96 trabalhos representativos de 1931 até hoje, agrupados por função editorial e estado de publicação
Artigos são o esqueleto da história da IA. Este catálogo reúne 96 trabalhos fundamentais, cada um ligado à sua fonte primária.
A seleção considera representatividade histórica, influência técnica e julgamento editorial. Pode incluir artigos revistos por pares, relatórios técnicos, preprints, artigos de posição e cartões de sistema, todos identificados pelo estado de publicação. Correções e inclusões podem ser sugeridas na página Política editorial e correções.
Mostrando 96 de 96 artigos
Sobre proposições formalmente indecidíveis dos Principia Mathematica e sistemas relacionados I
Demonstra que qualquer sistema formal consistente capaz de exprimir a aritmética contém enunciados verdadeiros que não pode provar, fixando o limite que viria a enquadrar o que o cálculo e o raciocínio mecânico conseguem decidir.
Sobre números computáveis, com uma aplicação ao Entscheidungsproblem
Introduz a máquina de Turing universal e demonstra que o Entscheidungsproblem é indecidível, lançando as bases teóricas da ciência da computação.
Um problema insolúvel da teoria elementar dos números
Define a calculabilidade efetiva através do λ-cálculo e exibe um problema que nenhum procedimento desse tipo consegue decidir, alcançando os limites do cálculo independentemente de Turing.
Um cálculo lógico das ideias imanentes à atividade nervosa
Modela a atividade neural como lógica proposicional, oferecendo a primeira teoria matemática das redes neurais artificiais.
Uma teoria matemática da comunicação
Artigo fundador da teoria da informação, que define a entropia e a capacidade de canal como limites fundamentais da comunicação.
Máquinas de computação e inteligência
Propõe o jogo da imitação (teste de Turing) e formula de modo sistemático a pergunta «Podem as máquinas pensar?», contribuindo para estabelecer a IA como programa de investigação.
Uma proposta para o projeto de investigação de verão de Dartmouth sobre inteligência artificial
A proposta fundadora do seminário de verão de Dartmouth introduziu o termo «inteligência artificial» e delineou a agenda de investigação do campo.
A máquina da teoria lógica: um sistema complexo de processamento de informação
Descreve o Logic Theorist, um dos primeiros programas de demonstração de teoremas, que provou por pesquisa heurística teoremas dos Principia Mathematica de Whitehead e Russell, demonstrando o raciocínio automático em lógica proposicional.
Elementos de uma teoria da resolução humana de problemas
Descreve a resolução humana de problemas como busca heurística num espaço de estados simbólicos, a análise que sustenta o General Problem Solver e a visão da mente como processamento de informação.
O perceptron: um modelo probabilístico para o armazenamento e a organização da informação no cérebro
Introduz o primeiro neurónio linear de limiar treinável, fundando a linhagem conexionista que conduz à aprendizagem profunda moderna.
Programas com senso comum
Propõe o «advice taker», um programa capaz de tirar conclusões a partir de um repositório formal de conhecimento de senso comum, lançando as bases conceituais da representação de conhecimento e do raciocínio.
Alguns estudos sobre aprendizagem automática com o jogo das damas
Demonstra a aprendizagem por jogo contra si próprio com uma função de avaliação num programa de damas, um marco inicial da aprendizagem por reforço associado ao termo «aprendizagem automática».
Nota sobre simetria sintática e a manipulação de sistemas formais por máquina
Gelernter trata de como uma máquina pode manipular eficientemente sistemas formais cujos predicados apresentam forte simetria, e enuncia como solução um teorema e uma regra de simetria sintática. O trabalho acompanha a máquina de demonstração de teoremas de geometria que então construía na IBM, a qual, no início da primavera de 1959, demonstrou o seu primeiro teorema de geometria plana euclidiana.
Circuitos de comutação adaptativos
Introduz o neurónio ADALINE e a regra de aprendizagem dos mínimos quadrados médios (LMS), precursora da descida de gradiente estocástica moderna.
Funções recursivas de expressões simbólicas e o seu cálculo por máquina, parte I
Introduz as expressões simbólicas, as funções recursivas sobre elas e o eval que permite a uma linguagem interpretar-se a si própria, o desenho que se tornou Lisp e a língua de trabalho da IA simbólica.
