Entidades · mentes e possíveis mentes, ordenadas por evidência
Se o mundo é uma simulação, as mentes podem estar entre as coisas mais difíceis de computar nele. Este guia lista os casos conhecidos, de células isoladas a humanos. Também cobre os sistemas artificiais construídos até agora e as mentes que cientistas e filósofos propuseram, mas que ninguém observou.
Todo valor tem uma fonte e uma etiqueta de confiança. medido é uma contagem direta, estimativa é calculado a partir de outros dados e não contado significa que ninguém publicou uma contagem. Se algum desses sistemas tem experiências é uma questão à parte. As evidências disso estão em critérios de senciência e indicadores de consciência.
Mentes individuais
- Orca †43,1 bilhões
- Baleia-piloto-de-nadadeira-longa †37,2 bilhões
- Humano▲116,3 bilhões
- Boto-comum †14,9 bilhões
- Golfinho-nariz-de-garrafa †12,7 bilhões
- Baleia-bicuda-de-Cuvier9,1 bilhões
- Gorila8,5 bilhões
- Orangotango8,5 bilhões
- Chimpanzé7,4 bilhões
- Golfinho-comum6,7 bilhões
- Foca-da-groenlândia6,1 bilhões
- Elefante-africano▼15,6 bilhões
- Baleia-fin5,2 bilhões
- Baleia-azul5,1 bilhões
- Baleia-minke3,2 bilhões
Mostrar os números
| # | Animal | Córtex ou palio | Cérebro inteiro |
|---|---|---|---|
| 1 | Orca † | 43,1 bilhões | |
| 2 | Baleia-piloto-de-nadadeira-longa † | 37,2 bilhões | |
| 3 | Humano | 16,3 bilhões | 86,1 bilhões |
| 4 | Boto-comum † | 14,9 bilhões | |
| 5 | Golfinho-nariz-de-garrafa † | 12,7 bilhões | |
| 6 | Baleia-bicuda-de-Cuvier | 9,1 bilhões | |
| 7 | Gorila | 8,5 bilhões | |
| 8 | Orangotango | 8,5 bilhões | |
| 9 | Chimpanzé | 7,4 bilhões | |
| 10 | Golfinho-comum | 6,7 bilhões | |
| 11 | Foca-da-groenlândia | 6,1 bilhões | |
| 12 | Elefante-africano | 5,6 bilhões | 257 bilhões |
| 13 | Baleia-fin | 5,2 bilhões | |
| 14 | Baleia-azul | 5,1 bilhões | |
| 15 | Baleia-minke | 3,2 bilhões | 57,4 bilhões |
| 16 | Babuíno-oliva | 2,88 bilhões | 10,95 bilhões |
| 17 | Beluga | 2,7 bilhões | |
| 18 | Cachalote-pigmeu | 2,02 bilhões | |
| 19 | Arara-canindé | 1,92 bilhão | 3,14 bilhões |
| 20 | Macaco-rhesus | 1,71 bilhão | 6,39 bilhões |
| 21 | Girafa | 1,67 bilhão | 11,21 bilhões |
| 22 | Macaco-de-cheiro | 1,34 bilhão | 3,25 bilhões |
| 23 | Corujão-real | 1,33 bilhão | 1,9 bilhão |
| 24 | Kea | 1,28 bilhão | 2,15 bilhões |
| 25 | Coruja-das-neves | 1,27 bilhão | 1,81 bilhão |
| 26 | Corvo-comum | 1,2 bilhão | 2,17 bilhões |
| 27 | Coruja-do-mato-castanha | 1,15 bilhão | 1,58 bilhão |
| 28 | Macaco-prego | 1,14 bilhão | 3,69 bilhões |
| 29 | Cacatua-de-crista-amarela | 1,14 bilhão | 2,12 bilhões |
| 30 | Papagaio-cinzento | 850 milhões | 1,57 bilhão |
| 31 | Gralha-calva | 820 milhões | 1,51 bilhão |
| 32 | Cudo-maior | 793,07 milhões | 6,09 bilhões |
| 33 | Coruja-do-mato | 673 milhões | 991,31 milhões |
| 34 | Cacatua-de-Goffin | 599 milhões | 1,16 bilhão |
| 35 | Leão | 545,24 milhões | 4,67 bilhões |
| 36 | Águia-de-cauda-branca | 542,93 milhões | 1,65 bilhão |
| 37 | Gaio-eurasiano | 529 milhões | 1,09 bilhão |
| 38 | Cão doméstico | 526 milhões | |
| 39 | Hiena-listrada | 495,28 milhões | 3,88 bilhões |
| 40 | Gralha-de-nuca-cinzenta | 492 milhões | 967,99 milhões |
| 41 | Avestruz-comum | 479,41 milhões | 1,63 bilhão |
| 42 | Pega-rabuda | 443 milhões | 897,27 milhões |
| 43 | Falcão-sacre | 442,95 milhões | 1,2 bilhão |
| 44 | Emu | 439 milhões | 1,34 bilhão |
| 45 | Guaxinim | 437,94 milhões | 2,15 bilhões |
| 46 | Coruja-das-torres | 437 milhões | 689,54 milhões |
| 47 | Coruja-buraqueira | 400,82 milhões | 585,92 milhões |
| 48 | Urubu-preto | 398,9 milhões | 1,01 bilhão |
| 49 | Mocho-pigmeu-eurasiano | 364 milhões | 533,26 milhões |
