Edição em Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Relatório de Cambridge analisa se a pesquisa conduzida por IA pode acelerar o avanço da IA

> Um artigo de trabalho de Cambridge analisa se a pesquisa conduzida por IA poderia acelerar o avanço da IA. O índice de 26% da Anthropic mede trabalho supervisionado, enquanto o ciclo de retroalimentação proposto continua condicionado.

By BIG CHANGE Editorial

Published: 2026-09-28T23:34:31.964Z
Updated: 2026-09-28T23:34:31.964Z
Canonical: https://bigchange.ai/blog/casp-report-ai-automating-ai-research

![Conceptual charcoal illustration, seen from above, of one researcher comparing two sheets at a workbench while a desktop monitor faces away.](https://bigchange.ai/api/media/file/casp-research-review-hero-v2.png)
AI-generated conceptual illustration by BIG CHANGE.

A Anthropic diz que o Claude agora lidera 26% do trabalho de pesquisa e desenvolvimento em IA que a empresa mede internamente. Isso significa que um sistema pode concluir a maior parte de uma tarefa a partir de uma instrução de alto nível, enquanto uma pessoa supervisiona. A Anthropic também diz que nenhuma atividade de P&D medida é totalmente autônoma. Essa distinção importa em um novo [artigo de trabalho do Cambridge Programme on AI Science & Policy](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf), que pergunta se a IA fazendo cada vez mais de sua própria P&D poderia, no futuro, acelerar bruscamente o avanço da inteligência artificial.

O artigo, datado de setembro de 2026, reúne 22 autores de universidades, empresas de IA e organizações da sociedade civil. Ele argumenta que um ciclo rápido de retroalimentação é possível: sistemas capazes ajudam a produzir sistemas melhores, que então fazem mais pesquisa. Sua conclusão central é um alerta sobre uma trajetória plausível e sobre a necessidade de medi-la. O artigo não afirma que essa aceleração já tenha começado.

## A grande mudança

- **O que mudou:** Um artigo de trabalho interinstitucional reuniu as evidências sobre P&D conduzida por IA, as condições em que ela poderia acelerar o avanço da IA e medidas específicas que pede aos governos para obter dos laboratórios de ponta.
- **Por que isso importa:** Mais tarefas de pesquisa estão sendo delegadas a sistemas de IA dentro das empresas que os desenvolvem. As medidas públicas dessa delegação ainda são parciais, o que dificulta saber quanto o processo de pesquisa como um todo está acelerando.
- **O que acompanhar:** Medidas verificadas de forma independente sobre quanto trabalho a IA conclui, se suas contribuições melhoram modelos posteriores e se computação, experimentos e revisão humana desaceleram o ciclo de retroalimentação.

## As evidências são reais, mas as medidas respondem a perguntas diferentes

[O relatório de medição da Anthropic, de setembro, ](https://www.anthropic.com/institute/measuring-pace-of-ai-development)diz que a parcela de trabalho de P&D classificada no nível “IA lidera” chegou a 26% em agosto de 2026, ante menos de 1% em fevereiro. A escala ainda coloca um supervisor humano nessa categoria. A Anthropic diz que o índice é um protótipo, que seus próprios modelos ajudam a avaliar o trabalho e que não há um método comum para comparar esses números entre empresas. A declaração de que nenhum trabalho medido é totalmente autônomo deve ser considerada junto do índice de 26%.

[O relato da OpenAI em setembro ](https://openai.com/index/research-acceleration-view-inside-openai/)descreve pesquisadores usando mais agentes de programação, contribuindo com código mais rapidamente e executando mais experimentos. A OpenAI afirma que o volume de experimentos está correlacionado com o maior uso de agentes, embora a capacidade computacional disponível também tenha aumentado. Segundo a empresa, as pessoas ainda escolhem as prioridades de pesquisa e decidem quais resultados seguir. Mais código e experimentos podem ajudar a pesquisa sem demonstrar um aumento equivalente na velocidade de produção de modelos mais capazes.

