Google DeepMind e a RSI: será que a última fronteira da IA foi ultrapassada?

@haider1 escreve que três novos modelos teriam surgido em seis semanas e vê nisso um « sign of early RSI ». A sua formulação completa é significativa:

"google is definitely using some form of RSI to progress this quickly" @haider1

Essa frase vai longe, mas não diz que a Google teria « reached RSI » no sentido de um ciclo autónomo completo. Refere « some form of RSI » e um sinal precoce, ou seja, uma hipótese sobre mecanismos internos de produtividade, automatização ou iteração acelerada.

A lista fornecida por @lender980 ilustra o ritmo observado, com anúncios que vão do Gemini 3.7 Flash, em 13 de agosto, ao Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 e outros lançamentos no final de agosto e início de setembro. Essa frequência pode, de facto, sugerir uma organização de desenvolvimento mais rápida.

No entanto, pode ser explicada por vários fatores mais convencionais:

• variantes semelhantes de produtos lançadas em datas diferentes;
• mais capacidade computacional dedicada aos treinos e às avaliações;
• equipas e pipelines de engenharia mais eficientes;
• ajustes de raciocínio, velocidade ou custo;
• uma estratégia comercial de lançamentos acelerados.

@JakeKAllDay propõe precisamente uma explicação convencional para a passagem do Gemini 3.7 para o 3.8:

"i like gemini but the jump from 3.7 vs 3.8 is mostly just a boost in juice/thinking effort. 3.8 med ~ equals 3.7 high on thinking effort. its partially masked by a ~10% speed up in tps." @JakeKAllDay

O seu argumento não demonstra a ausência de capacidades internas mais avançadas. No entanto, recorda que um ritmo de lançamentos ou uma melhoria visível dos produtos não é suficiente para diagnosticar uma autoaperfeiçoamento recursivo.

Uma iteração mais rápida é um possível sinal operacional, não a demonstração de uma RSI autónoma e fechada.

O paradoxo de @haider1: vê um sinal precoce e depois duvida de que uma RSI já tenha sido alcançada

Um dos aspectos mais interessantes da discussão é que @haider1 acaba nos dois lados do debate. Em 6 de setembro, ele interpreta os resultados do Gemini como um sinal de “RSI precoce”. Em 12 de setembro, sob a publicação de @kimmonismus, ele questiona de forma lógica a ideia de que a RSI já tenha sido alcançada, considerando os produtos públicos.

"na verdade, eu disse isso há alguns dias, mas ainda não tenho certeza de como isso vai acontecer quando os modelos do Google ainda estão bastante atrás em programação então, se o Google afirma ter alcançado a RSI, a OpenAI e a Anthropic provavelmente alcançaram algo semelhante muito antes" @haider1

Essa objeção aponta diretamente para a lacuna entre uma hipótese interna espetacular e a experiência dos usuários com os modelos Gemini para programação. Se o Google realmente tivesse fechado um ciclo de aprimoramento recursivo altamente eficiente, por que seus modelos públicos não dominariam claramente as tarefas de programação, raciocínio ou trabalho agêntico diante de concorrentes frequentemente vistos como líderes?

@kimmonismus responde com uma hipótese estratégica:

"A questão é se o Google pode simplesmente optar por não oferecer tecnologia de ponta aos consumidores e investir tudo em RSI." @kimmonismus

É uma possibilidade. Os laboratórios não necessariamente disponibilizam suas melhores capacidades, sobretudo por razões de segurança, custo, confiabilidade ou concorrência. Mas, nesta discussão, nenhum dado confirma que o Google teria deliberadamente retido uma tecnologia de ponta funcional em favor de um ciclo interno de RSI.

A diferença entre as capacidades internas do Google e seus produtos públicos é concebível, mas continua sendo, neste caso, uma explicação possível, não um fato estabelecido.

Os produtos Gemini continuam no centro da objeção dos céticos

Vários participantes não rejeitam a ideia de que o Google disponha de pesquisa de primeira linha. Em vez disso, questionam o salto lógico que consiste em transformar essa força científica em prova de RSI.