| 50 | Gavião-comum | 351,7 milhões | 1 bilhão |
| 51 | Ema | 330,34 milhões | 1,03 bilhão |
| 52 | Cisne-mudo | 323,66 milhões | 1 bilhão |
| 53 | Porco doméstico | 293 milhões | 2,22 bilhões |
| 54 | Ganso-bravo | 258,65 milhões | 738,23 milhões |
| 55 | Urso-pardo | 250,97 milhões | 9,59 bilhões |
| 56 | Gato doméstico | 250 milhões | 1,22 bilhão |
| 57 | Sagui-comum | 245 milhões | 638 milhões |
| 58 | Peneireiro-comum | 237,9 milhões | 624,58 milhões |
| 59 | Marreca-comum-eurasiana | 167,29 milhões | 375,41 milhões |
| 60 | Periquito-australiano | 149 milhões | 321,82 milhões |
| 61 | Ganso-de-peito-ruivo | 148,62 milhões | 482,71 milhões |
| 62 | Pato-carolino | 138,21 milhões | 305,82 milhões |
| 63 | Falcão-pigmeu | 131,9 milhões | 350,37 milhões |
| 64 | Marreca-marmórea | 130,14 milhões | 386,92 milhões |
| 65 | Pavão-indiano | 129,62 milhões | 570,93 milhões |
| 66 | Mutum-de-cera-amarelo | 124,62 milhões | 652,99 milhões |
| 67 | Pombo-coroado-de-Victoria | 118,45 milhões | 578,7 milhões |
| 68 | Pato-real | 112,26 milhões | 367,47 milhões |
| 69 | Peru-selvagem | 105,65 milhões | 492,87 milhões |
| 70 | Gavião-da-europa | 87,83 milhões | 401,75 milhões |
| 71 | Faisão-de-reeves | 80,69 milhões | 387,17 milhões |
| 72 | Pombo-das-rochas | 72 milhões | 310 milhões |
| 73 | Coelho-europeu | 71,5 milhões | 513 milhões |
| 74 | Galo-bankiva | 60,7 milhões | 220,84 milhões |
| 75 | Inambu-chileno | 59,13 milhões | 241,37 milhões |
| 76 | Diamante-mandarim | 55,2 milhões | 135,98 milhões |
| 77 | Inambu-elegante | 51,38 milhões | 217,77 milhões |
| 78 | Pombo-torcaz | 51,33 milhões | 258,68 milhões |
| 79 | Inambu-de-quebracho | 48,29 milhões | 235,67 milhões |
| 80 | Rola-de-colar-africana | 40 milhões | 139,27 milhões |
| 81 | Codorna-da-Virgínia | 39,11 milhões | 148,4 milhões |
| 82 | Perdiz-cinzenta | 36,88 milhões | 170,29 milhões |
| 83 | Rato | 31 milhões | 200 milhões |
| 84 | Codorna-comum | 22,57 milhões | 117,76 milhões |
| 85 | Codorna-chinesa | 20,52 milhões | 80,48 milhões |
| 86 | Pomba-diamante | 18,21 milhões | 87,88 milhões |
| 87 | Camundongo | 13,7 milhões | 70,9 milhões |
| 88 | Rato-toupeira-pelado | 5,31 milhões | 33,62 milhões |
- Neocórtex humano1.6 × 10¹⁴
- GPT-5.5 (OpenAI, 2026) *~4.7 × 10¹²
- Claude Fable 5 (Anthropic, 2026) *~3.5 × 10¹²
- Grok 3 (xAI, 2025)~3 × 10¹²
- Grok 4 (xAI, 2025)~3 × 10¹²
- Gemini 2.5 Pro (Google, 2025) *~3 × 10¹²
- Kimi K3 (Moonshot, 2026)~2.8 × 10¹²
- Qwen 3.8 Max (Alibaba, 2026)2.4 × 10¹²
- Qwen3.8-2.4T-A95B (Alibaba, 2026)2.4 × 10¹²
- Grok 4.7 (xAI, 2026) *~2.1 × 10¹²
- Llama 4 Behemoth (Meta AI, 2025)~2 × 10¹²
- GPT-4 (OpenAI, 2023)~1.8 × 10¹²
- DeepSeek-V4-Pro (DeepSeek, 2026)~1.6 × 10¹²
- LongCat-2.0 (Meituan Inc, 2026)~1.6 × 10¹²
- Switch (Google, 2021)1.6 × 10¹²
- GLaM (Google, 2021)1.2 × 10¹²
- PanGu-Σ (Huawei Noah's Ark Lab, 2023)1.1 × 10¹²
- Kimi K2.5 (Moonshot, 2026)~1 × 10¹²
- Composer 2 (Cursor, 2026)1 × 10¹²
- Kimi K2.6 (Moonshot, 2026)1 × 10¹²
- Composer 2.5 (Cursor, 2026)~1 × 10¹²
- MiMo-V2-Pro (Xiaomi Corp, 2026)1 × 10¹²
- MiMo-V2.5-Pro (Xiaomi Corp, 2026)~1 × 10¹²
- M6-T (Alibaba, 2021)~1 × 10¹²
- Kimi K2 (Moonshot, 2025)1 × 10¹²
- Qwen3-Max (Alibaba, 2025)~1 × 10¹²
- Ling-1T (Ant Group, 2025)1 × 10¹²
- Kimi K2 Thinking (Moonshot, 2025)~1 × 10¹²
- Inkling (Thinking Machines, 2026)~9.8 × 10¹¹
- Tencent Hy4 preview (Tencent, 2026)~7.7 × 10¹¹
- GLM-5.1 (Z.ai (Zhipu AI), 2026)7.5 × 10¹¹
- K-EXAONE 2.0 (LG AI Research, 2026)7.5 × 10¹¹
- DeepSeek V4.1 Flash (DeepSeek, 2026)~7.5 × 10¹¹
- GLM-5 (Z.ai (Zhipu AI), 2026)~7.4 × 10¹¹
- GLM-5.3 (Z.ai (Zhipu AI), 2026)7.4 × 10¹¹
