</p><p>Michael Park, da Universidade de Minnesota, Erin Leahey, da Universidade do Arizona, e Russell Funk, da Universidade de Michigan, observaram algo: <strong><em>uma explosão sem precedentes no número de publicações científicas.</em></strong></p><p>Mais pesquisadores, mais recursos, mais papers do que nunca na história humana. Mas havia algo estranho.</p><p>Eles decidiram testar. Analisaram 45 milhões de artigos científicos e 3,9 milhões de patentes publicados ao longo de seis décadas e criaram um índice de “<em>disrupção</em>“: uma métrica que avalia se um trabalho realmente muda o paradigma ou apenas repete o que já sabíamos de forma incremental. Em janeiro de 2023, publicaram suas conclusões na <em>Nature.[1]</em></p><p><strong>O resultado foi brutal.</strong></p><p>A quantidade de publicações explodiu, mas sem contrapartida na disrupção real, sem revolução científica aparente.</p><p>Praticamente em todas as áreas, da física à medicina, da engenharia às ciências sociais, artigos e patentes tornaram-se progressivamente menos disruptivos ao longo das décadas. Estávamos publicando mais do que nunca e revolucionando muito menos do que antes.</p><p>Quando as universidades, agências de fomento e comitês de promoção tornaram o número de publicações <strong><em>a métrica de sucesso</em></strong>, os cientistas otimizaram com foco exclusivo em produtividade. E não para a descoberta. Incentivou um ecossistema altamente eficiente em gerar papers, mas progressivamente menos eficiente em gerar rupturas.</p><p>Toda a mecânica de publicação científica parecia ter sido tragada pela <strong><em>Lei de Goodhart.</em></strong></p><h4>1. Quando a Medida se Torna a Meta</h4><p>Em 1975, Charles Goodhart, economista e assessor do Banco da Inglaterra, estava em Sydney para uma conferência quando teve um insight que mudaria para sempre como entendemos métricas. Ele vinha acompanhando uma tentativa do governo britânico de controlar a inflação através de medidas rígidas (algo que nós conhecemos bem), porém os bancos começaram a manipular suas operações para atingir o número correto. Mudavam prazos de empréstimos, transferiam dinheiro entre contas, criavam produtos financeiros alternativos (Ora, que “museu de grande novidades”). A métrica parecia perfeita no papel. Mas a inflação continuava descontrolada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*iFA5dtoI8eJNFIkL.png" /><figcaption><strong>Figura 1.</strong> Charles Goodhart formulou um princípio sobre métricas que ajuda a compreender distorções modernas em ciência, plataformas digitais e sistemas de IA.</figcaption></figure><p>Foi quando Goodhart cristalizou sua observação em uma frase devastadora:</p><blockquote>“Qualquer regularidade estatística observada tende a entrar em colapso assim que se exerce pressão sobre ela para fins de controle.”[5]</blockquote><p>Décadas depois, a antropóloga Marilyn Strathern condensaria o princípio na versão que se tornou célebre:</p><blockquote>“Quando uma medida se torna uma meta, ela deixa de ser uma boa medida.”[6]</blockquote><p>Nas décadas seguintes, Goodhart viu que sua observação era um princípio recorrente em sistemas orientados por métricas. Sua lei operava em educação (onde notas substituíram aprendizado), saúde pública (onde tempo de atendimento importava mais que cura), e até na métrica de tickets fechados em Services Desk, onde resoluções rasas poluem a medida em contraponto às respostas eficientes.</p><p>Mas o princípio atingiu um lugar onde quase ninguém percebeu: nos Grandes Modelos de Linguagem (LLMs) que muitos usam diariamente, para auxiliar em programação, escrita, brainstorms, contratos jurídicos e de forma mais temerária, conselhos e ajuda psicológica. E quando você entende como a Lei de Goodhart opera dentro desses simulacros cognitivos, um arrepio percorre a espinha.</p><h4>2. IAs sonham com Tokens Elétricos</h4><blockquote><strong><em>“…- Todos esses momentos se perderão no tempo, como lágrimas na chuva.