Jack Clark prevê que IA poderá se aprimorar sozinha já em 2027
O que significa autoaperfeiçoamento recursivo
Autoaperfeiçoamento recursivo ocorre quando sistemas de IA participam da criação de suas próprias versões seguintes, acelerando o desenvolvimento com cada vez menos intervenção humana.
O teste TasteVal e seus resultados
Um novo benchmark chamado TasteVal mediu recentemente a capacidade de modelos de IA para planejar experimentos e interpretar resultados em oito desafios relacionados ao desenvolvimento de sistemas de IA. Cada modelo recebeu um problema pré-definido, sugeriu experimentos e um agente de programação uniforme executou as sugestões, devolvendo os resultados para análise.
No teste, o modelo Opus 5.5 igualou o resultado de referência humana usando 2,3 vezes menos computação. Essa eficiência fez com que os autores calculassem que o desempenho dos modelos de fronteira dobrou a cada três meses desde dezembro de 2025, em contraste com o ciclo de duplicação anterior de 14 meses.
Os pesquisadores compararam 20 modelos com as melhores tentativas de 24 especialistas que trabalham em empresas e centros de pesquisa como OpenAI, Google DeepMind, Nvidia e Microsoft Research. Além disso, o custo médio por tentativa para o Opus 5.5 foi cerca de um trinta avos do valor gasto com os especialistas humanos.
Por que a previsão mudou para 2027
Clark atribui a revisão de sua estimativa a avanços recentes em matemática e à demonstração de que os modelos podem planejar e avaliar experimentos com maior eficiência. Com base nesses sinais, ele agora considera 2027 como o ano mais provável para que um sistema seja capaz de treinar seu próprio sucessor, adiantando em um ano a projeção que havia feito em maio.
Quais desafios ainda persistem
O TasteVal avaliou apenas uma parte do processo de pesquisa. Os modelos não precisaram escolher qual problema científico investigar, treinar uma nova IA ou decidir como alterar sua própria arquitetura — etapas cruciais para um ciclo completo de autoaperfeiçoamento.
Os autores destacam limitações adicionais: as tarefas foram projetadas para gerar resultados rápidos e fáceis de verificar, e o grupo de especialistas usado como comparação pode não incluir os pesquisadores mais experientes. Além disso, embora a eficiência computacional tenha crescido a cada três meses, a melhoria no desempenho final ainda segue um ritmo de duplicação estimado em 14,6 meses.
Em resumo, embora os ganhos de eficiência sejam impressionantes, eles não equivalem a uma capacidade plena de pesquisa autônoma. O caminho para que a IA se aprimore sozinha ainda requer avanços que conectem o planejamento experimental à criação e modificação independente de novos modelos.
Perspectivas futuras
Os progressos recentes indicam que a IA está se aproximando da capacidade de conduzir partes cada vez maiores de seu próprio desenvolvimento. No entanto, alcançar o autoaperfeiçoamento recursivo completo ainda depende de soluções para desafios técnicos, metodológicos e de governança que vão além da eficiência computacional demonstrada no TasteVal.