- A.X K2 (SK Telecom, 2026)6.9 × 10¹¹
- DeepSeekMath-V2 (DeepSeek, 2025)6.8 × 10¹¹
- Mistral Large 3 (Mistral AI, 2025)6.8 × 10¹¹
- DeepSeek-V3 (DeepSeek, 2024)6.7 × 10¹¹
- DeepSeek-R1 (DeepSeek, 2025)6.7 × 10¹¹
Mostrar os números
| # | Sistema | Todos os parâmetros | Usados por token | Ano | Tipo |
|---|---|---|---|---|---|
| 1 | Neocórtex humano | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | sinapses | |
| 2 | GPT-5.5 (OpenAI, 2026) * | ~4.7 × 10¹² | 2026 | estimativa | |
| 3 | Claude Fable 5 (Anthropic, 2026) * | ~3.5 × 10¹² | 2026 | estimativa | |
| 4 | Grok 3 (xAI, 2025) | ~3 × 10¹² | 2025 | estimativa | |
| 5 | Grok 4 (xAI, 2025) | ~3 × 10¹² | 2025 | estimativa | |
| 6 | Gemini 2.5 Pro (Google, 2025) * | ~3 × 10¹² | 2025 | estimativa | |
| 7 | Kimi K3 (Moonshot, 2026) | ~2.8 × 10¹² | 2026 | estimativa | |
| 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | arquitetura não informada |
| 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | mistura de especialistas |
| 10 | Grok 4.7 (xAI, 2026) * | ~2.1 × 10¹² | 2026 | estimativa | |
| 11 | Llama 4 Behemoth (Meta AI, 2025) | ~2 × 10¹² | 2025 | estimativa | |
| 12 | GPT-4 (OpenAI, 2023) | ~1.8 × 10¹² | 2023 | estimativa | |
| 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | ~1.6 × 10¹² | 2026 | estimativa | |
| 14 | LongCat-2.0 (Meituan Inc, 2026) | ~1.6 × 10¹² | 2026 | estimativa | |
| 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | mistura de especialistas (contagem ativa não publicada) |
| 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | mistura de especialistas (contagem ativa não publicada) |
| 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | mistura de especialistas (contagem ativa não publicada) |
| 18 | Kimi K2.5 (Moonshot, 2026) | ~1 × 10¹² | 2026 | estimativa | |
| 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 21 | Composer 2.5 (Cursor, 2026) | ~1 × 10¹² | 2026 | estimativa | |
| 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | arquitetura não informada |
| 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | ~1 × 10¹² | 2026 | estimativa | |
| 24 | M6-T (Alibaba, 2021) | ~1 × 10¹² | 2021 | estimativa | |
| 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 26 | Qwen3-Max (Alibaba, 2025) | ~1 × 10¹² | 2025 | estimativa | |
| 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | mistura de especialistas |
| 28 | Kimi K2 Thinking (Moonshot, 2025) | ~1 × 10¹² | 2025 | estimativa | |
| 29 | Inkling (Thinking Machines, 2026) | ~9.8 × 10¹¹ | 2026 | estimativa | |
| 30 | Tencent Hy4 preview (Tencent, 2026) | ~7.7 × 10¹¹ | 2026 | estimativa | |
| 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | ~7.5 × 10¹¹ | 2026 | estimativa | |
| 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | ~7.4 × 10¹¹ | 2026 | estimativa | |
| 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | mistura de especialistas |
| 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | mistura de especialistas |
| 39 | DeepSeek-V3 (DeepSeek, 2024) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | mistura de especialistas |
| 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | mistura de especialistas |
| 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | arquitetura não informada |
| 42 | Step 5 Preview (StepFun, 2026) | ~6 × 10¹¹ | 2026 | estimativa | |
| 43 | PaLM-E (Google, 2023) | ~5.6 × 10¹¹ | 2023 | estimativa | |
| 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 45 | LongCat-Flash (Meituan Inc, 2025) | ~5.6 × 10¹¹ | 2025 | estimativa | |
| 46 | Nemotron 3 Ultra (Nvidia, 2026) | ~5.5 × 10¹¹ | 2026 | estimativa | |
| 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso |
| 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso |
| 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso |
| 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso |
| 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | denso |
| 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | denso |
| 53 | MegaScale (ByteDance, 2024) | ~5.3 × 10¹¹ | 2024 | estimativa | |
| 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 55 | Doubao-pro (ByteDance, 2024) | ~5 × 10¹¹ | 2024 | estimativa | |
| 56 | Grok 4.20 (xAI, 2026) | ~5 × 10¹¹ | 2026 | estimativa | |
| 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | mistura de especialistas |
| 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | mistura de especialistas |
| 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | mistura de especialistas |
| 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | denso |
| 61 | Llama 4 Maverick (Meta AI, 2025) | ~4 × 10¹¹ | 2025 | estimativa | |
| 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | mistura de especialistas (contagem ativa não publicada) |
| 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | ~4 × 10¹¹ | 2026 | estimativa | |
| 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | mistura de especialistas (contagem ativa não publicada) |
| 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | ~3.6 × 10¹¹ | 2025 | estimativa | |
| 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | ~3.6 × 10¹¹ | 2025 | estimativa | |
| 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | mistura de especialistas |
| 68 | PaLM 2 (Google, 2023) | ~3.4 × 10¹¹ | 2023 | estimativa | |
| 69 | Med-PaLM 2 (Google Research, 2023) | ~3.4 × 10¹¹ | 2023 | estimativa | |
| 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | denso |
| 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | ~3.2 × 10¹¹ | 2026 | estimativa | |
| 72 | Grok-1 (xAI, 2023) | ~3.1 × 10¹¹ | 2023 | estimativa | |
| 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 74 | SB-LM (Google, 2007) | ~3 × 10¹¹ | 2007 | estimativa | |
| 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | ~2.8 × 10¹¹ | 2026 | estimativa | |
| 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | denso |
| 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | mistura de especialistas (contagem ativa não publicada) |
| 80 | ST-MoE (Google, 2022) | ~2.7 × 10¹¹ | 2022 | estimativa | |
| 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | denso |
| 82 | Solar Open2 250B (Upstage, 2026) | ~2.5 × 10¹¹ | 2026 | estimativa | |
| 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | ~2.5 × 10¹¹ | 2024 | estimativa | |
| 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | arquitetura não informada |
| 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | mistura de especialistas (contagem ativa não publicada) |
| 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | mistura de especialistas (contagem ativa não publicada) |
| 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | arquitetura não informada |
| 88 | Qwen3-235B-A22B (Alibaba, 2025) | ~2.4 × 10¹¹ | 2025 | estimativa | |
| 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | ~2.4 × 10¹¹ | 2025 | estimativa | |
| 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | ~2.4 × 10¹¹ | 2025 | estimativa | |
| 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | mistura de especialistas |
| 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 94 | HyperCLOVA 204B (NAVER, 2021) | ~2 × 10¹¹ | 2021 | estimativa | |
| 95 | Amazon Titan (Amazon, 2023) | ~2 × 10¹¹ | 2023 | estimativa | |
| 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | denso |
