RSI não é o calendário de lançamentos
Um post no X afirma que Google, Anthropic e OpenAI estão muito perto de quebrar o recursive self-improvement, ou RSI. A evidência apresentada é um rumor sobre a velocidade recente dos modelos e sobre nomes internos que não podemos verificar. Isso não basta para concluir que três laboratórios fecharam um ciclo autônomo de melhoria.
Mas o rumor toca em uma pergunta real: por que a capacidade que o público vê parece surgir em saltos, enquanto os laboratórios provavelmente trabalham em uma cadeia contínua de protótipos, avaliações e sucessores? Minha leitura é que o tweet erra o mecanismo, mas aponta para uma assimetria importante. O calendário de lançamento é um calendário de distribuição. Ele não é o relógio do desenvolvimento.
O consumidor vê a entrega, não o portfólio
Em projetos de software, uma equipe pode colocar no ar apenas a primeira parte de um produto enquanto já conhece personagens, temporadas e sistemas que serão liberados depois. O público compra a mídia inicial; a equipe trabalha em um mapa muito maior.
Laboratórios de IA operam com a mesma diferença, ampliada por capital e infraestrutura. Um modelo público pode ser congelado enquanto outro treina, um terceiro passa por avaliação e uma quarta linha pesquisa dados, algoritmos ou ferramentas. O lançamento revela uma decisão de produto, não a fronteira completa do laboratório.
O relatório técnico do Gemini 1.5, publicado em 2024, já descrevia compreensão de horas de vídeo e contexto multimodal longo. A disponibilidade pública veio depois. Isso demonstra cronogramas diferentes; não demonstra RSI.
Self-improvement não é RSI
RSI começa quando a melhoria recai sobre o processo que produz as próximas melhorias. Um modelo que apenas responde melhor não fechou esse ciclo.
O loop que já foi demonstrado
Um sistema pode melhorar uma resposta, gerar dados para treinamento ou ajudar um pesquisador a escrever código. RSI exige uma condição mais forte: o sistema melhora o próprio mecanismo de pesquisa e deixa uma versão subsequente mais capaz de produzir novas melhorias.
O paper sobre AIDE² é uma evidência pública mais próxima dessa definição. O agente propõe mudanças no próprio código, executa versões modificadas, mede o resultado em tarefas de pesquisa e retém as alterações que vencem as avaliações ocultas. Em uma execução de oito dias, os autores relatam sete melhorias sucessivas e transferência para tarefas não usadas na seleção.
Esse resultado é delimitado. O loop tem tarefas, orçamento, métricas e um avaliador. Não prova uma explosão aberta de inteligência nem elimina a necessidade de definir o sinal de sucesso.
O que AlphaEvolve e OpenAI mostram
O AlphaEvolve, do Google DeepMind, combina modelos Gemini, geração de programas, avaliadores automáticos e uma base evolutiva que seleciona candidatos. O sistema já foi usado para otimizar algoritmos e processos de infraestrutura. É uma arquitetura de busca com verificação, não uma prova de que o modelo decidiu sozinho qual pesquisa deveria fazer.
A OpenAI também publicou resultados matemáticos produzidos por um modelo interno de fronteira. O anúncio descreve formalizações em Lean e estimativas de computação, mas não identifica o modelo como produto público nem afirma RSI.
O caminho do próximo SOTA
O caminho mais plausível não é um botão secreto chamado RSI. É a composição de agentes de pesquisa, aprendizado por reforço, memória, verificadores formais e infraestrutura barata para repetir experimentos.
Gerar hipóteses pode ser barato; verificar uma hipótese no domínio certo continua caro. Alguém precisa garantir que o benchmark não foi vazado, que o ganho transfere e que o sistema não aprendeu a explorar a métrica.
O loop precisa sobreviver fora da seleção
Para chamar um resultado de RSI, exija melhoria do próprio mecanismo, ganhos preservados entre ciclos, transferência para tarefas novas e queda mensurável do julgamento humano necessário.
O rumor transforma produto em causa extraordinária
O tweet vê modelos avançando em poucos meses e escolhe RSI como explicação. A hipótese alternativa é menos cinematográfica e mais compatível com engenharia: os laboratórios mantêm portfólios paralelos, acumulam infraestrutura, treinam sucessores antes do lançamento e escolhem quando uma capacidade vira produto.
Isso não torna RSI irrelevante. Torna mais importante medir o que está sendo automatizado. A pergunta é qual etapa do ciclo ele melhora sem intervenção, qual avaliador impede autoengano e se o ganho sobrevive fora do ambiente que o selecionou.
O próximo salto de SOTA pode vir de um modelo melhor. Também pode vir de um sistema que pesquisa, testa, descarta e preserva melhorias com mais eficiência. Até agora, a segunda afirmação tem protótipos públicos; a versão forte do rumor ainda tem apenas o calendário de lançamentos como pista.