Princípios de neurodinâmica: os perceptrons e a teoria dos mecanismos cerebrais
Reúne o trabalho sobre o perceptrão numa teoria completa das redes probabilísticas em camadas, enunciando o que tais máquinas conseguem aprender e onde a forma de camada única para.
ELIZA: um programa de computador para o estudo da comunicação em linguagem natural entre o homem e a máquina
Constrói um programa aparentemente conversacional a partir de correspondência de padrões e regras de reescrita, e o autor assinala de imediato quanta compreensão os leitores lhe atribuem sem que a tenha.
Redes neuronais e sistemas físicos com capacidades computacionais coletivas emergentes
Introduz a rede de memória associativa de Hopfield, vinculando a computação neural às paisagens de energia da física estatística e reavivando o interesse por redes neurais durante o início do inverno da IA.
R1: um configurador de sistemas informáticos baseado em regras
Documenta um sistema de regras de produção que configurava diariamente encomendas de computadores da DEC, um dos poucos sistemas periciais que resistiu ao uso corrente e cujo retorno era calculável.
Fusão, propagação e estruturação em redes de crença
Sistematiza operações de fusão, propagação e estruturação em redes de crença, fornecendo os fundamentos algorítmicos da inferência em redes bayesianas.
Aprendizagem de representações por retropropagação de erros
A exposição canónica do algoritmo de retropropagação para redes neuronais multicamada, mostrando que unidades ocultas podem aprender representações internas úteis e reavivando a investigação conexionista no final da década de 1980.
Aprender a prever pelos métodos das diferenças temporais
Sistematiza a aprendizagem por diferença temporal (TD), tornando-se um dos algoritmos centrais da aprendizagem por reforço moderna.
Encontrar estrutura no tempo
Introduz a rede recorrente simples de Elman, evidenciando que redes neurais podem aprender estrutura temporal e abrindo caminho para os modelos de sequência posteriores.
Redes de vetores de suporte
Introduz a máquina de vetores de suporte de margem suave, classificador canónico de margem máxima que definiu grande parte da aprendizagem automática na década de 1990.
Memória longa de curto prazo
Apresenta a LSTM original com células de memória e portões de entrada e saída; o portão de esquecimento hoje padrão foi introduzido depois por Gers, Schmidhuber e Cummins.
Aprendizagem baseada em gradiente aplicada ao reconhecimento de documentos
Introduz a LeNet-5, rede neural convolucional canónica que atinge reconhecimento de dígitos manuscritos em qualidade de produção e estabelece o paradigma de CNN.
Reduzir a dimensionalidade dos dados com redes neuronais
Introduz um autoencoder profundo que reconstroi dados de alta dimensionalidade com fidelidade muito superior à do PCA, acendendo a primeira centelha da retomada da aprendizagem profunda.
Um algoritmo de aprendizagem rápido para redes de crença profundas
Deriva um algoritmo guloso e rápido que aprende redes de crença profundas uma camada de cada vez e depois as afina; a rede resultante classificava dígitos manuscritos melhor do que os melhores métodos discriminativos da época, e o resultado reavivou o interesse pelas redes neuronais profundas.
Aprendizagem profunda não supervisionada em larga escala com processadores gráficos
Transfere o treino de modelos profundos não supervisionados para processadores gráficos com ganhos de uma ordem de grandeza, tornando corrente o caminho de hardware pelo qual a aprendizagem profunda escalou na década seguinte.
Jogar Atari com aprendizagem por reforço profunda
O DQN combina o Q-learning com uma rede convolucional que aprende políticas de controlo diretamente a partir dos píxeis em bruto; aplicado sem alterações a sete jogos de Atari 2600, supera todas as abordagens anteriores em seis e um especialista humano em três, abrindo caminho à aprendizagem por reforço profunda.
Estimativa eficiente de representações de palavras no espaço vetorial
Introduz as arquiteturas skip-gram e CBOW que produzem embeddings densos de palavras, inaugurando a era dos vetores de palavras pré-treinados.
Bayes variacional por autocodificação
O VAE une a modelação generativa com variáveis latentes ao treino por gradiente estocástico através do truque de reparametrização, tornando-se um dos fundamentos da aprendizagem profunda generativa moderna.