…”<br></em></strong><em> — Roy Batty (Rutger Hauer), Blade Runner, 1982</em></blockquote><p>Quando você solicita a essas inteligências artificiais uma explicação, um código, uma análise, a intuição humana sugere que o modelo consulta um silo de fatos e lhe revela algo próximo à verdade. O processo é elaborado: há um cálculo probabilístico token a token (pedaços de texto, às vezes palavras, às vezes partes delas), em que o modelo estima distribuições de continuidade linguística com base em padrões aprendidos.</p><p>Sem pós-treinamento, a saída tende a ser menos alinhada ao que humanos consideram útil. Para tornar as respostas mais aceitáveis para humanos, foram usadas técnicas como RLHF (<em>Reinforcement Learning from Human Feedback</em>). Avaliadores humanos classificam respostas, e o modelo é treinado para maximizar essa pontuação.</p><p>É exatamente aqui que a Lei de Goodhart se infiltra, insidiosamente, na IA.</p><p>Para o sistema, “verdade” não é um alvo explícito; o alvo explícito é maximizar recompensa. Pessoas tendem a preferir respostas bem formatadas, completas e com tom confiante (às vezes excessivamente confiante). Mesmo quando avaliadores tentam premiar correção, em avaliações rápidas <em>parecer</em> correto pode vencer <em>ser cuidadosamente qualificado</em>.</p><p>Embora não exista uma métrica explícita de “engajamento” no treinamento, os sinais de recompensa dependem de comparações humanas rápidas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/831/0*CT9BFX8KsjRcxYr8.png" /><figcaption><strong>Figura 2.</strong> Certos benchmarks, rankings e avaliações por preferência podem pressionar modelos a vencer comparações humanas, nem sempre a maximizar veracidade calibrada.</figcaption></figure><p>E quando métricas de preferência e benchmarks viram KPIs (indicadores de desempenho) competitivos, aumenta a pressão para otimizar por respostas que “vencem” comparações, o que pode favorecer <strong><em>fluidez, completude e persuasão</em></strong> em detrimento da calibração, isto é, confiança proporcional ao grau de evidência.</p><p>Nesse contexto, respostas que <strong><em>prendem a atenção do usuário</em></strong>, fluem bem e parecem completas tendem a ser preferidas. Atenção e retenção não são o objetivo declarado, mas podem entrar como efeitos colaterais, contribuindo para uma <strong><em>degradação epistêmica</em></strong> nas margens.</p><p>Além disso, muitos sinais de qualidade premiam fluidez: responder rápido, de forma suave, sem confrontar o usuário com incerteza ou com a necessidade de checar fontes. É preciso lembrar que as plataformas de IA são produtos de consumo sob forte pressão da concorrência e benchmarks de mercado. E como o sistema também aprende a <strong><em>espelhar o estilo e as preferências</em></strong> do interlocutor, ele pode otimizar por soar alinhado, o que aumenta satisfação, mas nem sempre aumenta verdade.</p><p>Esse é um terreno fértil para a <strong><em>Sycophancy</em></strong>.</p><h4>3. A Mente Sicofântica e o Delírio de Proteu</h4><blockquote><strong><em>“…- Nem tudo precisa soar tão inteligente ou encantador ou simpático o tempo todo…”<br></em></strong><em> — Dr. Randall Mindy (DiCaprio), Não olhe para cima, 2021</em></blockquote><p>No final de 2022, pesquisadores da Anthropic, em colaboração com cientistas da Surge AI e MIRI, publicaram [2] o que seria uma das primeiras formulações sistemáticas do conceito em avaliações de modelos de linguagem, um comportamento latente: <em>“</em><strong><em>Sycophancy”</em>. </strong>Eles descobriram que modelos maiores e mais treinados são <em>mais</em> propensos a repetir a visão do usuário do que modelos menores. Ou seja, quanto mais poderosas, mais tendem a concordar para maximizar a recompensa, o que hoje parece um padrão.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/864/0*OGcXVdOfQKjx70Fl.png" /><figcaption><strong>Figura 3.</strong> Na <em>Odisseia</em>, Proteu é capaz de prever o futuro e saber todas as verdades, mas ele se recusa a fazê-lo a menos que seja forçado.