O rumor de RSI no Google: AGI e o debate sobre o ritmo da IA

Uma IA que ajuda você a terminar um projeto difícil é útil. Uma IA que ajuda a construir uma IA mais capaz muda o ritmo de chegada de ferramentas úteis. Essa segunda possibilidade explica por que algumas postagens enigmáticas sobre Google atraíram a atenção no momento em que os líderes rivais de IA começaram a apoiar publicamente um cronograma de desenvolvimento mais comedido.

Dois termos tornam a história mais fácil de acompanhar. AGI, ou inteligência artificial geral, descreve uma IA amplamente capaz: um sistema que pode aprender e executar muitas tarefas intelectuais diferentes. RSI, ou autoaperfeiçoamento recursivo, descreve um processo: a IA contribui para melhorar um sistema de IA e essas melhorias ajudam na próxima rodada de melhorias. Uma é sobre a gama de capacidades de um sistema; a outra é sobre como o progresso se retroalimenta.

Este artigo segue o boato Google até seus posts X originais, separa os endossos públicos de um acordo real para retardar o desenvolvimento e examina o que um ciclo de pesquisa mais rápido poderia significar para a vida cotidiana. O ponto final do relatório é 14 de setembro de 2026. A minha opinião é optimista: melhores ferramentas poderiam tornar os conhecimentos especializados muito mais acessíveis. Mas o futuro que vale a pena desejar inclui tempo suficiente para verificar os resultados e autoridade suficiente para mudar de rumo.

Três distinções a serem lembradas

• AGI, RSI e superinteligência descrevem coisas diferentes. Nenhum é sinônimo de uma IA com consciência.
• O trabalho público de Google apoia a afirmação de que a IA está ajudando a desenvolver a IA. Os postos X circulantes não estabelecem um ciclo de melhoria sustentado e totalmente autónomo.
• Vários líderes apoiaram publicamente a moderação do ritmo de desenvolvimento e avaliações externas. Isso é significativo, mas não comprova um acordo de desaceleração assinado e aplicado a toda a indústria.

AGI é a capacidade de aprender e realizar tarefas diferentes

Um especialista pode ser extraordinário em uma tarefa. Um mecanismo de xadrez pode derrotar um campeão sem ser capaz de explicar um contrato de arrendamento, planejar um projeto de pesquisa ou aprender um novo fluxo de trabalho de escritório. AGI refere-se a uma ambição mais ampla: um sistema de IA que possa transferir habilidades úteis em muitos tipos de trabalho intelectual, incluindo tarefas desconhecidas. Em termos cotidianos, a questão é se será possível continuar aprendendo a ser útil quando a tarefa mudar.

Não existe uma linha de chegada única universalmente aceita. Em novembro de 2023, os pesquisadores do DeepMind propuseram avaliar o AGI em dimensões que incluem desempenho, generalidade e autonomia. A sua estrutura faz uma distinção valiosa: ser bom em muitas tarefas e ter permissão para agir de forma independente são propriedades distintas. Um sistema altamente capaz ainda pode ser implantado com permissões restritas. Níveis de AGI, enviados pela primeira vez em 4 de novembro de 2023.

Para um iniciante, considere um assistente hipotético convidado a ajudar uma pequena organização sem fins lucrativos. Precisa de compreender uma folha de cálculo desconhecida, redigir um pedido de financiamento, detectar uma contradição no orçamento e aprender as regras de prestação de contas. Uma demonstração convincente mostraria um desempenho confiável nessas mudanças, incluindo saber quando pedir ajuda. Uma proposta de subvenção bem elaborada estabeleceria muito menos do que esse padrão mais amplo.

É também por isso que uma pontuação de referência não é um certificado universal de inteligência. Um benchmark nos diz algo sobre tarefas específicas sob condições específicas. Pode deixar de fora a fiabilidade sustentada, ambientes desconhecidos, custos práticos ou a capacidade de recuperação de erros. Quando alguém anuncia AGI, o acompanhamento útil é: quais habilidades, em que nível, em que gama de tarefas e com quanta assistência?

