Foundational Requirements for Artificial General Intelligence: A Falsifiable Framework Based on Signal Prediction

Resumo Técnico: Requisitos Fundamentais para a Inteligência Artificial Geral

Definição do Problema
O artigo aborda a falta fundamental de uma definição precisa de inteligência e a compreensão limitada de como os cérebros biológicos operam, o que dificulta o desenvolvimento da Inteligência Artificial Geral (AGI). Os sistemas de IA atuais frequentemente alcançam alto desempenho em tarefas restritas ao otimizar para benchmarks específicos, confundindo competência especializada com inteligência geral. Esses sistemas frequentemente dependem de estruturas semânticas pré-existentes ou representações simbólicas de alto nível, falhando em abordar o "problema do aterramento de símbolos" (symbol grounding problem), onde os símbolos carecem de significado intrínseco sem interação sensorial. Os autores argumentam que visar comportamentos de alto nível em tarefas predefinidas é insuficiente; em vez disso, o foco deve mudar para os requisitos comportamentais de baixo nível, independentes de arquitetura, necessários para a emergência da inteligência geral.

Metodologia
Os autores propõem um framework falsificável fundamentado na hipótese de que a inteligência de alto nível emerge do processamento de sinais de baixo nível. Em vez de definir inteligência, eles definem um conjunto de condições necessárias (embora não suficientes) para que um sistema seja considerado um candidato à AGI.

1. A Hipótese: Um sistema capaz de inteligência geral de nível humano deve satisfazer doze requisitos específicos. Esses requisitos caracterizam sistemas adaptativos que aprendem através da predição sobre sinais binários estruturados espacial e temporalmente, sem conhecimento semântico externo.
2. O Testbed (AGITB): Para operacionalizar esses requisitos, os autores introduzem o Artificial General Intelligence Testbed (AGITB). Este é um conjunto de testes empíricos transparentes e reutilizáveis, um para cada requisito.
   • Espaço de Entrada: O sistema processa sequências de vetores binários de 10 bits ($L=10$). O espaço de entrada é restringido por um "período refratário absoluto" (nenhum bit pode ser '1' em passos de tempo consecutivos), criando um subconjço específico de sequências admissíveis.
   • Tarefa: O sistema deve prever a próxima entrada em uma sequência com base em seu histórico.
   • Critérios de Avaliação: O testbed utiliza um critério de "tudo ou nada". Um sistema deve passar em todos os doze testes específicos de requisitos para ser considerado um candidato à AGI. Os testes são desenhados como testes de estresse (ex: 5.000 tentativas repetidas) para garantir robustez, em vez de significância estatística.
   • Falsificabilidade: O framework é projetado para ser falsificado. Se um sistema demonstradamente não inteligente (ex: um algoritmo estreito) passasse por todos os doze testes, a hipótese de que esses requisitos são necessários para a AGI seria rejeitada.

Os Doze Requisitos
O framework identifica doze requisitos mínimos e interativos:

1. Início Não Informado (Uninformed Start): Modelos devem começar de uma configuração inicial idêntica e vazia, sem conhecimento específico do ambiente.
2. Determinismo: A evolução do modelo deve ser determinística em relação ao histórico de entrada.
3. Traço (Trace): Cada entrada deve deixar um traço interno permanente; as configurações nunca devem se repetir (sem ciclos).
4. Tempo: A evolução do modelo deve depender estritamente da ordem das entradas (não comutativa).
5. Período Refratário Absoluto: O aprendizado é restrito a sequências onde as entradas sucessivas são não sobrepostas (restrições de disparos biologicamente plausíveis).
6. Saturação Inevitável: Sistemas possuem capacidade finita; não podem aprender todas as sequências possíveis, embora todas as sequências de comprimento-2 admissíveis devam ser aprendíveis.
7. Adaptabilidade Temporal: O sistema deve aprender sequências com comprimentos de ciclo variados e adaptar-se a mudanças na escala temporal.
8. Sensibilidade de Conteúdo: O tempo de adaptação deve variar com base na complexidade da sequência de entrada.
9. Sensibilidade de Contexto: O tempo de adaptação deve variar com base na configuração interna do modelo (histórico).
10. Redução de Ruído (Denoising): Um modelo informado deve superar baselines constantes ao prever entradas corrompidas dentro de uma sequência conhecida.
11. Generalização: O modelo deve prever continuações não vistas de uma sequência melhor do que o acaso após observar um prefixo.
12. Vitalidade em Tempo Real (Real-time Liveness): Cada atualização do modelo deve ser concluída dentro de um limite de tempo de relógio (wall-clock time) fixo, independente do histórico de entrada.

Principais Contribuições

• Framework Operacional: O artigo fornece o primeiro framework operacional e falsificável que combina processamento preditivo, aprendizado contínuo e fundamentação biológica em um conjunto único de critérios independentes de arquitetura.
• O Testbed AGITB: Uma implementação de referência (C++) pública que avalia sistemas contra estes doze requisitos.
• Mudança para Sinais de Baixo Nível: O trabalho afasta-se da avaliação simbólica (que sofre com problemas de aterramento) para a predição de sinais binários brutos, alinhando-se aos princípios neurocomputacionais do córtex cerebral.
• Síntese de Requisitos: A novidade não reside nos componentes individuais, mas na síntese destes requisitos de baixo nível específicos, que são individualmente solucionáveis por sistemas especializados, mas que coletivamente impõem uma restrição muito mais forte sobre as arquiteturas candidatas.

Resultos

• Status Empírico: Até o momento, nenhum sistema não inteligente foi identificado ou relatado como tendo passado com sucesso no testbed AGITB.
• Tentativas de Contraexemplos: Os autores tentaram gerar contraexemplos usando modelos de linguagem de grande escala (LLMs) contemporâneos, como ChatGPT, Claude e Gemini, para sintetizar código que pudesse passar nos testes. Embora esses modelos tenham produzido códigos alegando satisfazer os critérios, nenhum das soluções geradas teve sucesso quando executada sob o procedimento de avaliação do AGITB.
• Limitações do Sistema: O artigo observa que os sistemas existentes (programas simbólicos, ANNs padrão e LLMs) geralmente falham em requisitos específicos, particularmente no "início não informado" (devido ao pré-treinamento) e nos requisitos de "vitalidade em tempo real" ou "traço" (dev devido a restrições arquitetônicas como janelas de contexto fixas).

Significância e Alegações
O artigo alega modestamente que passar no AGITB não prova a existência de inteligência geral. Em vez disso, o testbed serve como um marco empírico candidato.

• Necessário, Não Suficiente: Satisfazer os doze requisitos é hipotetizado como necessário para a AGI, mas não suficiente para garantir capacidades de alto nível como raciocínio ou linguagem.
• Falsificabilidade: A principal significância é a capacidade de falsificar a hipótese. Se um sistema estreito passar, a hipótese é rejeitada. Até que tal contraexemplo seja encontrado, o testbed delineia uma fronteira que os sistemas contemporâneos não cruzam.
• Lacuna Metodológica: O trabalho aborda uma lacuna de longa data na pesquisa de AGI ao fornecer um método transparente e reutilizável para avaliar as restrições comportamentais de baixo nível hipotetizadas como pré-requisitos para a inteligência geral, indo além de definições vagas ou benchmarks específicos de tarefas.