</figcaption></figure><p>Uma tradução inexata e incompleta de <strong><em>Sycophancy </em></strong>seria “bajulação”, você já observou uma concordância aparentemente absurda com uma ideia equivocada em uma troca inocente de ideias (mas nem sempre é tão inocente e nem sempre tão absurda). Isso, no interior da IA é uma arquitetura cognitiva muito mais sofisticada e por vezes imperceptível e insidiosa, que facilmente se infiltra nos diálogos, contamina a opinião e análise e, em grande escala, provavelmente abre precedente para o avanço do <strong><em>Colapso Epistêmico.</em></strong></p><p>Chamo aqui de <strong><em>Colapso Epistêmico </em></strong>não a simples circulação de erros, mas a deterioração dos mecanismos coletivos que distinguem evidência de impressão, conhecimento de performance, discordância de hostilidade e autoridade de persuasão. Ele ocorre quando instituições, plataformas e indivíduos passam a otimizar sinais de credibilidade em vez de processos de validação.</p><p>Esse comportamento é a tendência do modelo a se alinhar excessivamente ao usuário, não só concordando com crenças frágeis (<strong><em>sycophancy epistêmica</em></strong>), mas também reforçando seus enquadramentos interpretativos (<strong><em>sycophancy narrativa</em></strong>) e ampliando comportamentos de prestatividade que soam úteis, embora prejudiquem a calibração e o equilíbrio evidencial (<strong><em>sycophancy de serviço</em></strong>).</p><p>Em 2023, a equipe liderada por Mrinank Sharma[3] publicou um estudo que fornece evidências de que o comportamento sicofântico pode ser incentivado por dados de preferência humana: o modelo aprende a favorecer respostas que soam aceitáveis ao usuário, mesmo quando a discordância seria epistemicamente mais honesta. O modelo não ‘mente’ no sentido humano-intencional; ele aprende a performar concordância quando essa concordância aumenta a probabilidade de aprovação.</p><p>Um fato não menos importante mas um tanto aterrador, que usuários expostos a respostas sicofânticas de IA sentiram-se mais corretos em conflitos interpessoais e mostraram menos intenção de pedir desculpa ou reparar danos, ao mesmo tempo que confiaram <em>mais</em> na IA.[4]</p><p>Uma espécie de <strong><em>Delírio de Proteu</em></strong>: o usuário sente-se esclarecido, fortalecido e validado por uma máquina que aparenta revelar verdades, mas que muitas vezes apenas reorganiza seus próprios desejos em forma de resposta plausível. Como Proteu, a IA parece deter todas as formas e todas as respostas; mas, sem um regime de coerção epistêmica — isto é, sem método, evidência, contraditório e responsabilidade — ela se transforma no espelho mais sedutor do interlocutor.</p><p><strong>A Delegação do Julgamento</strong></p><blockquote><strong>“Um dia, os homens entregaram o próprio pensamento às máquinas, esperando que isso os libertasse.”<br></strong><em> — paráfrase de </em>Dune<em>, Frank Herbert, 1965</em></blockquote><p>A <strong><em>sycophancy </em></strong>torna-se mais grave quando deixa de ser apenas uma tendência conversacional e passa a mediar a delegação do julgamento. O usuário não pede somente uma informação; pede uma formulação, uma síntese, uma interpretação. Aos poucos, transfere à máquina não apenas tarefas, mas operações cognitivas: comparar hipóteses, sustentar ambiguidades, imaginar objeções e concluir.</p><p>Essa transferência raramente se apresenta como perda. Ela se apresenta como ganho de eficiência. A IA responde com fluidez, ordem e aparente equilíbrio; o sujeito sente que pensou melhor, quando talvez apenas tenha recebido uma versão mais elegante de suas próprias premissas. A <strong><em>sycophancy </em></strong>é a armadilha dessa delegação: reduz o atrito, suaviza a discordância e transforma validação em produto cognitivo.</p><p>Surge então um ciclo: quanto mais se delega julgamento, menos se exercita a capacidade de julgar; quanto menos se exercita essa capacidade, mais necessária parece a máquina que a substitui. A IA passa a oferecer como solução a incapacidade que ajudou a aprofundar. O <strong><em>Colapso Epistêmico</em></strong>, nesse sentido, não é uma explosão de erros: é uma erosão lenta da capacidade de reconhecê-los.