| 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | arquitetura não informada |
| 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | denso |
| 99 | BLUUMI (University of Turku, 2023) | ~1.8 × 10¹¹ | 2023 | estimativa | |
| 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | denso |
| 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | denso |
| 102 | BlenderBot 3 (McGill University, 2022) | ~1.8 × 10¹¹ | 2022 | estimativa | |
| 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | denso |
| 104 | Palmyra X 004 (Writer, 2024) | ~1.5 × 10¹¹ | 2024 | estimativa | |
| 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | arquitetura não informada |
| 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | arquitetura não informada |
| 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | arquitetura não informada |
| 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | arquitetura não informada |
| 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | mistura de especialistas (contagem ativa não publicada) |
| 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | denso |
| 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | arquitetura não informada |
| 112 | Mistral Large 2 (Mistral AI, 2024) | ~1.2 × 10¹¹ | 2024 | estimativa | |
| 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | ~1.2 × 10¹¹ | 2026 | estimativa | |
| 114 | Galactica (Meta AI, 2022) | ~1.2 × 10¹¹ | 2022 | estimativa | |
| 115 | Nemotron 3 Super (Nvidia, 2026) | ~1.2 × 10¹¹ | 2026 | estimativa | |
| 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | mistura de especialistas |
| 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | arquitetura não informada |
| 118 | Kaiju Large (Character.ai, 2025) | ~1.1 × 10¹¹ | 2025 | estimativa | |
| 119 | Llama 4 Scout (Meta AI, 2025) | ~1.1 × 10¹¹ | 2025 | estimativa | |
| 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | denso |
| 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | arquitetura não informada |
| 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | denso |
| 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | arquitetura não informada |
| 124 | Yi-Large (01.AI, 2024) | ~1 × 10¹¹ | 2024 | estimativa | |
| 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | arquitetura não informada |
| 127 | Neocórtex de camundongo | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | sinapses | |
| 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | denso |
| 129 | Qwen3-Coder-Next (Alibaba, 2026) | ~8 × 10¹⁰ | 2026 | estimativa | |
| 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | denso |
| 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | denso |
| 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | denso |
| 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | denso |
| 134 | Palmyra X 003 (Writer, 2024) | ~7.2 × 10¹⁰ | 2024 | estimativa | |
| 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | denso |
| 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | denso |
| 137 | NVLM-X 72B (Nvidia, 2024) | ~7.2 × 10¹⁰ | 2024 | estimativa | |
| 138 | NVLM-H 72B (Nvidia, 2024) | ~7.2 × 10¹⁰ | 2024 | estimativa | |
| 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | arquitetura não informada |
| 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | arquitetura não informada |
| 141 | Chinchilla (DeepMind, 2022) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | denso |
| 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | denso |
| 143 | PPLX-70B-Online (Perplexity, 2023) | ~7 × 10¹⁰ | 2023 | estimativa | |
| 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | denso |
| 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | arquitetura não informada |