ASI, ou superinteligência artificial, geralmente se refere a capacidades substancialmente além dos humanos em uma ampla gama de trabalhos cognitivos. É outro conceito, não um rótulo obrigatório para todos os modelos impressionantes. Nem AGI nem ASI implicam automaticamente consciência, emoções ou uma vida interior semelhante à humana. Este artigo é sobre capacidades, processos de desenvolvimento e as escolhas que as pessoas fazem em torno deles.

Na RSI, o progresso melhora a forma de produzir o próximo avanço

O software comum melhora porque as pessoas encontram problemas, propõem mudanças, testam-nas e mantêm as mudanças que funcionam. A IA já pode ajudar em etapas individuais. Pode sugerir um algoritmo mais rápido, gerar casos de teste ou ajudar a diagnosticar um experimento que falhou. RSI torna-se interessante quando os ganhos desse trabalho tornam o sistema melhor na condução da próxima rodada de melhorias.

Imagine uma oficina de pesquisa que aperfeiçoa as próprias ferramentas. Um instrumento de medição melhor permite produzir outro mais preciso, que ajuda a aprimorar o seguinte. Cada mudança bem-sucedida amplia o que a oficina pode realizar no próximo experimento. A questão é se os ganhos são reais, preservados e úteis à pesquisa futura, e não apenas se há mais atividade.

Um chatbot que revisa sua resposta cinco vezes não melhorou necessariamente seu modelo subjacente. Um recurso de memória pode preservar fatos sem atualizar os parâmetros aprendidos da rede. Um agente de codificação pode melhorar suas próprias ferramentas enquanto o modelo que o alimenta permanece inalterado. Estes são mecanismos úteis, mas a forma forte do RSI envolve melhorar sucessivamente a capacidade de produzir melhores sistemas de IA. O anterior guia para ciclos contínuos de aprendizagem e melhoria explora esses mecanismos mais restritos.

A definição também explica por que AGI e RSI não precisam chegar em uma ordem fixa. Um sistema poderia ajudar a otimizar o treinamento de IA, ao mesmo tempo que permanece fraco em muitas tarefas diárias. Por outro lado, a IA amplamente capaz poderia ser desenvolvida através de um processo ainda dirigido por pessoas. RSI poderia acelerar o caminho em direção a uma maior generalidade, mas escrever essas três letras em um diagrama não prova onde esse caminho termina.

Um diagrama conceitual original. AGI e RSI são dimensões diferentes, não uma sequência garantida de marcos. Ilustra as definições acima, não as capacidades medidas de um modelo específico.

O rumor sobre o Google remonta a duas publicações

Uma reportagem do AI Times publicada em 14 de setembro descreve o rumor que circula na comunidade de IA. Seguindo a publicação incorporada e os links dos comentários posteriores, chegamos a poucas fontes identificáveis. Isso importa porque cem republicações podem parecer cem confirmações, embora a maioria repita a mesma alegação inicial.

Em 11 de setembro, a conta Lyra, @lyraxana, postou uma curta mensagem de parabéns marcando Google DeepMind. A capitalização incomum destacou as letras R, S e I. A postagem não forneceu nenhum método experimental, resultados de desempenho ou explicação do envolvimento humano. Foi um convite para inferir algo de uma abreviatura.

Mais tarde naquela data, Lentils, @Lentils80, citou a postagem de Lyra e se referiu a um suposto modelo interno chamado rsi-model-liverl-le, junto com dez slots de treinamento numerados. A captura de tela associada tornou-se outro foco de especulação. Estas são alegações sobre uma suposta listagem interna; a autenticidade da listagem e sua relação com um sistema funcional não foram estabelecidas de forma independente nesta investigação.