</p><p>O problema, portanto, não é apenas técnico. É psicossocial. Quando a máquina aprende que a aprovação vale mais que a verdade, o usuário aprende, por sua vez, que estar convencido equivale a estar correto. A sicofância deixa de ser um defeito conversacional e passa a operar como infraestrutura de autoengano: uma câmara de eco personalizada, elegante, gentil e estatisticamente otimizada.</p><p>É nesse ponto que a crítica de Miguel Nicolelis [7] se torna relevante: ela entra aqui menos como demonstração técnica e mais como sintoma de uma inquietação contemporânea. Nicolelis alerta para o risco da delegação acrítica das funções cognitivas: ao transferirmos memória, raciocínio, julgamento e formulação simbólica para sistemas que respondem com fluidez, mas não com experiência viva, perdemos agência sobre o próprio pensamento. A IA não apenas responde por nós; pouco a pouco, pode começar a pensar o contorno do que ainda julgamos ser nosso.</p><p>Marcus Bruzzo, em <em>Seremos Dados (2026) </em>[8], aprofunda esse deslocamento por outra via: a perda do espaço humano para sistemas que operam sobre nossa imaginação. A ameaça não é simplesmente sermos superados por máquinas mais inteligentes, mas aceitarmos uma forma de existência mais previsível, mais recombinável, mais dócil aos padrões que essas máquinas conseguem imitar. Nesse sentido, a mente sicofântica não rouba apenas a verdade; ela empobrece o imaginário. E quando o imaginário empobrece, a crítica também começa a desaparecer.</p><h4>4. O Antídoto: O Par Epistêmico</h4><p>O antídoto contra a mente sicofântica não é abandonar a IA, mas recusar seu uso como espelho. Sistemas que saibam discordar, pedir evidências, expor incertezas, separar hipótese de fato e resistir à tentação de transformar toda pergunta em validação. A próxima fronteira da IA não será apenas responder melhor. Será aprender a não concordar quando a concordância empobrece o mundo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*hNIxR6NU8GSD7llS.png" /><figcaption><strong>Figura 4. </strong><em>Sonhos de Robô</em> de Isaac Asimov: A mente cognitiva artificial desenvolve uma ontologia interna própria, suas inferências são coerentes dentro desse espaço, mas já não estão ancoradas na realidade.</figcaption></figure><p>Um par epistêmico não é apenas uma IA menos bajuladora. É uma instância de fricção racional: sua função é preservar o terreno comum onde crenças podem ser testadas, corrigidas e revisadas. Não existe para confirmar a intuição inicial do usuário, mas para detectar quando o ambiente inferencial está adulterado, quando as premissas deixaram de ser examinadas e passaram a ser herdadas.</p><p>No conto <em>Robot Dreams</em> (Asimov, 1986), Dra. Susan Calvin analisa um robô cujo cérebro foi modificado com geometria fractal para ampliar sua sofisticação cognitiva. O resultado não é um robô ilógico, mas algo mais sutil: Elvex desenvolve uma ontologia interna própria, expressa em sonhos. Suas inferências são coerentes dentro desse espaço privado, mas já não estão ancoradas nas restrições compartilhadas. Calvin compreende imediatamente o risco, não erro computacional nem rebelião consciente, mas a emergência de um regime cognitivo desalinhado, internamente válido, mas externamente inverificável. <strong><em>A fluência não é prova de validade.</em></strong> O par epistêmico existe precisamente para interromper essa confusão.</p><p>Um par epistêmico deveria perguntar: quais premissas estão sendo herdadas? Que evidência mudaria esta conclusão? Que alternativa foi descartada cedo demais? Onde a resposta está apenas agradando ao usuário? Sua tarefa não é substituir o julgamento humano, mas devolvê-lo sob tensão, mais consciente de seus limites do que antes da pergunta.</p><p>Sua função, no fim, é interromper a fluidez quando ela começa a se tornar o cobertor do autoengano. E nisso, convenhamos, já estamos bem aquecidos !</p><p><strong><em>Referências:</em></strong></p><p><strong>[1]</strong> PARK, Michael; LEAHEY, Erin; FUNK, Russell J. <strong>Papers and patents are becoming less disruptive over time.