| 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | denso |
| 147 | Reka Core (Reka AI, 2024) | ~6.7 × 10¹⁰ | 2024 | estimativa | |
| 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | denso |
| 149 | SNM-skip (Google, 2014) | ~6.2 × 10¹⁰ | 2014 | estimativa | |
| 150 | PaLI-X (Google Research, 2023) | ~5.5 × 10¹⁰ | 2023 | estimativa | |
| 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | arquitetura não informada |
| 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | arquitetura não informada |
| 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | denso |
| 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | denso |
| 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | mistura de especialistas (contagem ativa não publicada) |
| 156 | Mixtral 8x7B (Mistral AI, 2023) | ~4.7 × 10¹⁰ | 2023 | estimativa | |
| 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | arquitetura não informada |
| 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | denso |
| 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | mistura de especialistas |
| 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | denso |
| 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | arquitetura não informada |
| 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | arquitetura não informada |
| 163 | Kaiju Medium (Character.ai, 2025) | ~3.4 × 10¹⁰ | 2025 | estimativa | |
| 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | arquitetura não informada |
| 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | denso |
| 166 | QwQ-32B (Alibaba, 2025) | ~3.3 × 10¹⁰ | 2025 | estimativa | |
| 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | arquitetura não informada |
| 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitetura não informada |
| 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitetura não informada |
| 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitetura não informada |
| 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | arquitetura não informada |
| 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | ~3.2 × 10¹⁰ | 2025 | estimativa | |
| 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | arquitetura não informada |
| 174 | MM1-30B (Apple, 2024) | ~3 × 10¹⁰ | 2024 | estimativa | |
| 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | arquitetura não informada |
| 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | arquitetura não informada |
| 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | arquitetura não informada |
| 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | arquitetura não informada |
| 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | arquitetura não informada |
| 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | arquitetura não informada |
| 181 | KN-LM (Google, 2007) | ~2.1 × 10¹⁰ | 2007 | estimativa | |
| 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 183 | RNN for 1B words (Google, 2013) | ~2 × 10¹⁰ | 2013 | estimativa | |
| 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | denso |
| 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | arquitetura não informada |
| 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | arquitetura não informada |
| 187 | GPT-3.5 Turbo (OpenAI, 2023) | ~2 × 10¹⁰ | 2023 | estimativa | |
| 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | ~2 × 10¹⁰ | 2023 | estimativa | |
| 189 | SPHINX (Shanghai AI Lab, 2023) | ~2 × 10¹⁰ | 2023 | estimativa | |
| 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | arquitetura não informada |
| 191 | CogAgent (Tsinghua University, 2023) | ~1.8 × 10¹⁰ | 2023 | estimativa | |
