Inteligência artificial geral (AGI) (do inglês: artificial general intelligence) é a capacidade hipotética de um agente inteligente de compreender ou aprender qualquer tarefa intelectual que um ser humano possa. É o objetivo principal de algumas pesquisas sobre inteligência artificial e um tópico comum em ficção científica e estudos futuros. AGI também pode ser referido como IA forte,: Kurzweil describes strong AI as "machine intelligence with the full range of human intelligence." IA completa, ou ação inteligente geral (embora fontes acadêmicas reservem o termo "IA forte" para programas de computador que experimentam senciência ou consciência).
Em contraste com a IA forte, a IA estreita (ou IA fraca) não se destina a ter habilidades cognitivas gerais; em vez disso, a IA fraca é qualquer programa projetado para resolver um problema específico. Fontes acadêmicas reservam "IA fraca" para programas que não experimentam consciência ou que não têm uma mente no mesmo sentido que as pessoas.
Uma pesquisa de 2020 identificou 72 projetos ativos de Pesquisa e Desenvolvimento de AGI espalhados por 37 países.
Características
Não há uma definição única acordada de inteligência aplicada a computadores. O cientista da computação John McCarthy escreveu em 2007: "Ainda não podemos caracterizar em geral quais tipos de procedimentos computacionais queremos chamar de inteligentes."
Traços de inteligência Os pesquisadores geralmente consideram que um sistema precisa fazer todas as seguintes coisas para ser considerado uma AGI:Esta lista de traços inteligentes é baseada nos tópicos abordados pelos principais livros didáticos de IA, incluindo: , , e .
raciocinar, usar estratégia, resolver quebra-cabeças e fazer julgamentos sob incerteza,
representar conhecimento, incluindo conhecimento de senso comum,
planejar,
aprender,
comunicar-se em linguagem natural,
se necessário, integrar essas habilidades na conclusão de qualquer objetivo dado. Muitas abordagens interdisciplinares (por exemplo, ciência cognitiva, inteligência computacional e tomada de decisão) consideram traços adicionais, como imaginação (a capacidade de formar imagens e conceitos mentais novos) e autonomia.de Charms, R. (1968). Personal causation. New York: Academic Press.
Sistemas baseados em computador que exibem essas capacidades são agora difundidos, com modelos de linguagem de grande escala modernos demonstrando criatividade computacional, raciocínio automatizado e apoio à decisão simultaneamente em todos os domínios.
Traços físicos Outras capacidades são consideradas desejáveis em sistemas inteligentes, pois podem afetar a inteligência ou auxiliar em sua expressão. Estas incluem:Pfeifer, R. and Bongard J. C., How the body shapes the way we think: a new view of intelligence (The MIT Press, 2007).
a capacidade de sentir (por exemplo, ver, ouvir, etc.), e
a capacidade de agir (por exemplo, mover e manipular objetos, mudar de localização para explorar, etc.) Isso inclui a capacidade de detectar e responder a perigos.
Testes para AGI de nível humano
Vários testes destinados a confirmar AGI de nível humano foram considerados.
Teste de Turing
O teste de Turing foi proposto por Alan Turing em seu artigo de 1950 "Computing Machinery and Intelligence". Este teste envolve um juiz humano participando de conversas em linguagem natural com um humano e uma máquina projetada para gerar respostas humanas. A máquina passa no teste se conseguir convencer o juiz de que é humana uma fração significativa do tempo. Turing propôs isso como uma medida prática da inteligência de máquina, focando na capacidade de produzir respostas humanas, em vez do funcionamento interno da máquina.
Em 2014, um chatbot chamado Eugene Goostman, projetado para imitar um garoto ucraniano de 13 anos, supostamente passou em um evento do Teste de Turing ao convencer 33% dos juízes de que era humano. No entanto, essa afirmação foi recebida com ceticismo significativo pela comunidade de pesquisa em IA, que questionou a implementação do teste e sua relevância para a AGI.