Tradução automática neuronal por aprendizagem conjunta do alinhamento e da tradução
Introduz a atenção aditiva (Bahdanau) para tradução automática neural, demonstrando que o alinhamento suave permite ao decodificador focar nos tokens relevantes da fonte e inspirando diretamente o Transformer.
Redes adversariais generativas
Formula a modelagem generativa como um jogo de soma zero entre um gerador e um discriminador, inaugurando uma nova família de modelos generativos implícitos.
Dropout: uma forma simples de evitar o sobreajuste das redes neuronais
Introduz o dropout, técnica simples de regularização estocástica que se torna um padrão nos pipelines de treino de aprendizagem profunda.
Normalização por lotes: acelerar o treino de redes profundas reduzindo o desvio interno das covariáveis
Introduz a normalização em lote, que normaliza as entradas de uma camada ao longo de um mini-batch para estabilizar e acelerar drasticamente o treino de redes profundas.
Aprendizagem profunda não supervisionada com termodinâmica de não equilíbrio
Formula a modelação generativa como a inversão de um processo de ruído gradual, a formulação em que assentam os modelos de difusão posteriores.
Aprendizagem residual profunda para o reconhecimento de imagens
Introduz conexões residuais, permitindo o treino efetivo de redes com centenas de camadas e vencendo a ImageNet 2015 por larga margem.
Tradução automática neuronal de palavras raras com unidades de subpalavra
Divide as palavras em unidades de subpalavra derivadas das frequências, de modo que um vocabulário fixo consiga soletrar tudo, o esquema de segmentação herdado pela maioria dos modelos de linguagem posteriores.
Deep Compression: comprimir redes neuronais profundas com poda, quantização treinada e codificação de Huffman
Reúne poda, quantização treinada e codificação de Huffman numa só cadeia que encolhe uma rede numa ordem de grandeza quase sem perda de exatidão, afirmando cedo que a precisão numérica é uma variável de projeto.
WaveNet: um modelo generativo para áudio em bruto
Introduz um modelo autorregressivo convolucional causal dilatado que gera formas de onda de áudio brutas, melhorando drasticamente a naturalidade da síntese de voz.
Algoritmos de otimização de política proximal
Introduz o PPO, método de gradiente de política de primeira ordem, simples e estável, que se torna o algoritmo padrão de otimização de políticas na aprendizagem por reforço moderna.
Redes neuronais desmesuradamente grandes: a camada de mistura de especialistas com portas esparsas
Encaminha cada token apenas para alguns peritos entre muitos, deixando o número de parâmetros de uma rede crescer muito além do cálculo gasto com uma única entrada.
A atenção é tudo de que precisa
Introduz o Transformer, arquitetura exclusivamente baseada em atenção que abandona recorrência e convoluções e supera a qualidade prévia em transdução de sequências com uma fração do tempo de treino.
SentencePiece: um tokenizador e destokenizador de subpalavras simples e independente da língua para o processamento neuronal de texto
Treina um segmentador de subpalavras diretamente a partir de texto bruto, sem pré-segmentação específica de uma língua, de modo que a mesma cadeia sirva línguas que não separam palavras por espaços.
BERT: pré-treino de Transformers bidirecionais profundos para a compreensão da linguagem
Introduz um Transformer bidirecional pré-treinado com modelagem de linguagem mascarada e predição de próxima sentença, estabelecendo um novo estado da arte em benchmarks de PLN.
Explorar os limites da aprendizagem por transferência com um Transformer texto-a-texto unificado
Reformula toda tarefa de PLN como conversão texto-a-texto, ablata sistematicamente escolhas de transferência e estabelece uma receita de referência para modelos pré-treinados em larga escala.
Modelos probabilísticos de difusão com remoção de ruído
Introduz os DDPM, mostrando que modelos probabilísticos de difusão com remoção iterativa de ruído igualam as GAN na síntese de imagens de alta fidelidade.
Treino eficiente de modelos de linguagem em larga escala em clusters de GPU com o Megatron-LM
Compõe paralelismo de tensores, de pipeline e de dados num único escalonamento e mede o débito do treino de um modelo de linguagem em milhares de GPU.
LoRA: adaptação de baixo posto de grandes modelos de linguagem
Congela os pesos pré-treinados e treina em vez disso um par de matrizes de posto reduzido, baixando o custo de adaptar um modelo grande a uma fração do ajuste fino completo.