Sob a publicação de @lyraxana, @DeepLearn007 expressa essa discrepância entre pesquisa e produto:

"O Google possui uma pesquisa extraordinária, afinal, foi pioneiro nos Transformers com o mecanismo de autoatenção e realizou grande parte da pesquisa inicial em RL que impulsiona os LLMs. Mas tem enfrentado dificuldades para transformar a pesquisa em produtos. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli faz uma crítica semelhante, mais diretamente fundamentada no uso dos modelos públicos:

"Quero acreditar, mas, conhecendo os modelos públicos deles, tenho dificuldade em fazer isso. :) Estamos um pouco de volta aos tempos do Bard em comparação com os outros modelos de alto nível." @VibeDevolli

@kimmonismus responde sem apresentar nenhum elemento novo:

"Para ser justo: a GDM ainda está no jogo" @kimmonismus

A resposta é razoável, na medida em que o Google DeepMind continua sendo um dos principais atores da IA. No entanto, ela não responde à questão levantada: quais desempenhos públicos, publicações técnicas ou provas operacionais permitiriam passar de uma empresa competitiva para uma empresa que alcançou a RSI?

@Politas180 resume essa objeção em uma frase particularmente clara:

"Se eles realmente tivessem fechado o ciclo, o Gemini já seria o modelo que eu deixaria rodando durante a noite. Não é. Escrever isso em letras maiúsculas não muda esse fato." @Politas180

Trata-se da avaliação de um usuário, e não de um benchmark acadêmico. Mas ela reflete um ponto compartilhado por vários participantes: nenhuma experiência pública com o Gemini fornece atualmente uma prova evidente de uma vantagem decisiva compatível com um autoaperfeiçoamento recursivo cujo ciclo já tenha sido fechado.

A distinção técnica decisiva: assistência à pesquisa versus RSI de ponta a ponta

A resposta mais sólida da discussão vem de @MTorygreen. Ela não nega nem os avanços do Google nem o impacto potencial da IA sobre a pesquisa e o treinamento de modelos futuros. Apenas levanta a questão essencial: onde ainda se encontra a intervenção humana?

"Eu teria cautela ao chamar qualquer coisa de RSI até sabermos onde ainda está o gargalo humano. Se o modelo está gerando experimentos melhores, aprimorando o código e ajudando a projetar a próxima rodada de treinamento, isso é enorme. Mas ainda existe uma grande distância entre isso e um sistema que aprimora recursivamente a si mesmo de ponta a ponta." @MTorygreen

Essa distinção é essencial para interpretar os rumores sobre a AGI do Google DeepMind.

Um sistema pode contribuir para:

1. gerar hipóteses de pesquisa;
2. escrever ou corrigir parte do código de treinamento;
3. propor arquiteturas ou dados sintéticos;
4. acelerar as avaliações;
5. ajudar engenheiros a escolher o próximo treinamento.

Tudo isso pode acelerar consideravelmente o trabalho de um laboratório. Mas uma RSI forte exigiria mais: os resultados deveriam ser selecionados, validados, integrados, treinados e implementados com uma intervenção humana suficientemente reduzida para que o sistema melhore, por si só, as próprias capacidades de forma cumulativa.

Seria então necessário saber em que pontos ainda ocorrem as validações, as decisões de arquitetura, os controlos de segurança, as decisões sobre recursos computacionais, o acesso aos dados e a análise dos resultados. A sequência de publicações não fornece qualquer resposta a estas questões.

É por isso que o argumento de @MTorygreen é o mais bem fundamentado: a discussão sugere uma possível automatização, mas não documenta um ciclo de melhoria autónomo de ponta a ponta.

Uma narrativa estratégica não substitui uma demonstração técnica

@kimmonismus acrescenta à sua publicação referências a Demis Hassabis, Sergey Brin, Reuters e à importância estratégica da RSI na corrida à AGI. Estes elementos podem explicar por que razão uma tecnologia deste tipo interessaria à Google. Não demonstram que tenha sido alcançada.

O facto de a Google DeepMind considerar a AGI, a automatização da investigação ou a melhoria dos modelos como prioridades é coerente com a estratégia de todos os grandes laboratórios. Uma ambição industrial não constitui uma validação técnica.

@kimmonismus indica também que abordará o tema na sua newsletter Superintelligence. A página apresenta-se como um briefing sobre IA destinado a « vencer no futuro » e anuncia mais de 160 000 assinantes diários. Este posicionamento explica o interesse pelo tema, mas não fornece dados independentes adicionais sobre o rumor.