Em 2023, Kirk-Giannini e Goldstein argumentaram que, embora os modelos de linguagem de grande escala estivessem se aproximando do limiar de passar no teste de Turing, "imitação" não é sinônimo de "inteligência".
Um estudo de teste de Turing de três partes pré-registrado de 2025 por Cameron R. Jones e Benjamin K. Bergen mostrou que GPT-4.5 foi julgado como o humano em 73% das conversas de texto de cinco minutos — superando a taxa de humanidade de 67% dos confederados reais e atendendo ao critério dos pesquisadores para ter passado no teste.
Teste Ikea O "teste Ikea", também conhecido como Teste de Móveis Desmontados, envolve uma IA controlando um robô que tenta montar um produto de móveis desmontados da Ikea após ter recebido as peças e instruções. Já em 2013, o IkeaBot do MIT demonstrou montagem totalmente autônoma por múltiplos robôs de uma mesa IKEA Lack em dez minutos, sem intervenção humana e sem instruções de montagem pré-programadas. Os robôs inferiram a sequência de montagem apenas a partir da geometria das peças. Em dezembro de 2025, pesquisadores do MIT demonstraram um sistema de "fala para realidade" combinando modelos de linguagem de grande escala com modelos de linguagem-visão e montagem robótica: um usuário diz "Eu quero um banco simples" e um braço robótico constrói o móvel a partir de componentes modulares em cinco minutos, usando IA generativa para raciocinar sobre geometria, função e sequência de montagem apenas a partir da linguagem natural. O benchmark FurnitureBench, publicado no International Journal of Robotics Research em 2025, agora fornece um benchmark padronizado de montagem de móveis no mundo real com mais de 200 horas de dados de demonstração para treinar e avaliar sistemas de montagem autônoma.
Teste do café Steve Wozniak propôs um teste onde uma máquina é requisitada a entrar em uma casa americana média e descobrir como fazer café. Ela deve encontrar a máquina de café, encontrar o café, adicionar água, encontrar uma caneca e preparar o café pressionando os botões adequados. Este teste foi substancialmente aproximado por múltiplos sistemas. Em janeiro de 2024, o humanoide Figure 01 da Figure AI aprendeu a operar uma máquina de café Keurig de forma autônoma após assistir a demonstrações em vídeo, usando redes neurais de ponta a ponta para traduzir a entrada visual em ações motoras. Em 2025, pesquisadores da Universidade de Edimburgo publicaram o framework ELLMER na Nature Machine Intelligence, demonstrando um braço robótico que interpreta instruções verbais, analisa seus arredores e faz café de forma autônoma em ambientes de cozinha dinâmicos — adaptando-se a obstáculos imprevistos em tempo real, em vez de seguir sequências pré-programadas.
Teste de Suleyman O teste de Mustafa Suleyman propõe dar a um modelo de IA US$ 100 mil e pedir que ele obtenha US$ 1 milhão.
Uso de videogames Adams, et al. propõem que a capacidade de aprender e ter sucesso em uma ampla gama de videogames pode ser usada para testar a inteligência da IA. Essa gama incluiria jogos desconhecidos pelos desenvolvedores da AGI antes da administração do teste.
Problemas AI-completos
Um problema é informalmente chamado de "AI-completo" ou "AI-difícil" se acredita-se que AGI seria necessária para resolvê-lo, porque a solução está além das capacidades de um algoritmo de propósito específico. (A Seção 4 é sobre "Tarefas AI-Completas".)
História
IA clássica
A pesquisa moderna em IA começou em meados da década de 1950. A primeira geração de pesquisadores de IA estava convencida de que a inteligência geral artificial era possível e que existiria em apenas algumas décadas. O pioneiro da IA Herbert A. Simon escreveu em 1965: "máquinas serão capazes, dentro de vinte anos, de fazer qualquer trabalho que um homem possa fazer". citado em
Suas previsões foram a inspiração para o personagem fictício HAL 9000 de Stanley Kubrick e Arthur C. Clarke, que incorporava o que os pesquisadores de IA acreditavam que poderiam criar até o ano 2001. O pioneiro da IA Marvin Minsky foi consultor no projeto de tornar o HAL 9000 o mais realista possível de acordo com as previsões consensuais da época. Ele disse em 1967: "Dentro de uma geração... o problema de criar 'inteligência artificial' será substancialmente resolvido".Marvin Minsky para , citado em .