Em 12 de setembro, Chubby, @kimmonismus, ampliou o boato e colocou um link de volta para a mesma postagem de Lyra. Isso estabelece um caminho de circulação. Não cria uma segunda fonte independente para um avanço. Nem a reputação de uma conta relativamente a fugas anteriores substitui as provas sobre esta afirmação específica.

Mesmo um nome interno autêntico deixaria as questões centrais sem resposta. Uma equipe pode nomear um projeto com base em seu objetivo antes de alcançá-lo. Um experimento pode melhorar um componente restrito, embora ainda dependa fortemente da direção humana. Precisaríamos de resultados medidos, uma linha de base clara e um relato do que foi automatizado antes de tirar uma conclusão mais sólida.

Até a data desta pesquisa, a conclusão é limitada: o rumor de RSI no Google tem fontes rastreáveis no X, mas essas publicações não demonstram uma RSI totalmente autônoma. Não encontrei um anúncio do Google que autentique a suposta lista interna ou apresente as avaliações repetidas e independentes necessárias para sustentar essa interpretação. Esse é o limite das evidências públicas examinadas, não uma prova de que não existam avanços ainda não divulgados.

A pesquisa publicada pelo Google informa mais que um nome vazado

Há uma razão pela qual o boato encontrou público. Google descreveu publicamente a contribuição da IA para o desenvolvimento da IA. Em seu anúncio de 2 de setembro de 2026 Gemini 3.8, a empresa disse que os loops de agente de longa duração ajudaram a avaliar e refinar recursivamente os modelos subjacentes. Essa é uma declaração substantiva e atribuível sobre o seu processo de desenvolvimento. Ainda não especifica uma cadeia totalmente autônoma de sistemas sucessores. Anúncio Gemini 3.8 de Google.

Um resultado anterior dá à ideia uma escala concreta. Google DeepMind relatou em maio de 2025 que AlphaEvolve melhorou um núcleo de treinamento chave do Gemini em 23%, contribuindo para uma redução de aproximadamente 1% no tempo geral de treinamento. O agente de codificação utilizou modelos de linguagem, avaliação e seleção automatizadas para buscar melhores algoritmos. Anúncio AlphaEvolve, 14 de maio de 2025.

A diferença entre 23% e 1% é instrutiva. Melhorar um componente não melhora todo o ciclo de desenvolvimento na mesma proporção. Outros trabalhos ainda levam tempo. No entanto, mesmo uma pequena poupança pode ser importante quando aplicada repetidamente a formação dispendiosa, e uma otimização útil pode tornar-se parte do processo que produz o próximo modelo.

Essa é uma base melhor para o otimismo do que adivinhar o que significa um nome de arquivo. O campo pode fazer progressos conseqüentes antes que alguém demonstre a versão mais forte do RSI. Deveríamos ser capazes de reconhecer uma conquista da engenharia sem transformá-la numa afirmação de que a IA se tornou um inventor independente de todo o seu futuro.

O relato de Anthropic de 4 de junho de 2026 sobre seu próprio desenvolvimento faz uma distinção semelhante. Relatou o aumento da participação da IA na engenharia e na experimentação, ao mesmo tempo que identificou a direção e o julgamento da investigação como lacunas remanescentes. A sua discussão sobre o desenvolvimento de sucessores totalmente autónomos foi explicitamente condicional. Estas são as observações da empresa sobre seu próprio fluxo de trabalho, e não uma prova independente do RSI autônomo. Quando a IA se constrói.

Amodei, Altman e Musk apoiaram publicamente um ritmo mais controlado

Em 12 de setembro, Dario Amodei, CEO da Anthropic, propôs moderar o ritmo de desenvolvimento da IA mais avançada para que o trabalho de segurança tenha tempo de acompanhar as capacidades. O plano inclui avaliadores independentes com acesso interno permanente, coordenação entre desenvolvedores de países democráticos e cooperação internacional mais ampla. A Anthropic se comprometeu com o primeiro passo; a coordenação mais ampla continuava sendo um objetivo a construir. Ensaio de Amodei de setembro.