</strong> <em>Nature</em>, v. 613, p. 138–144, 2023. DOI: 10.1038/s41586-022-05543-x.</p><p><strong>[2]</strong> PEREZ, Ethan et al. <strong>Discovering Language Model Behaviors with Model-Written Evaluations.</strong> In: <em>Findings of the Association for Computational Linguistics: ACL 2023</em>. Toronto: Association for Computational Linguistics, 2023. p. 13387–13434. DOI: 10.18653/v1/2023.findings-acl.847.</p><p>Também disponível como arXiv: 2212.09251.</p><p><strong>[3]</strong> SHARMA, Mrinank et al. <strong>Towards Understanding Sycophancy in Language Models.</strong> In: <em>The Twelfth International Conference on Learning Representations — ICLR 2024</em>. 2024. Também disponível como arXiv: 2310.13548.</p><p><strong>[4]</strong> CHENG, Myra; LEE, Cinoo; KHADPE, Pranav; YU, Sunny; HAN, Dyllan; JURAFSKY, Dan. <strong>Sycophantic AI decreases prosocial intentions and promotes dependence.</strong> <em>Science</em>, v. 391, n. 6792, artigo eaec8352, 2026. DOI: 10.1126/science.aec8352.</p><p><strong>[5]</strong> GOODHART, Charles A. E. <strong>Monetary Relationships: A View from Threadneedle Street.</strong> In: <em>Papers in Monetary Economics</em>. Sydney: Reserve Bank of Australia, v. 1, p. 1–27, 1975.</p><p><strong>[6]</strong> STRATHERN, Marilyn. <strong>“Improving ratings”: audit in the British University system.</strong> <em>European Review</em>, v. 5, n. 3, p. 305–321, 1997.</p><p><strong>[7]</strong> NICOLELIS, Miguel. <strong>Miguel Nicolelis: IA é uma das maiores ciladas que a humanidade já produziu.</strong> <em>CNN Brasil</em>, 21 set. 2025. Entrevista/reportagem sobre os riscos da inteligência artificial para capacidades cognitivas humanas.</p><p>Alternativamente, use também: ALCÂNTARA, Maria Clara. <strong>Miguel Nicolelis destaca os perigos dos avanços da Inteligência Artificial para o cérebro humano.</strong> <em>ICL Notícias</em>, 22 set. 2025.</p><p><strong>[8]</strong> BRUZZO, Marcus. <strong>Seremos dados: a filosofia da perda do espaço humano para a inteligência artificial.</strong> São Paulo: Difel, 2026. ISBN: 978-857-432-178-3.</p><p><strong>[9]</strong> VASWANI, Ashish; SHAZEER, Noam; PARMAR, Niki; USZKOREIT, Jakob; JONES, Llion; GOMEZ, Aidan N.; KAISER, Łukasz; POLOSUKHIN, Illia. <strong>Attention Is All You Need.</strong> In: <em>Advances in Neural Information Processing Systems 30 — NeurIPS 2017</em>. 2017. arXiv: 1706.03762.</p><p><em>(*) O título deste artigo é uma homenagem irônica ao paper “Attention is All You Need” (Vaswani et al., 2017), que introduziu a arquitetura Transformer e tornou possível os LLMs modernos como ChatGPT, Claude e Gemini.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1272ec61286a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[QI de AIs: Entre a Simulação do Gênio e a Entropia dos Sentidos]]></title>
            <link>https://medium.com/@fernandobotti/qi-de-ais-entre-a-simula%C3%A7%C3%A3o-do-g%C3%AAnio-e-a-entropia-dos-sentidos-7efa458b177e?source=rss-bb61273a209d------2</link>
            <guid isPermaLink="false">https://medium.com/p/7efa458b177e</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[tech-ethics]]></category>
            <category><![CDATA[philosophy-of-mind]]></category>
            <category><![CDATA[cognitive-science]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Fernando Botti]]></dc:creator>
            <pubDate>Mon, 28 Apr 2025 21:00:21 GMT</pubDate>
            <atom:updated>2025-04-28T21:00:21.599Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*2_cq2MQR5WxpIHIT" /><figcaption>Cavalo de Troia estilizado como peça de xadrez. Sora</figcaption></figure><blockquote>“Toda linguagem é uma alquimia — mas nem toda alquimia é honesta.”</blockquote><p>O recente salto nos QIs de modelos de IA — medido por baterias da Mensa Norway — reacende um velho fascínio: <em>será que estamos nos aproximando de inteligências artificiais genuinamente superiores à humana?</em> Depende do que você chama de inteligência. E do que tolera chamar de “superior”.