Vários projetos clássicos de IA, como o projeto Cyc de Doug Lenat (que começou em 1984), e o projeto Soar de Allen Newell, foram direcionados para a AGI.
No entanto, no início da década de 1970, tornou-se óbvio que os pesquisadores haviam subestimado grosseiramente a dificuldade do projeto. As agências de financiamento tornaram-se céticas em relação à AGI e colocaram os pesquisadores sob pressão crescente para produzir "IA aplicada" útil. No início da década de 1980, o Projeto do Computador de Quinta Geração do Japão reviveu o interesse pela AGI, estabelecendo um cronograma de dez anos que incluía objetivos de AGI como "manter uma conversa casual"., e veja também Em resposta a isso e ao sucesso dos sistemas especialistas, tanto a indústria quanto o governo injetaram dinheiro no campo.; . No entanto, a confiança na IA entrou em colapso espetacular no final da década de 1980, e os objetivos do Projeto do Computador de Quinta Geração nunca foram cumpridos. Pela segunda vez em 20 anos, os pesquisadores de IA que previram a conquista iminente da AGI estavam enganados. Na década de 1990, os pesquisadores de AI tinham a reputação de fazer promessas vãs. Eles se tornaram relutantes em fazer previsões e evitavam mencionar "inteligência artificial de nível humano" por medo de serem rotulados como "sonhadores de olhos selvagens".
Pesquisa em IA estreita
Nas décadas de 1990 e início do século XXI, a IA convencional alcançou sucesso comercial e respeitabilidade acadêmica ao focar em subproblemas específicos onde a IA pode produzir resultados verificáveis e aplicações comerciais, como reconhecimento de fala e algoritmos de recomendação. Esses sistemas de "IA aplicada" são agora amplamente utilizados em toda a indústria de tecnologia, e a pesquisa nesta vertente é fortemente financiada tanto na academia quanto na indústria. , o desenvolvimento neste campo foi considerado uma tendência emergente, e esperava-se que um estágio maduro fosse alcançado em mais de 10 anos.
Na virada do século, muitos pesquisadores convencionais de IA esperavam que a IA forte pudesse ser desenvolvida combinando programas que resolvem vários subproblemas. Hans Moravec escreveu em 1988: Estou confiante de que esta rota bottom-up para a inteligência artificial um dia encontrará a rota top-down tradicional mais do que no meio do caminho, pronta para fornecer a competência do mundo real e o conhecimento de senso comum que tem sido tão frustrantemente elusivo em programas de raciocínio. Máquinas totalmente inteligentes resultarão quando o prego dourado metafórico for cravado, unindo os dois esforços.
No entanto, mesmo na época, isso foi contestado. Por exemplo, Stevan Harnad da Universidade de Princeton concluiu seu artigo de 1990 sobre a hipótese da ancoragem simbólica afirmando: A expectativa tem sido frequentemente expressa de que abordagens "top-down" (simbólicas) para modelar a cognição de alguma forma encontrarão abordagens "bottom-up" (sensoriais) em algum lugar no meio. Se as considerações de ancoragem neste artigo são válidas, então esta expectativa é hopelessly modular e há realmente apenas uma rota viável do sentido aos símbolos: de baixo para cima. Um nível simbólico flutuante livre como o nível de software de um computador nunca será alcançado por esta rota (ou vice-versa) – nem é claro por que deveríamos sequer tentar alcançar tal nível, já que parece que chegar lá seria apenas arrancar nossos símbolos de seus significados intrínsecos (reduzindo-nos assim meramente ao equivalente funcional de um computador programável).
Viabilidade