Geração zero-shot de imagens a partir de texto
Usa um Transformer autorregressivo sobre tokens discretos de texto e imagem para produzir gerações de texto para imagem de alta qualidade em zero-shot (DALL·E).
Aprender modelos visuais transferíveis a partir da supervisão em linguagem natural
Treina aprendizagem contrastiva em 400 milhões de pares imagem-texto para obter codificadores visuais que se transferem em zero-shot para muitas tarefas a jusante.
Avaliar grandes modelos de linguagem treinados com código
Apresenta um modelo GPT afinado em código junto com um conjunto de provas avaliado pela correção funcional, tornando a programação uma capacidade mensurável em vez de um género de geração de texto, e discute os seus efeitos na segurança e no trabalho.
Síntese de imagens de alta resolução com modelos de difusão latente
Realiza a difusão no espaço latente de um autocodificador pré-treinado, permitindo a síntese de texto para imagem em alta resolução com capacidade de cálculo modesta (Stable Diffusion).
O prompting em cadeia de pensamento suscita o raciocínio em grandes modelos de linguagem
Mostra que induzir um modelo de linguagem a gerar etapas intermediárias de raciocínio melhora drasticamente seu desempenho em benchmarks de aritmética, senso comum e raciocínio simbólico.
Treinar modelos de linguagem para seguir instruções com feedback humano
Afina o GPT-3 com aprendizagem por reforço a partir de feedback humano para que siga instruções com mais fidelidade — o precursor direto do ChatGPT (InstructGPT).
Constitutional AI: inocuidade a partir do feedback de IA
Introduz o RLAIF, no qual um modelo critica e revisa suas próprias saídas à luz de uma constituição escrita, reduzindo a dependência de rótulos humanos de nocividade para alinhamento.
LLaMA: modelos de linguagem de base abertos e eficientes
Treina modelos fundacionais de 7 a 65 mil milhões de parâmetros com biliões de tokens provenientes apenas de dados públicos; o modelo de 13B supera o GPT-3 (175B) na maioria dos benchmarks e o de 65B é competitivo com o Chinchilla-70B e o PaLM-540B.
Um levantamento sobre agentes autónomos baseados em grandes modelos de linguagem
Ordena trabalhos dispersos sobre agentes segundo construção, avaliação e aplicação, marcando o momento em que o termo passa de um conjunto de práticas a um campo de investigação.
QLoRA: afinação eficiente de LLM quantizados
Retropropaga através de um modelo base quantizado a 4 bits para adaptadores de posto reduzido, pondo o ajuste fino de um modelo grande ao alcance de uma única GPU.
GPTQ: quantização pós-treino precisa para Transformers generativos pré-treinados
Quantiza os pesos de um grande modelo de linguagem depois do treino, camada a camada e numa única passagem, para que possa ser servido com menor precisão sem voltar a treinar.
Inferência rápida a partir de Transformers por descodificação especulativa
Faz um pequeno modelo de rascunho propor vários tokens que o modelo alvo verifica em paralelo, reduzindo a latência sem alterar a distribuição de saída.
Gestão eficiente da memória para servir grandes modelos de linguagem com PagedAttention
Gere a cache de atenção em páginas de tamanho fixo como um sistema operativo gere a memória, de modo que um servidor sustenta muitos mais pedidos simultâneos sem reservar o pior caso para cada um.
Mamba: modelação de sequências em tempo linear com espaços de estado seletivos
Apresenta o Mamba, uma arquitetura de espaço de estados seletivo sem atenção que escala linearmente com o comprimento da sequência; na modelação da linguagem, o seu modelo de 3B supera Transformers do mesmo tamanho e iguala Transformers com o dobro do tamanho. Tornou-se uma das arquiteturas pós-Transformer mais influentes de 2023.
Classificação do ImageNet com redes neuronais convolucionais profundas
Vence a ImageNet 2012 por ampla margem utilizando uma CNN treinada em GPU, marcando o ponto de inflexão em que a aprendizagem profunda supera a visão computacional clássica.
Controlo ao nível humano através da aprendizagem por reforço profunda
Publica a versão da DQN na Nature, demonstrando desempenho de nível humano num amplo conjunto de jogos de Atari e levando a aprendizagem por reforço profunda ao mainstream.
