Prêmio ARC 2026: Como o Neuraxon Evolui Cérebro de IA Sem GPUs

A equipe científica da Qubic não projeta manualmente os cérebros de seus agentes Neuraxon: ela deixa a evolução buscá-los. Para o ARC-AGI-3, o benchmark interativo do Prêmio ARC 2026, a equipe testou mais de 110 configurações e milhões de cérebros evoluídos em cerca de 500 núcleos de CPU, sem GPU e sem modelo pré-treinado, de acordo com o Neuraxon Intelligence Academy Vol. 14. Sua melhor pontuação offline atingiu 0,38, e a última submissão no Kaggle marcou 0,41. Este guia explica como funciona a busca evolutiva por arquitetura neural, como os cérebros Neuraxon jogam ARC-AGI-3, o que os experimentos revelaram, o que o Neuraxon 3.0 buscará a seguir e como baixar o código e o conjunto de dados de 603.054 linhas por trás disso.

O que é Busca por Arquitetura Neural?

A busca por arquitetura neural é o design automatizado da estrutura de uma rede neural: quantas unidades ela tem, como se conectam e quais regras as atualizam. O treinamento ajusta a força das conexões dentro de um design fixo; o NAS decide o design em si. A pesquisa de referência na área, por Elsken, Metzen e Hutter (JMLR, 2019), divide cada método NAS em três partes.

1. Um espaço de busca: o conjunto de arquiteturas que o método pode considerar.
2. Uma estratégia de busca: a forma como explora esse espaço.
3. Uma estimativa de desempenho: a forma como decide qual candidato é melhor, sem treinar completamente cada um.

Pense nisso como a diferença entre aprender a cozinhar e projetar a cozinha. O treinamento ensina a rede a cozinhar bem; o NAS decide onde ficam o forno, a pia e a bancada.

Quatro estratégias, quatro perfis de custo

Quatro famílias de estratégias de busca dominam a literatura, resumidas em nossa introdução à busca por arquitetura neural. Seus custos computacionais diferem por ordens de magnitude.

O NAS já está no seu bolso. O Google usou para projetar o MobileNetV3, a rede de imagens por trás de muitos recursos de câmeras de celular, pois um telefone precisa de um modelo que seja preciso, pequeno e rápido ao mesmo tempo. A evolução também encontrou melhorias para o próprio Transformer em The Evolved Transformer (So, Liang e Le, 2019).

NAS não é ajuste de hiperparâmetros

Mudar a taxa de aprendizado ou o tamanho do lote é ajuste de hiperparâmetros: isso afina como uma rede dada aprende. NAS muda que tipo de rede ela é. A distinção importa porque a mesma regra se aplica a ambos: um método de busca só justifica seu custo computacional se superar a busca aleatória com o mesmo orçamento, como Bergstra e Bengio mostraram para hiperparâmetros em 2012.

Por que usar a evolução para projetar um cérebro?

Porque é assim que a natureza fez. Nos animais, o aprendizado ajusta a força das sinapses durante a vida, enquanto a arquitetura do cérebro é moldada ao longo das gerações pela evolução. Em um artigo de 2019 na Nature Communications, o neurocientista Anthony Zador chamou isso de “gargalo genômico”: o genoma é muito pequeno para especificar cada sinapse, então a evolução codifica uma receita compacta para conexão e aprendizado, não a rede final.

Um resultado mais antigo aponta na mesma direção. Em 1987, Hinton e Nowlan mostraram em uma simulação que o aprendizado pode guiar a evolução: indivíduos capazes de aprender encontram soluções boas mais rapidamente, e a evolução seleciona essa capacidade. Isso é conhecido como o efeito Baldwin.

Grandes modelos de linguagem seguiram o caminho oposto. O Transformer é uma arquitetura projetada manualmente que não muda enquanto o modelo é usado, e apenas uma pequena parte foi buscada automaticamente. O Neuraxon aposta que a inteligência geral precisa de ambos os níveis: evolução para escolher a arquitetura e aprendizado dentro de cada vida. O método consagrado para evoluir a estrutura da rede é NEAT, de Stanley e Miikkulainen (2002), que cresce topologias de simples a complexas.

O que é Neuraxon?

Neuraxon é uma unidade computacional inspirada no cérebro desenvolvida pelos conselheiros científicos da Qubic, David Vivancos e José Sánchez, liberada como código aberto no GitHub. Onde um neurônio artificial clássico gera um número a cada passo, um neurônio Neuraxon roda em tempo contínuo e assume um dos três estados: excitatório (+1), neutro (0) ou inibitório (-1), uma ideia explorada em Além do Binário: Dinâmica Ternária.