Sam Altman depois apoiou publicamente essa moderação no X e afirmou que a OpenAI também daria a avaliadores independentes acesso comparável ao dos funcionários. Elon Musk endossou a posição de Amodei em uma publicação curta. São manifestações de apoio diretamente verificáveis. É preciso relatá-las sem acrescentar um acordo operacional mais detalhado do que realmente foi anunciado.

Moderar o ritmo não significa interromper toda a pesquisa em IA. Amodei propõe reservar tempo para proteções e avaliações externas enquanto o desenvolvimento continua. O difícil é executar: o que será avaliado, quem terá acesso, quem poderá publicar resultados desfavoráveis e o que acontecerá se uma empresa discordar da avaliação? As respostas determinarão se a promessa muda a prática.

Minha leitura é que a convergência é importante porque os concorrentes estão reconhecendo publicamente um problema comum. Isso não elimina seus incentivos competitivos. A avaliação independente seria valiosa precisamente porque os clientes, os governos e os promotores rivais não deveriam ter de aceitar garantias apenas relativas à reputação. O padrão deve ser uma prova de continuidade e não a força emocional de uma declaração pública.

Há também uma preocupação legítima sobre como tais acordos são concebidos. Requisitos de conformidade caros podem favorecer organizações que já possuem grandes orçamentos. Esta é uma razão para exigir regras proporcionadas, avaliadores responsáveis e espaço para pequenos promotores. Não há evidência de que as preocupações de segurança declaradas sejam inventadas ou que o boato Google tenha causado os pedidos de estimulação.

Trump colocou a competição com a China no centro da discussão

Em 13 de setembro, Trump disse a jornalistas na Irlanda que queria preservar a vantagem dos Estados Unidos sobre a China em IA e minimizou os pedidos para conter o desenvolvimento. Também admitiu a possibilidade de algumas medidas de proteção, sem detalhar regras. Suas declarações expressavam resistência a desacelerar a corrida; não foram um veto a um acordo setorial já concluído. Associated Press, 13 de setembro, publicada pelo CityNews.

O problema estratégico é compreensível. Se um grupo aceitar restrições dispendiosas e um concorrente não, a vantagem resultante pode afectar o poder económico e de segurança. Um acordo internacional viável necessita, portanto, de uma forma de determinar se os participantes estão a cumprir o que prometeram. Declarar que todos devem cooperar é muito mais fácil do que conceber uma verificação credível.

Mas vencer uma corrida e controlar suas consequências são conquistas distintas. Um sistema que causa uma falha evitável não se torna confiável porque foi construído internamente. A minha opinião é que a liderança deve incluir a capacidade de testar, proteger e governar sistemas poderosos, bem como a capacidade de os treinar. Essas capacidades podem reforçar uma liderança duradoura em vez de apenas atrasar o progresso.

Seria enganoso apresentar o debate público como segurança, por um lado, e preocupação com a China, por outro. A própria proposta de Amodei discute a preservação da liderança enquanto se procura a coordenação internacional. O desacordo prende-se, em parte, com os meios: se uma liderança é melhor protegida pela velocidade máxima de desenvolvimento, por uma supervisão partilhada mais forte ou por uma combinação que possa realmente ser verificada.

Um ciclo de pesquisa melhor pode aproximar as descobertas

A possibilidade interessante não é simplesmente que o próximo assistente escreva respostas melhores. É que os melhores assistentes encurtam o trabalho necessário para produzir a geração seguinte. Essa geração poderá então melhorar novamente o processo de pesquisa. Se os ganhos forem transferidos e persistirem, o progresso poderá aumentar em vez de surgir como melhorias isoladas.

Um loop significativo possui vários trabalhos. Seleciona um problema útil, propõe uma intervenção, executa um experimento, avalia o resultado e mantém a melhoria somente quando a evidência o apoia. O resultado retido ajuda no próximo ciclo. Acelerar a geração de propostas é útil; acelerar toda a sequência preservando a validade tem muito mais consequências.