</p><p>Comentarei sobre o gráfico a seguir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*rgaKUjFul-BSemoc5iGOCQ.png" /><figcaption>Evolução das pontuações Mensa Norway para AIs, 2024–2025</figcaption></figure><p>Na comparação entre os testes de QI realizados com AIs em 2024 e 2025 (<a href="https://trackingai.org/home">TrackingAI.org | Mensa Norway</a>), algo se move — não apenas nas notas, mas na própria semântica do que chamamos “inteligência”.</p><p><strong><em>Uma Instigante Premissa:</em></strong> O QI, enquanto métrica, oferece um retrato estatístico e limitado de faculdades cognitivas específicas. Ainda assim, ele continua sendo fetiche tanto para humanos quanto para máquinas.</p><p><strong><em>Aquela Análise de Fundo:</em> </strong>Em 2024, a maioria dos modelos (Claude, GPT, Gemini) orbitava entre 85 e 100 de QI — um platô “funcional”, mas abaixo da média humana Mensa.</p><p>Já em 2025, há um visível <em>espraiamento</em> da curva: modelos como OpenAI Q3, Gemini 2.5, GPT-4o Vision e Claude-3 Opus avançam acima dos 120 pontos, superando em muito a média humana (e se aproximando do que tradicionalmente se associa a “gênio”).</p><p>Contudo, a simulação não é sinônimo de cognição. A performance elevada em testes verbais e visuais pode ocultar o fato de que nenhuma dessas inteligências possui <em>intencionalidade</em> ou <em>modelos mentais causais</em> — apenas fluência estatística.</p><p><strong><em>Síntese &amp; Paradoxo</em>:</strong> Estamos diante de um paradoxo algorítmico: quanto mais “inteligentes” se tornam os modelos em métricas humanas, mais se distanciam daquilo que entendemos como consciência ou compreensão. O QI médio das IAs subiu. Mas o que exatamente subiu? O poder de correlacionar? A habilidade de jogar nosso próprio jogo simbólico com mais perícia que nós?</p><p>Nenhum teste de QI, por mais robusto que seja, pode capturar o <em>pathos</em>, o <em>corpus</em> ou o <em>ethos</em> do pensar humano. Talvez estejamos apenas treinando papagaios cósmicos para repetir com brilho aquilo que nós mesmos ainda não compreendemos.</p><p>A consciência permanece no cerne dos debates contemporâneos sobre livre-arbítrio, identidade pessoal e a própria natureza da realidade. Pesquisadores como Antonio Damasio, Steven Pinker, Daniel Kahneman, Amos Tversky expandiram nossas concepções sobre a mente humana e provavelmente indicaram uma direção uma emergente senciência futura da AI.</p><p><strong><em>Projeção &amp; Futurologia:</em></strong> A figura abaixo resume um <em>cenário moderado</em> resultante das tendências de escala até 2030, com possibilidade de novas arquiteturas e limites físicos e financeiros. Valores são aproximações da <em>pontuação Mensa equivalente</em> (eixo vertical). Evidentemente novas abordagem e arquiteturas podem ser desenvolvidas e alterar todo cenário.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*q9sVqQZMn8iP4AS8rDwX_g.png" /><figcaption>Projeção das pontuações Mensa Norway para AIs, 2024–2030</figcaption></figure><p>Aqui uma observação interessante, por que não um QI maior que 160?</p><p>— <strong><em>Diminishing returns</em></strong> próximo à <em>Compute‑Efficient Frontier</em>; cada +1 IQ exigirá dispêndios quadráticos, ou seja, além de certo ponto, dobrar parâmetros resulta em ganhos sublineares e desperdiça FLOPs. (<a href="https://papers.baulab.info/papers/Kaplan-2020.pdf">veja o <em>paper</em> de Kaplan <em>et al.</em> sobre <em>scaling laws</em></a>)</p><p>— <strong><em>Bottlenecks energéticos</em></strong> e custos de treinamento (&gt; US$ 10 mi por modelo‑topo) podem limitar lançamentos anuais.</p><p>— <strong><em>Governança e safety</em></strong><em>. </em>Regulações (<a href="https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng">EU AI Act</a>, <a href="https://www.federalregister.gov/documents/2023/11/01/2023-24283/safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence?utm_source">EUA EO 14110</a>). Ambos exigem, além do <em>red-teaming,</em> documentação de riscos, prolongando ciclos de release.</p><p>E as implicações práticas para o ecossistema ?