Cada sinapse carrega três pesos que mudam em velocidades diferentes (rápida, lenta e meta), e sinapses podem se formar, colapsar ou reconectar. Quatro neuromoduladores simulados (dopamina, serotonina, acetilcolina e noradrenalina) atuam por nove subtipos de receptores, como descrito em nosso volume sobre neuromodulação. Células semelhantes a astrócitos regulam a plasticidade, um mecanismo coberto em Astrócitos e IA Inspirada no Cérebro, e quatro loops homeostáticos mantêm a atividade em um intervalo saudável.

Essa riqueza é exatamente por que a busca por arquitetura importa aqui. Um cérebro Neuraxon tem dezenas de escolhas estruturais que nenhum projetista pode ajustar bem manualmente. A evolução, através do framework Aigarth da Qubic, é a ferramenta que as explora.

O que é ARC-AGI-3 e por que é tão difícil para IA?

ARC-AGI-3 é o primeiro benchmark interativo da série ARC, lançado em 25 de março de 2026 pela ARC Prize Foundation. É um conjunto de jogos por turnos em que ninguém explica as regras: o jogador vê uma grade de cores, atua e deve descobrir o que significa vencer. O Vol. 14 conta 25 jogos públicos de desenvolvimento e 55 jogos ocultos de avaliação. No lançamento, humanos pontuaram 100% e a IA de ponta 0,51%. Explicamos por que esse tipo de teste importa em Como Medimos a Inteligência de uma Máquina?

A pontuação recompensa eficiência, não apenas sucesso. Para cada nível, a metodologia oficial divide o número de ações que um humano precisou pelo número que a IA precisou, depois eleva ao quadrado o resultado: um agente que faz dez vezes mais ações que um humano marca 1% naquele nível. Níveis posteriores pesam mais, e a pontuação final é a média de todos os jogos.

As regras da competição elevam ainda mais o desafio. O Prêmio ARC 2026 oferece US$ 2 milhões em prêmios em suas três categorias, segundo a página oficial da competição. A avaliação no Kaggle roda sem acesso à internet, sistemas baseados em API como GPT ou Claude são barrados, e os participantes principais devem liberar código aberto de suas soluções para concorrer aos prêmios. Cada entrada deve trazer sua própria inteligência para uma sala selada.

Como o Neuraxon joga ARC-AGI-3?

Um cérebro Neuraxon recebe a grade como números, seleciona ações e continua aprendendo durante o jogo por meio da plasticidade. A busca por arquitetura neural ocorre antes do jogo começar: ela define a configuração do cérebro, ou seja, quais regiões da tela ele observa, como as cores mapeiam para entradas, como equilibra exploração e exploração, e até onde seus cliques podem alcançar.

A equipe definiu uma regra básica, segundo o Vol. 14: estudar jogos públicos, jogadas humanas e análises para escolher o espaço de busca é legítimo; dar essa informação ao agente durante o jogo não é.

Um protocolo evolutivo em três fases

A escala foi substancial: mais de 110 configurações de busca e milhões de cérebros evoluídos, rodando em cerca de 500 núcleos de CPU sem GPU. A melhor pontuação na versão offline do Kaggle atingiu 0,38, segundo o Vol. 14, e a última submissão da equipe no Kaggle marcou 0,41, novo recorde pessoal, segundo a equipe científica da Qubic. As submissões fecharam em 2 de novembro de 2026, e a ARC Prize Foundation anunciará os resultados em 4 de dezembro.

Como interpretar o 0,41

O número precisa de contexto. As melhores entradas da competição utilizam modelos de linguagem open-weight de 27 a 31 bilhões de parâmetros dentro de envoltórios de agente, segundo análise de outubro de 2026 pela Metir AI, e pontuam muito mais alto. Os cérebros Neuraxon começam sem conhecimento pré-treinado de linguagens ou imagens e rodam em processadores comuns. A pontuação mede até onde a evolução sozinha pode levar um cérebro pequeno que deve descobrir cada jogo do zero, não como se compara a sistemas que trazem bilhões de parâmetros de conhecimento prévio.

A equipe é franca sobre o que as melhores entradas fazem melhor: prevêem o que mudará na tela antes de agir e aprendem com seus erros. O Vol. 14 afirma que essa é a direção que o Neuraxon está tomando.

O que os experimentos ARC-AGI-3 revelaram?

O Vol. 14 é incomumente aberto sobre o que deu errado, e cada falha corresponde a uma armadilha clássica da busca por arquitetura neural.

1. A maldição do vencedor. Um conjunto de cérebros venceu um jogo em todas as sementes usadas para selecioná-los, e não venceu em nenhuma nova semente. Escolher o melhor entre muitos candidatos no mesmo dado usado para ranqueá-los infla a pontuação do vencedor por sorte, como Cawley e Talbot (2010) mostraram. É o aluno que decorou as respostas do exame do ano passado.
2. Sucesso sem aprendizado. Em jogos simples, uma política fixa mais alguma exploração pode passar um nível sem entender as regras. Os sucessos também se aglomeraram em poucos jogos, quase sempre no primeiro nível.
3. Sem prova de aprendizado. Uma pontuação alta não mostra que um cérebro aprendeu algo durante o jogo.