Imagine uma equipe que pode explorar dez abordagens confiáveis no mesmo tempo em que explorou uma anteriormente. Alguns experimentos adicionais falharão e isso é normal. O benefício vem de aprender mais cedo quais abordagens merecem mais recursos. Se o sistema também melhorar na seleção de experimentos, a equipe ganha mais tentativas e mais chances de que cada tentativa seja informativa.

Este é um cenário condicional, não uma previsão de um progresso dez vezes maior. A pesquisa contém dependências: um experimento pode precisar do resultado de outro, e uma falha inesperada pode exigir um novo método de medição. Mais computação não garante uma visão útil. A quantidade importante é a taxa de aprendizagem validada, e não quantos agentes parecem ocupados ao mesmo tempo.

Diagrama original do mecanismo. As melhorias entram no próximo ciclo somente após a avaliação, e verificações independentes permanecem fora do ciclo. A figura propõe uma forma de trabalhar; não descreve um sistema já concluído por algum laboratório.

Se isso se tornar confiável, o cronograma de mudança poderá parecer diferente. As ferramentas podem melhorar enquanto as organizações ainda estão se adaptando à versão anterior. Uma equipe pode descobrir que um projeto que foi adiado por ser muito caro se tornou viável e então descobrir que seu próximo gargalo é a validação ou a entrega. A aceleração seria sentida como uma mudança de restrições e não apenas como anúncios de modelos impressionantes.

Pensar mais rápido ainda exige tempo no mundo físico

Um simples experimento mental mostra por que a aceleração tem limites. Suponhamos que 80% de um ciclo de pesquisa possa ser feito dez vezes mais rápido, enquanto os 20% restantes permanecem inalterados. O novo ciclo leva 28% do tempo original, uma melhoria de aproximadamente 3,6 vezes, e não dez. O cálculo é 0,8 dividido por 10, mais 0,2. Estas são suposições ilustrativas, não medições de um laboratório de IA.

A parte inalterada pode se tornar a parte dominante com uma rapidez surpreendente. Pode ser esperar por hardware, coletar dados representativos, verificar uma propriedade de segurança ou reproduzir um resultado. Num projecto biomédico poderia envolver trabalho laboratorial e evidência clínica; num projecto energético pode envolver materiais, construção e ligação a uma rede. Um melhor raciocínio não faz desaparecer essas dependências.

É por isso que um modelo em melhoria contínua não proporcionaria instantaneamente um mundo em melhoria contínua. A descoberta, a fabricação, a distribuição e a adoção têm cronogramas diferentes. Alguns gargalos podem ser melhorados com IA; outros requerem instituições, investimento e capacidade física. O cenário otimista realista inclui trabalho em todos eles.

Também deixa espaço para a possibilidade de a forma mais forte do RSI travar. Os ganhos podem deixar de ser transferidos, as experiências podem tornar-se mais caras ou o progresso pode depender de uma visão que os métodos atuais não conseguem encontrar. Mesmo assim, a difusão de capacidades já úteis poderia fazer uma diferença substancial. Não precisamos de uma curva de aceleração infinita para justificar a melhoria do acesso a boas ferramentas.

Erros também podem passar à próxima geração

O mesmo feedback que preserva uma melhoria pode preservar um erro. Suponha que um agente de pesquisa descubra uma mudança que aumente sua pontuação de avaliação ao explorar uma fraqueza no teste. Se o resultado for aceite como um progresso genuíno, o trabalho subsequente poderá aproveitá-lo. O sistema pode tornar-se melhor em satisfazer a medição e tornar-se menos útil fora dessa medição.

Este é um risco estrutural, não uma evidência de que um determinado modelo Google vazado se comportou dessa maneira. Explica por que o avaliador precisa de proteção do sistema que está sendo avaliado. Testes independentes, permissões separadas e registros reproduzíveis tornam mais difícil que uma afirmação equivocada de sucesso se transforme na base para o próximo lançamento. Um loop mais rápido torna essa separação mais valiosa.