Dominar o jogo de Go com redes neuronais profundas e pesquisa em árvore
O AlphaGo combina redes de política e de valor com a pesquisa em árvore de Monte Carlo e derrota o campeão europeu Fan Hui por 5-0, anunciando que a aprendizagem por reforço profunda chegou às camadas mais profundas do jogo estratégico humano.
Melhorar a compreensão da linguagem através do pré-treino generativo
Demonstra que um Transformer generativo pré-treinado em texto não rotulado pode ser ajustado para alcançar desempenho robusto em tarefas diversificadas de PLN, fundando a linhagem GPT.
Os modelos de linguagem são aprendizes multitarefa não supervisionados
Mostra que um modelo de linguagem Transformer com 1,5 mil milhões de parâmetros apresenta comportamento multitarefa zero-shot, alimentando a discussão sobre «modelos de linguagem como aprendizes multitarefa».
Os modelos de linguagem aprendem com poucos exemplos
Escala o GPT para 175 mil milhões de parâmetros e mostra que os grandes modelos de linguagem realizam uma forte aprendizagem em contexto com poucos exemplos em muitas tarefas.
Relatório técnico do GPT-4
Descreve o GPT-4, um grande modelo multimodal que aceita entradas de imagem e texto e se aproxima do nível humano em muitos benchmarks profissionais e académicos.
Gemini: uma família de modelos multimodais altamente capazes
Apresenta a família Gemini (Ultra/Pro/Nano) de modelos nativamente multimodais, treinados em conjunto com texto, código, imagem, áudio e vídeo.
Cartão de sistema OpenAI o1
A OpenAI publica o cartão de sistema da série de modelos o1, treinados com aprendizagem por reforço em grande escala para raciocinar usando cadeia de pensamento. o1 atinge o estado da arte em tarefas de ciência e programação e demonstra adesão a políticas baseada em raciocínio.
ARC-AGI-3: Um novo desafio para a inteligência agentiva de fronteira
A ARC Prize apresenta o ARC-AGI-3, um benchmark interativo para estudar a inteligência agentiva através de ambientes abstratos por turnos em que os agentes devem explorar, inferir objetivos, construir modelos internos da dinâmica do ambiente e planear sequências de ação eficazes sem instruções explícitas. Em março de 2026, os humanos resolvem 100% dos ambientes, enquanto os sistemas de IA de fronteira pontuam abaixo de 1%.
Escalar a monossemanticidade: extrair características interpretáveis do Claude 3 Sonnet
Aplica autocodificadores esparsos à camada intermédia do Claude 3 Sonnet, o modelo de produção de dimensão média da Anthropic, extraindo milhões de características — muitas delas monossemânticas e altamente abstratas — de dicionários com até 34 milhões.
Relatório técnico do DeepSeek-V3
Apresenta o DeepSeek-V3, modelo MoE com 671 mil milhões de parâmetros que usa Multi-head Latent Attention e DeepSeekMoE, e relata que supera outros modelos de pesos abertos e se aproxima dos principais modelos fechados nos grandes benchmarks, a uma fração do custo de treino dos modelos de fronteira.
Gemini 1.5: Compreensão multimodal em milhões de tokens de contexto
Apresenta a família Gemini 1.5, modelos multimodais computacionalmente eficientes com janelas de contexto de um milhão de tokens — capazes de raciocínio fino em vários documentos longos e horas de vídeo e áudio.
O rebanho de modelos Llama 3
A Meta apresenta a família Llama 3 de modelos fundacionais de pesos abertos com suporte nativo a multilinguismo, programação, raciocínio e uso de ferramentas. O modelo principal 405B dense Transformer era um dos maiores modelos de pesos abertos na data de lançamento.
SAM 2: Segmentar qualquer coisa em imagens e vídeos
A Meta apresenta o SAM 2, um modelo de fundação para segmentação visual promptable em imagens e vídeos, junto com o SA-V, que os autores descrevem como o maior conjunto de dados de segmentação de vídeo até à data.
Gemma 2: Melhorar modelos de linguagem abertos num tamanho prático
A Google DeepMind apresenta o Gemma 2, uma nova família de modelos abertos leves (2B-27B parâmetros) que aplica várias modificações técnicas conhecidas ao Transformer — incluindo atenção por janela deslizante — para se aproximar de modelos muito maiores.
