Artigos recomendados por Sam A capacidade da IA de concluir tarefas longas está dobrando a cada seis meses. O cientista da computação Boaz Barak extrapolou a partir dos dados mais recentes do METR: Se essa tendência continuar, poderemos presenciar uma transformação econômica na escala de uma revolução industrial dentro de uma ou duas décadas. O que o METR descobriu? O projeto METR estudou uma métrica fundamental: quanto tempo levaria para humanos concluírem uma tarefa de engenharia de software com uma taxa de sucesso de 50% usando IA. Os resultados são impressionantes: esse período dobra a cada 6-7 meses. Em outras palavras, a complexidade das tarefas que a IA consegue lidar quadruplica a cada ano. Mais importante ainda, trata-se de um crescimento exponencial. Assim como a classificação ELO no xadrez, o nível de habilidade da IA dobra a cada seis meses. Que fatores influenciam essa tendência? O autor divide os fatores em duas categorias: aqueles que afetam o nível atual e aqueles que afetam a taxa de crescimento. O nível de desempenho atual é influenciado principalmente pelos requisitos de confiabilidade. O mesmo processador GPT5 pode concluir tarefas por 2 horas com uma taxa de sucesso de 50%, mas apenas por 26 minutos com um requisito de taxa de sucesso de 80%. A diferença é significativa. Os "impostos diversos" no mundo real também são pesados. Existe uma grande lacuna entre os parâmetros de referência de laboratório e as tarefas do mundo real, com requisitos mais ambíguos, contextos mais complexos e padrões mais difíceis de definir. No entanto, isso tem um impacto maior nos níveis absolutos e é menos provável que altere a taxa de crescimento. O principal fator que impulsiona essa taxa de crescimento é o aumento exponencial dos recursos computacionais. A quantidade de computação necessária para o próprio treinamento também está dobrando a cada seis meses. No entanto, esse padrão de crescimento não pode continuar indefinidamente. O mundo físico pode ser o gargalo. Atualmente, os dados provêm principalmente da engenharia de software, e ainda não está claro se a robótica conseguirá manter a mesma curva de crescimento. A maior incógnita é o aprimoramento recursivo. Se a IA puder automatizar a própria pesquisa e desenvolvimento em IA, isso equivale a um aumento massivo no investimento em P&D. Mas isso levará a uma singularidade, à aceleração ou simplesmente manterá o nível atual de crescimento? Ninguém sabe. O que isso significa para o crescimento econômico? O autor utilizou um modelo engenhoso: o modelo da média harmônica do economista Benjamin Jones. A principal conclusão é que, mesmo que a IA seja infinitamente poderosa em certas tarefas, se 10% das tarefas não puderem ser automatizadas, a produtividade geral aumentará no máximo 10 vezes. Isso ocorre porque as tarefas não podem ser substituídas umas pelas outras. Para alcançar uma "IA transformadora" (10 vezes a produtividade, equivalente a uma revolução industrial), duas condições devem ser atendidas simultaneamente: - A proporção de tarefas não automatizadas foi significativamente reduzida. - A vantagem de produtividade da IA em tarefas já automatizadas aumentou significativamente. De acordo com a hipótese radical de que as tarefas não automatizadas diminuem quatro vezes ao ano e a produtividade da IA aumenta dez vezes ao ano, a fronteira transformadora da IA pode ser alcançada em um ano. Mas isso é radical demais. Mesmo com suposições conservadoras — automatizando 9% das tarefas restantes a cada ano e com a produtividade da IA crescendo dez vezes anualmente — um crescimento transformador poderia ser alcançado em 10 a 15 anos. Vamos comparar isso com dados históricos: nos últimos 150 anos, o PIB per capita dos EUA cresceu a uma taxa de 2%, dobrando a cada 35 anos. A eletrificação, os computadores e a internet não alteraram essa tendência. Se a IA realmente gerar um crescimento de 5 a 7% ao ano, isso representa uma taxa de duplicação em dez anos. O economista Acemoglu prevê que a IA contribuirá com 0,1% para o crescimento do PIB anualmente, enquanto o Goldman Sachs prevê 1,5%. No entanto, o autor projeta de 5% a 7% — mais de três vezes superior à estimativa do Goldman Sachs e 50 vezes superior à estimativa de Acemoglu. Mesmo um mero aumento de 1,2% no crescimento do PIB seria suficiente para manter a economia dos EUA fiscalmente sustentável. Um aumento de 2%, no entanto, seria sem precedentes para os Estados Unidos. Em que isso difere da automação histórica? Eis um ponto crucial: a automação nos últimos 80 anos tem sido linear — a proporção de tarefas automatizadas aumentou lenta e constantemente, e a taxa de crescimento muitas vezes tem diminuído. Se a IA levar a um declínio exponencial na proporção de tarefas não automatizadas, isso representaria uma ruptura completa com as tendências históricas. O autor parte de uma premissa: a dificuldade da tarefa segue uma "distribuição de cauda pesada", o que significa que a proporção de tarefas que exigem T tempo humano é proporcional a 1/T. Sob essa premissa, o tempo de processamento das tarefas dobra, o que equivale a reduzir pela metade a proporção de tarefas não automatizadas. Com uma taxa de duplicação a cada 6 meses, levaria apenas 2 anos para passar de 50% das tarefas automatizadas em um determinado setor para 97% das tarefas automatizadas. Mas isso é extremamente radical porque se concentra exclusivamente na capacidade, ignorando completamente a taxa de difusão. Pode haver uma enorme lacuna entre a capacidade teórica e a aplicação prática.
O aspecto mais valioso deste artigo é a forma como conecta os dados concretos da METR com modelos de crescimento econômico. Ele não se limita a fazer afirmações vagas como "a IA vai mudar tudo", mas sim oferece um caminho preditivo concreto e verificável. Principais observações: Se a tendência continuar, pode levar apenas cerca de 10 anos para passarmos de "a IA começar a ter um impacto substancial" para "a IA se tornar uma força dominante". A maior incerteza reside na velocidade de disseminação. A IA pode ser capaz de fazer muito tecnicamente, mas fatores como inércia organizacional, regulamentação, infraestrutura e custo afetarão a velocidade de sua aplicação prática. Mesmo que a IA seja incrivelmente poderosa na maioria das tarefas, seus ganhos gerais de produtividade serão limitados se um pequeno subconjunto de tarefas não puder ser automatizado. Portanto, a chave não é o quão poderosa a IA é, mas sim onde residem suas capacidades e com que rapidez essas fronteiras se reduzem. Quando a IA conseguir acelerar significativamente a própria pesquisa e desenvolvimento em IA, todos os modelos lineares e exponenciais poderão se tornar obsoletos. Essa etapa pode chegar mais cedo do que o esperado — a engenharia de software em si é parte fundamental da pesquisa e desenvolvimento em IA. Se a IA aumenta a produtividade principalmente acelerando a pesquisa e o desenvolvimento, então, na era da IA, o retorno do investimento em cientistas humanos será, na verdade, maior. Este é um paradoxo interessante. O autor enfatiza especificamente que se concentra na "inclinação" em vez da "interceptação", não prevendo quando um determinado marco será alcançado, mas sim a rapidez com que ele evoluirá depois de iniciado. Quantos anos serão necessários para ir de um impacto de 5% para um impacto de 100%?