Avaliações independentes ajudam a medir uma parte do processo. [A atualização Time Horizon 1.1 da METR](https://metr.org/blog/2026-1-29-time-horizon-1-1/) constatou que os modelos conseguem concluir tarefas de pesquisa e engenharia de software mais longas do que sistemas anteriores em seu conjunto de testes. A METR também relata grande incerteza para tarefas longas, cujos tempos de conclusão por humanos foram, em muitos casos, estimados. Um benchmark de tarefas mede a capacidade nas tarefas selecionadas; não mede a produtividade total de pesquisa de um laboratório de IA. Em um estudo aleatorizado separado, com 16 desenvolvedores experientes de código aberto trabalhando em 246 tarefas, [a METR constatou que o acesso a ferramentas de IA do início de 2025 aumentou o tempo de conclusão em 19%](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). Esse contexto de desenvolvimento de software, anterior, não representa um laboratório de ponta em setembro de 2026, mas mostra por que o uso de ferramentas e os benchmarks de tarefas, sozinhos, não resolvem a questão da produtividade.

## Um possível ciclo de retroalimentação tem vários freios

O artigo do CASP se concentra em um ciclo impulsionado por software. Sistemas de IA ampliariam a força de trabalho efetiva de pesquisa ao realizar tarefas em paralelo. Melhorias bem-sucedidas tornariam os sistemas seguintes pesquisadores melhores, permitindo novas melhorias. Os autores dizem que evidências preliminares são compatíveis com esse mecanismo e consideram provável uma automação substancial de P&D nos próximos anos. A possibilidade mais extrema de uma “explosão de inteligência”, que comprimiria anos de avanço em meses ou menos, depende de o ciclo superar suas restrições. Trata-se de um cenário condicional, não de uma previsão medida do que ocorrerá.

O artigo aponta quatro restrições importantes: retornos decrescentes de esforços adicionais de pesquisa, capacidade computacional e dados limitados, tarefas que continuam difíceis de automatizar e processos como longos ciclos de treinamento, que não podem ser acelerados à vontade. Os autores dizem que as evidências sobre alguns desses fatores são mistas ou indiretas e que faltam evidências diretas sobre a força dos gargalos que dependem de tempo. O exemplo de uma aceleração de dez vezes no avanço em cerca de 1,5 ano é um cálculo de modelo posterior à automação completa de P&D, condicionado à persistência dos retornos estimados do esforço de pesquisa e à ausência de novos gargalos. Não é uma aceleração observada nem uma data garantida, independentemente das condições.

Outros trabalhos tornam a incerteza mais clara. Em um [estudo de 2025 com quatro laboratórios de IA](https://arxiv.org/abs/2507.23181), Parker Whitfill e Cheryl Wu chegaram a respostas diferentes conforme a forma como modelaram a computação para pesquisa. Em uma especificação, trabalho cognitivo e capacidade computacional pareciam substituíveis; em um modelo que levava em conta as exigências crescentes dos experimentos de ponta, pareciam complementares. Os autores alertam que os dados e o modelo são limitados. [A análise de Toby Ord, de agosto de 2026](https://arxiv.org/abs/2608.14426) identifica o tempo necessário para concluir cada ciclo de melhoria como outro parâmetro crítico. Essas análises não descartam uma aceleração rápida. Elas mostram que a velocidade do ciclo não pode ser inferida diretamente do número de agentes nem da quantidade de código que escrevem.

## O que os autores querem que seja medido

Os autores de Cambridge propõem três prioridades de política pública: obter visibilidade sobre a automação de P&D em IA, desenvolver maneiras de direcionar e restringir uma possível aceleração e preparar-se para seus efeitos potenciais. A prioridade mais imediata e testável é medir. Eles sugerem informar a parcela das contribuições de pesquisa produzida por IA, o ritmo de melhoria algorítmica, como os laboratórios distribuem os gastos entre pessoas e computação, quais decisões de pesquisa os sistemas de IA influenciam e incidentes envolvendo agentes internos. Também propõem auditorias independentes, com requisitos mais rigorosos para sistemas na fronteira da capacidade de P&D em IA.