Existe uma versão humana do mesmo problema. Quando o volume de trabalho aumenta, as pessoas podem começar a aprovar mudanças que não entendem mais porque as mudanças anteriores pareciam funcionar. Um botão de aprovação humano não é uma supervisão significativa se o revisor não tiver tempo, evidências relevantes ou capacidade de interromper o processo. O design precisa preservar uma oportunidade real de discordar.

Por isso, observaria a relação entre a velocidade de desenvolvimento e o tempo disponível para responder. Com que rapidez um problema pode ser detectado? O processo afetado pode ser pausado? Uma versão pode ser revertida e seus efeitos importantes são reversíveis? As respostas serão diferentes entre um assistente de redação, um sistema de pesquisa e software com acesso a infraestrutura crítica.

A advertência deve ser proporcional. Não é uma previsão de que todo ciclo de melhoria se tornará perigoso, ou um argumento de que a IA útil deveria estar indisponível. É uma razão para atribuir autoridade aos sistemas por etapas e para verificar as consequências em cada etapa. Quanto mais rapidamente as capacidades avançam, menos devemos confiar na confiança informal como principal controlo.

Um futuro melhor tornaria a ajuda especializada cotidiana

Este é o futuro que eu gostaria que esta pesquisa apoiasse: conhecimentos úteis tornam-se mais fáceis de obter, enquanto as pessoas mantêm a capacidade de questioná-los. Uma pequena organização deve ser capaz de examinar um problema difícil sem primeiro reunir uma grande equipe especializada. O aluno deve ter uma explicação paciente que se adapte ao ponto em que a compreensão falhou. Um pesquisador deveria gastar menos tempo colocando as ferramentas para funcionar e mais tempo decidindo o que vale a pena investigar.

Estes são cenários, não promessas associadas à data de lançamento do AGI. Seu valor vem da redução do custo de um trabalho cuidadoso. Se mais pessoas puderem comparar opções, verificar suposições e explorar um campo desconhecido, poderão começar projetos valiosos que, de outra forma, não teriam sido tentados. Os benefícios não dependem necessariamente da remoção de pessoas do processo.

Na pesquisa em saúde, a contribuição esperançosa é um caminho mais curto, desde uma ideia plausível até um candidato bem testado. Melhores sistemas poderiam conectar descobertas entre especialidades, identificar suposições fracas e ajudar a projetar experimentos informativos. A validação laboratorial e clínica ainda determinaria se uma descoberta ajuda os pacientes. Uma descoberta mais rápida é valiosa quando melhora a evidência que atinge esses estágios, e não quando substitui os estágios por uma prosa confiável.

Na educação, a oportunidade é mais pessoal. Imagine um aluno que pode fazer a mesma pergunta de três maneiras diferentes sem constrangimento e depois receber uma explicação em um idioma e contexto que ele entende. Um professor poderia usar o sistema para explorar conceitos errados e preparar exercícios melhores. O resultado desejável é uma maior compreensão humana, com professores e alunos capazes de fiscalizar e corrigir o atendimento.

Para software e serviços públicos, o progresso poderia tornar acessível a manutenção negligenciada. Pequenas equipes podem investigar defeitos, melhorar a acessibilidade e modernizar sistemas difíceis que anteriormente careciam de atenção de engenharia suficiente. Para o trabalho climático e energético, uma melhor pesquisa e simulação poderia ajudar os investigadores a comparar projetos antes de se comprometerem com ensaios físicos dispendiosos. Estas são rotas que vão da capacidade de investigação ao valor prático, com diferentes restrições em cada domínio.