Por que razão o rumor merece, ainda assim, ser levado a sério

A ausência de provas públicas não significa que todo o caso se baseie no vazio. Dois sinais estratégicos verificáveis explicam por que razão o rumor encontra hoje um terreno particularmente fértil.

Em primeiro lugar, a Google anunciou, em agosto de 2026, que Demis Hassabis passaria a ser Chair da Google DeepMind e Chief Scientist da Alphabet. O grupo afirma que esta nova função deverá permitir-lhe dedicar a sua « atenção total » a moldar o futuro da AGI. O anúncio oficial está disponível no blogue da Google.

Em seguida, a Reuters noticiou, em 12 de agosto de 2026, que Sergey Brin estava a impulsionar os esforços da Google em direção à melhoria recursiva autónoma no âmbito da reorganização das suas atividades de IA. A reportagem descreve a RSI como uma área suficientemente estratégica para influenciar a alocação de recursos e a estrutura das equipas. Isto não confirma que tenha sido alcançado um ciclo funcional. Confirma, no entanto, que o tema existe a nível estratégico na Google, e não apenas nas especulações do X. A reportagem da Reuters pode ser consultada aqui.

A nuance é decisiva. Temos indícios sólidos de que a Google pretende acelerar a melhoria autónoma dos seus sistemas. Não temos provas públicas de que tenha ultrapassado o limiar a que as redes sociais já chamam “RSI”.

Se a Google tiver realmente um ciclo de RSI, a corrida à IA muda de natureza

É aqui que esta história se torna mais importante do que um simples rumor sobre um modelo. Um verdadeiro ciclo de RSI não seria apenas « um Gemini mais inteligente ». Mudaria o processo que produz os próximos Gemini.

1. O ritmo do progresso tornar-se-ia, por si só, uma vantagem competitiva

Até agora, a corrida entre a Google, a OpenAI e a Anthropic tem sido analisada sobretudo através de sucessivas gerações de modelos, benchmarks e lançamentos de produtos. Um ciclo de melhoria autónoma elevaria a competição a um nível superior: a velocidade com que um laboratório consegue melhorar a sua própria máquina de investigação.

Se um sistema ajudar a identificar experiências úteis, escrever uma parte crescente do código, analisar automaticamente as falhas e propor o próximo treino, o laboratório não ganha apenas alguns pontos em benchmarks. Encurta o ciclo entre duas gerações. Neste cenário, comparar os modelos públicos num determinado momento torna-se menos informativo do que medir a taxa de progressão interna.

É também isso que torna interessante a cadência do Gemini, sem que ela constitua uma prova. Três lançamentos num curto espaço de tempo não demonstram nada por si só. Mas, se essa cadência resultar de uma automatização profunda da I&D, torna-se um indicador de uma vantagem mais estrutural.

2. O melhor modelo da Google poderá nunca tornar-se um produto público

A hipótese levantada por @kimmonismus merece ser examinada: a Google poderia reservar os seus sistemas mais avançados para a pesquisa interna, em vez de os disponibilizar imediatamente aos consumidores.

Essa estratégia teria uma lógica econômica. Um modelo interno capaz de melhorar os dados, o código de treinamento, as avaliações ou as arquiteturas pode ter mais valor como multiplicador de P&D do que como chatbot vendido algumas semanas antes. O produto público poderia, então, apresentar um atraso aparente, ocultando uma infraestrutura interna muito mais avançada.

Isso explicaria o paradoxo central da discussão, mas apenas se elementos independentes vierem um dia a confirmá-lo. Por enquanto, é uma hipótese coerente, não uma explicação comprovada.

3. O poder computacional tornar-se-ia capital de pesquisa que melhora o próprio retorno

Mesmo uma RSI parcial poderia alterar a economia da computação. Hoje, mais GPUs permitem sobretudo executar mais experimentos, treinar modelos maiores ou atender mais usuários. Em um ciclo automatizado de melhoria, parte do poder computacional também é usada para conceber formas melhores de utilizar o poder computacional futuro.

Em outras palavras, a computação já não financia apenas um modelo. Ela financia um processo que procura tornar o ciclo seguinte mais eficiente. Se esse ciclo realmente funcionar, a vantagem dos grupos que dispõem dos maiores clusters, dos melhores chips, de energia e de integração vertical poderia aumentar.