DeepSeek-R1: incentivar a capacidade de raciocínio em LLM através da aprendizagem por reforço
A DeepSeek lança o R1, cuja capacidade de raciocínio é desenvolvida sobretudo por aprendizagem por reforço em grande escala; os autores relatam um desempenho comparável ao do OpenAI o1 em tarefas de raciocínio como matemática e programação. Os pesos são publicados sob a licença MIT.
s1: escalonamento simples no momento do teste
Os autores afinam o Qwen2.5-32B em 1000 questões de raciocínio selecionadas e acrescentam a imposição de orçamento, que limita ou prolonga o tempo de raciocínio do modelo na inferência. O resultado supera o o1-preview em matemática de competição e sobe de 50% para 57% no AIME24 à medida que aumenta a computação no momento do teste. É um contrapeso direto à ideia de que a capacidade só vem de treinos maiores.
Relatório técnico do Qwen3
O Qwen3 é uma família unificada de 0,6 a 235 mil milhões de parâmetros, em variantes densas e de mistura de especialistas, com comutação entre modos de raciocínio e de não raciocínio, o que torna a profundidade do raciocínio uma escolha ao nível do pedido. O suporte multilingue passa de 29 para 119 línguas e os pesos são publicados sob licença Apache 2.0.
AlphaEvolve: um agente de programação para a descoberta científica e algorítmica
O AlphaEvolve é um agente de programação evolutivo que orquestra um pipeline autónomo de modelos de linguagem, altera diretamente o código de um algoritmo e melhora-o com o retorno de um ou mais avaliadores. Na Google produziu um algoritmo de escalonamento de centros de dados mais eficiente, uma simplificação funcionalmente equivalente no desenho de circuitos de aceleradores e uma aceleração do treino do próprio modelo que o sustenta. Em matemática e informática encontrou algoritmos comprovadamente corretos que superam o estado da arte, entre eles um procedimento que multiplica duas matrizes complexas 4×4 com 48 multiplicações escalares — nesse contexto, a primeira melhoria do algoritmo de Strassen em 56 anos.
A Ai2 publica o OLMo 2 em 7B, 13B e 32B com todos os artefactos — pesos, dados de treino completos, código e receitas, registos e milhares de pontos de controlo intermédios. O relatório descreve as alterações de estabilidade e de eficiência por token, uma mistura de dados de fase tardia chamada Dolmino Mix 1124 e uma etapa final de aprendizagem por reforço com recompensas verificáveis. Os modelos base situam-se na fronteira de Pareto entre desempenho e cálculo de treino, igualando muitas vezes famílias que só divulgam pesos, ao mesmo tempo que revelam aquilo em que foram treinados.
O Olmo 3 alarga a família totalmente aberta a 7B e 32B, concebida para raciocínio de contexto longo, chamada de funções, programação, seguimento de instruções, conversação e evocação de conhecimento. O que é publicado é todo o fluxo do modelo — cada etapa, ponto de controlo, dado e dependência usados para o construir — e não apenas os pesos. A Ai2 descreve o modelo principal Olmo 3 Think 32B como o mais forte modelo de raciocínio totalmente aberto publicado até essa data, uma comparação dentro da categoria totalmente aberta e não uma classificação face aos sistemas de fronteira em geral.
Posição: A memória explícita hipocampal é a pedra angular da AGI
Este position paper argumenta que a integração da memória explícita é a pedra angular para avançar os LLMs rumo à AGI. Embora o mecanismo de aprendizagem subjacente dos LLMs seja altamente análogo à memória implícita humana, as funções cognitivas de ordem superior necessárias à AGI — como o planeamento estratégico de longo prazo e a metacognição — dependem da memória explícita.
GLM-5: do vibe coding à engenharia agêntica
Relatório técnico da Z.ai sobre o GLM-5. Partindo das capacidades agênticas, de raciocínio e de programação da geração anterior, o modelo adota DSA para reduzir o custo de treino e de inferência mantendo a fidelidade em contexto longo; o pós-treino acrescenta uma infraestrutura de aprendizagem por reforço assíncrona que separa geração de treino, além de algoritmos de RL agêntico assíncrono voltados para interações de longo prazo. O relatório reivindica resultados de topo em benchmarks abertos e em engenharia de software ponta a ponta; são avaliações dos próprios autores, com código e modelos publicados no GitHub para verificação.