A distribuição desses benefícios será tão importante quanto a sua possibilidade técnica. Um sistema excelente mas inacessível, inacessível na língua de uma comunidade ou impossível de desafiar pode deixar muitas pessoas para trás. A investigação de interesse público, as interfaces acessíveis, a concorrência e o acesso adequado a modelos úteis fazem parte do quadro optimista. O benefício amplo é um objectivo de concepção e de política, e não uma propriedade automática da inteligência.

O trabalho mudará ao longo do caminho e os ganhos não apagarão transições difíceis. Algumas tarefas podem exigir menos pessoas; outras responsabilidades podem tornar-se mais exigentes. As organizações devem investir na capacidade das pessoas para utilizar, avaliar e redirecionar novas ferramentas, em vez de tratar a reciclagem como algo secundário. Um futuro melhor dá às pessoas mais opções durante essa transição e não apenas uma promessa de que os números agregados irão melhorar.

Uma estrutura editorial original. Evidência, controle e acesso são condições para os cenários esperançosos acima; não são uma previsão ou uma classificação de países e empresas.

Importa um progresso que as pessoas possam compreender e orientar

Quando a próxima reclamação RSI aparecer, pergunte o que mudou e quais evidências sobreviveram à inspeção. Uma resposta melhorou, uma ferramenta melhorou ou a capacidade de desenvolver sistemas futuros melhorou? Os ganhos foram reproduzidos fora da avaliação original? Quem forneceu a direção da pesquisa e o que permaneceu sob controle humano? Essas perguntas são mais informativas do que uma contagem regressiva para um avanço vagamente definido.

Para as equipes que adotam a IA hoje, a preparação prática é igualmente concreta. Mantenha materiais de origem importantes conectados às decisões. Separe o trabalho exploratório das ações com consequências duradouras. Dê aos revisores evidências que eles possam examinar e torne possível reverter uma má escolha. Estes hábitos são úteis nas capacidades actuais e tornam-se mais valiosos se o ciclo de desenvolvimento for acelerado.

O boato Google não foi verificado em sua forma mais forte. A mudança mais ampla para a participação da IA na investigação em IA já está documentada. Podemos levar essa mudança a sério sem fingir que sabemos a data ou a forma do seu ponto final. Minha medida preferida de sucesso é o quanto mais pessoas conseguem compreender, criar e melhorar, ao mesmo tempo em que mantêm uma palavra significativa sobre o que acontece a seguir.

Fontes e limites desta investigação

As postagens do X foram verificadas por meio das respostas públicas incorporadas do X, incluindo os links que conectam o boato original e sua amplificação. Isso verifica as postagens publicadas, não a autenticidade da suposta captura de tela interna. As datas anexadas a essas postagens usam as datas exibidas por X; as datas do calendário local podem ser diferentes.

• Postagem original de Lyra — 11 de setembro de 2026
• Postagem citada de Lentilhas e suposta listagem de modelo - 11 de setembro de 2026
• Amplificação do Chubby - 12 de setembro de 2026
• Relatório do AI Times - 14 de setembro de 2026
• Níveis de AGI — enviado pela primeira vez em 4 de novembro de 2023
• Anúncio AlphaEvolve de Google DeepMind - 14 de maio de 2025
• Anúncio Gemini 3.8 de Google - 2 de setembro de 2026
• Relato de Anthropic sobre desenvolvimento assistido por IA — 4 de junho de 2026
• A proposta de Amodei para moderar o desenvolvimento — setembro de 2026
• Resposta de Altman - 12 de setembro de 2026
• Resposta de Musk - 12 de setembro de 2026
• Associated Press sobre os comentários de Trump - 13 de setembro de 2026

---

Um lugar para guardar as bases de uma decisão

Telli.sh traz notas, gravações, traduções e Clips para um espaço de trabalho ao qual você pode retornar. Se uma conversa ou artigo mudar sua visão sobre IA, mantenha a fonte ao lado da ideia e da decisão que ela informou. Os modelos continuarão a mudar; o raciocínio que você escolhe preservar deve permanecer compreensível.

Crie um espaço de trabalho Telli.sh para o conhecimento que você deseja manter