Algumas propostas posteriores, como requisitos antes de novas implantações, formas de pausar determinadas cargas de trabalho de P&D e verificação internacional, exigiriam escolhas de projeto e envolveriam concessões importantes. O próprio artigo alerta que poderes mal concebidos poderiam favorecer uma empresa e atrasar trabalhos benéficos. A discussão de possíveis benefícios e danos graves depende da hipótese condicional de aceleração apresentada anteriormente. Formuladores de políticas podem analisar a proposta imediata de divulgação de dados sem presumir que o cenário mais extremo já ocorreu.

A pergunta útil depois deste relatório é mais restrita do que saber se a IA se tornará subitamente superinteligente. É se os laboratórios conseguem mostrar, em termos comparáveis, quais partes da pesquisa a IA lidera hoje, quais melhorias resistem à avaliação humana e com que rapidez essas melhorias alimentam a geração seguinte de sistemas. As evidências públicas ainda não bastam para responder a essa pergunta entre empresas.

## Fontes e leituras complementares

- [Cambridge Programme on AI Science & Policy, artigo de trabalho completo (setembro de 2026)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): O argumento dos autores, a revisão das evidências, as premissas do modelo, os limites e as propostas de política pública. O documento é identificado como artigo de trabalho; os materiais públicos não comprovam revisão externa por pares.
- [Resumo executivo do CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): Uma síntese mais curta do cenário condicional dos autores e das respostas propostas. Foi redigida por um subconjunto dos autores.
- [Anthropic, medições de P&D conduzida por IA](https://www.anthropic.com/institute/measuring-pace-of-ai-development): Fonte primária do índice de 26% “IA lidera”, do nível de supervisão e dos limites metodológicos.
- [OpenAI, aceleração da pesquisa dentro da OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/): Medidas relatadas pela empresa sobre o uso de agentes, o volume de experimentos, a direção humana e as ressalvas para medir o avanço da pesquisa.
- [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): Avaliação independente de tarefas e incerteza sobre como os horizontes dos benchmarks são estimados.
- [Whitfill e Wu, gargalos de computação](https://arxiv.org/abs/2507.23181), e [Ord, dinâmica das explosões de inteligência](https://arxiv.org/abs/2608.14426): Análises distintas das condições que poderiam desacelerar ou alterar um ciclo recursivo de pesquisa.

## Sources

- [CASP, E se automatizar a P&D em IA desencadear uma explosão de inteligência?](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Artigo primário de 14 páginas da série Frontier AI Working Paper, nº 2/2026. Leia na íntegra. Aborda o mecanismo, evidências mistas, premissas e propostas de política pública.
- [Resumo executivo do CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — Resumo de duas páginas, redigido por um subconjunto dos autores. Conferido com o artigo completo.
- [Anthropic, Medições para compreender o ritmo do desenvolvimento de IA dentro de laboratórios de ponta](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — Medição primária da empresa: 26% de trabalho liderado por IA, nenhuma autonomia total medida e ressalvas metodológicas.
- [OpenAI, Aceleração da pesquisa: a visão de dentro da OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) — Medidas primárias da empresa sobre uso de agentes e atividade de pesquisa; distingue correlação de avanço líquido dos modelos.
- [METR, Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — Avaliação independente do horizonte de tarefas, com incertezas e limites na composição das tarefas.
- [METR, Medindo o impacto da IA do início de 2025 na produtividade de desenvolvedores experientes de código aberto](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — Estudo aleatorizado em outro contexto de desenvolvimento de software; contraexemplo delimitado à ideia de presumir ganhos de produtividade pela adoção de ferramentas.
- [Whitfill e Wu, Gargalos de computação impedirão uma explosão de inteligência?](https://arxiv.org/abs/2507.23181) — Análise baseada em modelo, com estimativas divergentes sobre substituição entre computação e trabalho e limitações explícitas dos dados.
- [Toby Ord, A dinâmica das explosões de inteligência](https://arxiv.org/abs/2608.14426) — Análise teórica do tempo de geração de ciclos de retroalimentação; não é uma previsão empírica.