“O NAS seleciona o resultado final e não nos diz se há aprendizado interno.”

Equipe Científica da Qubic, Neuraxon Intelligence Academy Vol. 14, 4 de novembro de 2026

A equipe transformou essas lições em três regras: selecionar em algumas sementes e relatar em outras; manter alguns jogos públicos inteiramente fora da busca; e sempre subtrair uma linha de base de ações aleatórias no mesmo orçamento. Essa última regra ecoa Li e Talwalkar (2020), que descobriram que a busca aleatória é uma competidora surpreendentemente forte no NAS.

O que é Neuraxon 3.0?

Neuraxon 3.0 é a próxima versão do cérebro, projetada para fechar a lacuna que o ARC-AGI-3 expôs: os cérebros atuais exploram e se adaptam dentro de um jogo, mas não definem metas nem encadeiam ações para alcançá-las, segundo o Vol. 14. A questão da busca muda adequadamente. Não é mais “qual rede vence?” mas “quais mecanismos e constantes de tempo um cérebro precisa para aprender em um novo ambiente?”

O design adiciona cinco mecanismos, cada um atuando em uma escala de tempo diferente.

A busca cobre mecanismos, não a contagem bruta de parâmetros. Cada mecanismo tem um intervalo limitado pela fisiologia e cada um pode ser desligado para medir exatamente o que contribui.

Um novo critério de seleção: velocidade de aprendizado

Os cérebros Neuraxon 3.0 serão recompensados por quão rapidamente reduzem seu erro de previsão por ação em jogos que nunca viram. Sob esse critério, um cérebro que vence por sorte não ganha nada. Ele também mira nas duas capacidades que distinguem as melhores entradas do ARC-AGI-3: antecipar o que mudará na tela e aprender com os erros.

Seguranças escritas antes dos dados

O protocolo é construído para evitar as armadilhas listadas acima, segundo o Vol. 14.

• O desenho experimental é fixado antes que qualquer dado seja visto.
• A seleção da arquitetura é selada com uma impressão digital digital (hash) antes que o conjunto de testes seja gerado.
• Cada busca é comparada contra uma busca aleatória com o mesmo orçamento.
• As sementes são pareadas, os resultados corrigidos para comparações múltiplas, e um tamanho mínimo de efeito declarado antecipadamente.
• Nenhum experimento é interrompido antecipadamente por resultados parecerem favoráveis.
• Os resultados serão publicados quando os experimentos completos forem concluídos, seja qual for a conclusão.

O Neuraxon 3.0 está em design com testes preliminares, e o Vol. 14 não indica data de lançamento. Em 6 de novembro de 2026, o repositório público no GitHub vai até o Neuraxon 2.0.

Por que a rede da Qubic é ideal para busca evolutiva

A busca evolutiva é massivamente paralela por natureza: cada cérebro em uma população pode ser avaliado independentemente. Isso combina com o funcionamento da Qubic. Através do Useful Proof of Work, o poder computacional que protege a rede também é direcionado para tarefas de IA, como explicado em nossa página de mineração.

A verificação é o segundo ponto. Um resultado que vem de milhões de avaliações distribuídas em muitas máquinas precisa ser confiável. A rede da Qubic é operada por 676 Computors que alcançam acordo por um quórum tolerante a falhas bizantinas, então um resultado declarado pode ser checado por muitas partes independentes em vez de ser aceito pela fé. O protocolo selado e pré-registrado do Neuraxon 3.0 é feito para esse tipo de checagem. Para a visão mais ampla, veja O que é AGI? e o hub científico da Qubic.

Código aberto e dados abertos: como explorar o Neuraxon você mesmo

Tudo que é necessário para reproduzir ou estender o trabalho publicado até agora é público.

O início rápido no repositório mostra como construir uma rede, alimentar entradas, aplicar neuromodulação e rodar uma evolução Aigarth em poucas linhas de Python, sem dependências externas para o arquivo principal.

O que vem a seguir

Três marcos estruturam as próximas semanas. Os artigos para a trilha de artigos do Prêmio ARC 2026 vencem em 8 de novembro, os resultados da competição serão anunciados em 4 de dezembro, e os experimentos Neuraxon 3.0 serão publicados quando estiverem completos, qualquer que seja o resultado. A medida para observar não é só a tabela de classificação, mas se os cérebros evoluídos começam a aprender dentro de um jogo, que é a capacidade que separa as melhores entradas atuais de todo o resto. Para acompanhar a série desde o início, comece por NIA Vol. 1: Neuraxon Time.

La Rédaction C.

L'équipe éditoriale de Cointribune unit ses voix pour s’exprimer sur des thématiques propres aux cryptomonnaies, à l'investissement, au métaverse et aux NFT, tout en s’efforçant de répondre au mieux à vos interrogations.