A Google está particularmente bem posicionada nesse campo graças às suas TPUs, aos seus centros de dados, às suas equipes de pesquisa e à sua capacidade de implementar os resultados em uma infraestrutura global. Isso não garante qualquer RSI. Isso explica por que um avanço desse tipo na DeepMind teria consequências industriais desproporcionais.

4. OpenAI e Anthropic seriam pressionadas a adotar mais sigilo e uso interno

Se uma empresa demonstrasse que um sistema melhora de forma substancial o processo que constrói o seu sucessor, seus concorrentes teriam pouco interesse em responder apenas com um lançamento público. Eles também procurariam transformar seus melhores modelos em pesquisadores, engenheiros, avaliadores e operadores internos.

A consequência visível poderia ser paradoxal: quanto mais estratégicas se tornam as capacidades internas, menos os modelos públicos revelam sobre toda a corrida. Os benchmarks voltados ao grande público continuariam importantes, mas descreveriam uma camada de produto. A verdadeira competição ocorreria na qualidade dos agentes internos, na automatização dos experimentos, no retorno do poder computacional e na capacidade de converter uma ideia em um treinamento confiável.

É por isso que a objeção « o Gemini público não é o número um, portanto a Google não pode ter RSI » é insuficiente. Mas o argumento inverso é igualmente fraco: « o Gemini está progredindo rapidamente, portanto a Google tem RSI ». Ambos confundem o produto observável com a infraestrutura de pesquisa que o produz.

5. A segurança e a regulamentação deveriam monitorar uma capacidade, não uma palavra

O termo RSI é vago demais para, por si só, se tornar um limiar regulatório útil. A pergunta correta é mais concreta: quais tarefas de pesquisa um sistema consegue realizar sem intervenção humana, com que taxa de sucesso e por quantos ciclos consecutivos?

Indicadores mais relevantes seriam a capacidade de modificar o código de treinamento, conceber e selecionar experimentos, diagnosticar os resultados, propor uma arquitetura subsequente, gerir recursos computacionais e manter uma melhoria mensurável ao longo de várias iterações.

Um laboratório poderia dispor de vários componentes dessa cadeia sem possuir uma RSI autônoma de ponta a ponta. É provavelmente essa zona intermediária que mais importa no curto prazo. Ela já pode acelerar significativamente o progresso, concentrar a vantagem em poucos atores e dificultar as avaliações de segurança, sem se assemelhar ao « ciclo exponencial » frequentemente imaginado quando o termo RSI circula no X.

O que o leitor deve reter desta sequência de publicações

O rumor sobre a RSI da Google DeepMind baseia-se em três níveis de informação que não devem ser confundidos:

• @lyraxana publicou uma mensagem ambígua de felicitações, sem mencionar RSI nem AGI.
• @haider1 já havia considerado anteriormente o ritmo do Gemini um « sign of early RSI », ou seja, uma hipótese limitada sobre uma possível automatização acelerada.
• @kimmonismus relacionou esses sinais a um rumor mais específico segundo o qual a Google DeepMind teria alcançado a RSI, embora reconhecendo que isso ainda é apenas um rumor.

A discussão deixa várias perguntas sem resposta:

• O que @lyraxana realmente queria dizer?
• Que elementos verificáveis comprovam sua confiabilidade como fonte de vazamentos sobre IA?
• Que dados permitiriam distinguir uma cadeia de desenvolvimento automatizada de um autoaperfeiçoamento recursivo completo?
• Os modelos públicos do Google subestimam as reais capacidades internas ou refletem mais diretamente o estado de seus sistemas?
• O ritmo dos anúncios do Gemini decorre de uma IA mais autônoma, de equipes melhores, de maior capacidade computacional ou de uma estratégia de lançamento?

A conclusão mais rigorosa é, portanto, menos espetacular do que o rumor inicial. O Google pode perfeitamente estar acelerando seus processos internos, usando IA para melhorar o código, os experimentos e os treinamentos, e investindo fortemente em AGI. Mas nenhum elemento público desta discussão comprova que o Google DeepMind tenha alcançado um autoaperfeiçoamento recursivo completo, nem sequer que a mensagem de @lyraxana se referisse especificamente a essa ideia.