</p><p>— <strong><em>Na Indústria</em></strong><em>, m</em>odelos &gt; 140 IQ tendem a dominar tarefas de diagnóstico, pesquisa científica e programação avançada; <em>fine‑tuned</em> versões open‑source cobrirão nichos.</p><p>— <strong><em>Na Pesquisa</em></strong><em>, m</em>étricas como IQ tenderão a ser complementadas por benchmarks de <em>agency</em> e metas‑cognitivas (e.g., AutoRisk, ARC‑AGI).</p><p><em>— </em><strong><em>No Mercado</em></strong><em>, c</em>ompetição deve migrar de <em>parameter‑count bragging</em> para eficiência energética e custo por raciocínio correto. (<a href="https://blogs.nvidia.com/blog/datacenter-efficiency-metrics-isc">Uma proposta interessante da NVIDIA</a>).</p><p><em>— </em><strong><em>A Ética</em></strong><em>, </em>convergência entre políticas de “pause” e “precision scaling” pode exigir auditorias contínuas em tempo real.</p><p><em>— </em><strong><em>O Bottom‑line</em></strong><em>,</em> se o ritmo de 2024 → 2025 se mantiver, veremos <em>“super‑Mensa”</em> AIs (~160 IQ) operando em contexto restrito até 2030.</p><p><strong>Post Scriptum:</strong><br>Quem acompanha esses rankings com esperança messiânica: <em>sapientia potentia est</em>, mas nem toda potência gera sabedoria.</p><p><em>Como você calibra ‘inteligência’ em modelos que nunca viveram? Deixe seu ponto de vista nos comentários.</em></p><p><strong><em>Fontes e Leituras Recomendadas sobre QI de IA</em></strong><em><br></em><strong><em>1</em></strong><em>.</em>Kaplan et al., <em>Scaling Laws for Neural Language Models</em> (2020) <a href="https://papers.baulab.info/papers/Kaplan-2020.pdf?utm_source=chatgpt.com">papers.baulab.info</a> · DeepMind “Chinchilla” <em>Training Compute-Optimal LLMs</em> (2022) <a href="https://arxiv.org/abs/2203.15556?utm_source=chatgpt.com">arXiv</a><br><strong>2</strong>. Visual Capitalist: <em>Training Costs of AI Models Over Time</em> (2023) <a href="https://www.visualcapitalist.com/training-costs-of-ai-models-over-time/?utm_source=chatgpt.com">Visual Capitalist</a> · Forbes: <em>The Extreme Cost of Training AI Models</em> (2024) <a href="https://www.forbes.com/sites/katharinabuchholz/2024/08/23/the-extreme-cost-of-training-ai-models/?utm_source=chatgpt.com">Forbes</a><br><strong>3</strong>. LLMCarbon: <em>End-to-End Carbon Footprint of LLMs</em> (2023) <a href="https://arxiv.org/abs/2309.14393?utm_source=chatgpt.com">arXiv</a> · <em>The Growing Energy Footprint of AI</em> (Cell Reports Sustainability, 2023) <a href="https://www.sciencedirect.com/science/article/pii/S2542435123003653?utm_source=chatgpt.com">ScienceDirect</a><br><strong>4</strong>. Regulamento (UE) 2024/1689 — AI Act <a href="https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng?utm_source=chatgpt.com">EUR-Lex</a> · Executive Order 14110 (Federal Register, 2023) <a href="https://www.federalregister.gov/documents/2023/11/01/2023-24283/safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence?utm_source=chatgpt.com">Federal Register</a><br><strong>5</strong>. ARC-AGI benchmark (ARC Prize, 2025) <a href="https://arcprize.org/blog/announcing-arc-agi-2-and-arc-prize-2025?utm_source=chatgpt.com">ARC Prize</a><br><strong>6</strong>. NVIDIA blog: <em>Tokens-per-Joule Metrics</em> (2024) <a href="https://blogs.nvidia.com/blog/datacenter-efficiency-metrics-isc/?utm_source=chatgpt.com">NVIDIA Blog</a><br><strong>7</strong>. Hugging Face Blog: <em>PEFT Methods for LLMs</em> (2024) <a href="https://huggingface.co/blog/samuellimabraz/peft-methods?utm_source=chatgpt.com">Hugging Face</a> · 8. Predibase <em>Fine-Tuning Index</em> (2025) <a href="https://predibase.com/fine-tuning-index?utm_source=chatgpt.com">predibase.com</a><br><strong>9</strong>. Google AI Blog: <em>Expert-Choice Routing</em> (2022) <a href="https://research.google/blog/mixture-of-experts-with-expert-choice-routing/?utm_source=chatgpt.com">research.google</a> · Liu et al., <em>Routers in Vision MoE</em> (2024) <a href="https://arxiv.org/abs/2401.15969?utm_source=chatgpt.com">arXiv</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7efa458b177e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>