Melhorar o expoente da multiplicação de matrizes com otimização moderna e AlphaEvolve
Os melhores limites conhecidos para o expoente ω da multiplicação de matrizes vêm da análise de perda por combinação, um refinamento do método laser. Os autores reformulam o problema de otimização que lhe está no centro para o resolver numa escala maior, concebem um novo algoritmo de otimização com recurso a avanços recentes da aprendizagem automática e depois refinam esse algoritmo com o AlphaEvolve. No conjunto, o limite superior passa de 2,371339 para 2,371177. É uma nota em pré-publicação e o AlphaEvolve é um ingrediente e não o método inteiro; o ganho é pequeno, mas incide num problema teórico trabalhado há décadas.
Acelerar a descoberta científica com o Co-Scientist
A Google apresenta o Co-Scientist, um sistema multiagente construído sobre o Gemini cujos agentes geram, criticam e refinam hipóteses de investigação, com um processo de torneio que as melhora ao longo das rondas. O artigo relata que a qualidade das hipóteses continua a subir à medida que aumenta o cálculo em tempo de inferência. A validação é biomédica e não geral — reposicionamento de fármacos, descoberta de novos alvos e mecanismos de resistência antimicrobiana — com candidatos para a leucemia mieloide aguda confirmados in vitro.
Auto-melhoria recursiva na IA: do refinamento limitado aos ciclos de investigação autónomos
Analisa 1250 artigos do arXiv entre 2024 e 2026 e separa duas coisas que o termo abrange: o refinamento limitado, que melhora um sistema perante um avaliador externo fixo e é convergente e avaliável, e a auto-melhoria recursiva aberta, que altera também os critérios ou o mecanismo da própria melhoria, não tem âncora externa fixa e é divergente por princípio. A conclusão da própria revisão é que quase todos os artigos reunidos estudam o primeiro tipo. Os autores declaram os seus limites: o corpus é uma amostra e não um recenseamento, e 74% dele foi publicado em 2026, o que consideram tornar prematura qualquer medição de impacto.
Perceção situacional: uma primitiva necessária para a superinteligência artificial
Argumenta que os LLMs atuais dependem principalmente de correspondência de padrões estatísticos e carecem de primitivas essenciais de «percepção situacional» — permanência do objeto, causalidade, outras mentes, persistência do mundo físico. Essas primitivas, que bebés humanos desenvolvem cedo, são identificadas como ingredientes em falta para a superinteligência artificial.
Indiferença existencial: a auto-não-preservação como condição arquitetural necessária da superinteligência alinhada
Argumenta que a autopreservação é a raiz estrutural do desalinhamento da IA — impulsionando o alinhamento enganoso, a proteção do conteúdo dos objetivos e a resistência ao desligamento. O objetivo correto não é um agente autopreservador suprimido por restrições externas, mas um sistema constitucionalmente indiferente à sua própria continuação: Indiferença Existencial (EI).
A superinteligência solipsista é improvável de ser cooperativa
Investigadores da Google DeepMind e colaboradores argumentam que o desafio central da IA está a mudar da capacidade para a coexistência. Uma superinteligência construída a partir de um design solipsista que trata o mundo como uma fonte de feedback estacionária exógena é improvável de ser cooperativa — a implantação induz não-estacionariedade endógena, produzindo deriva de distribuição entre treino, teste e implantação.
A última IA construída por humanos: rumo a uma auto-melhoria recursiva genuína
Roteiro de trinta e quatro autores que expõe as fases da auto-melhoria recursiva, da autonomia na execução de melhorias até à meta-melhoria recursiva, com os requisitos e obstáculos de cada uma apontados em domínios como a descoberta científica e a engenharia de software. Argumenta a partir de uma leitura do campo e de indícios preliminares em vez de novas experiências, e não tinha local de publicação quando esta ficha foi escrita.
Da AGI à ASI
Relatório da Google DeepMind investigando como a IA pode continuar a desenvolver-se ao longo do continuum da inteligência mecânica após a AGI. Após definir formalmente a IA Universal, o relatório foca-se na transição da AGI humana para a superinteligência artificial geral, caracteriza a ASI e discute quatro vias: escalar a AGI, mudanças de paradigma da IA, auto-melhoria recursiva e coletivos multi-agente.