| 192 | Turing-NLG (Microsoft, 2020) | ~1.7 × 10¹⁰ | 2020 | estimativa | |
| 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | arquitetura não informada |
| 194 | PaLI (Google, 2022) | ~1.7 × 10¹⁰ | 2022 | estimativa | |
| 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | arquitetura não informada |
| 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | denso |
| 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | arquitetura não informada |
| 198 | FunSearch (Google DeepMind, 2023) | ~1.5 × 10¹⁰ | 2023 | estimativa | |
| 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | arquitetura não informada |
| 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | arquitetura não informada |
| 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | arquitetura não informada |
| 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitetura não informada |
| 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | denso |
| 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | arquitetura não informada |
| 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | denso |
| 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitetura não informada |
| 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitetura não informada |
| 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | ~1.3 × 10¹⁰ | 2023 | estimativa | |
| 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitetura não informada |
| 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | arquitetura não informada |
| 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | denso |
| 212 | Volcano 13B (Korea University, 2023) | ~1.3 × 10¹⁰ | 2023 | estimativa | |
| 213 | Aya (Cohere Labs (antes Cohere for AI), 2024) | ~1.3 × 10¹⁰ | 2024 | estimativa | |
| 214 | Kaiju Small (Character.ai, 2025) | ~1.3 × 10¹⁰ | 2025 | estimativa | |
| 215 | ByT5-XXL (Google, 2021) | ~1.3 × 10¹⁰ | 2021 | estimativa | |
| 216 | CoRe (Tsinghua University, 2023) | ~1.2 × 10¹⁰ | 2023 | estimativa | |
| 217 | DALL-E (OpenAI, 2021) | ~1.2 × 10¹⁰ | 2021 | estimativa | |
| 218 | Codex (OpenAI, 2021) | ~1.2 × 10¹⁰ | 2021 | estimativa | |
| 219 | T5-11B (Google, 2019) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | denso |
| 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | denso |
| 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | arquitetura não informada |
| 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | arquitetura não informada |
| 223 | CoEdiT-xxl (University of Minnesota, 2023) | ~1.1 × 10¹⁰ | 2023 | estimativa | |
| 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | arquitetura não informada |
| 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | arquitetura não informada |
| 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | denso |
| 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | denso |
| 228 | ERNIE-ViLG (Baidu, 2021) | ~1 × 10¹⁰ | 2021 | estimativa | |
| 229 | Qwen-VL (Alibaba, 2023) | ~9.6 × 10⁹ | 2023 | estimativa | |
| 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | arquitetura não informada |
| 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | mistura de especialistas (contagem ativa não publicada) |
| 232 | CogVideo (Tsinghua University, 2022) | ~9.4 × 10⁹ | 2022 | estimativa | |
| 233 | eDiff-I (Nvidia, 2022) | ~9.1 × 10⁹ | 2022 | estimativa | |
| 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | arquitetura não informada |
| 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | mistura de especialistas (contagem ativa não publicada) |
| 236 | Qwen-Audio-Chat (Alibaba, 2023) | ~8.5 × 10⁹ | 2023 | estimativa | |
| 237 | Megatron-LM (Nvidia, 2019) | ~8.3 × 10⁹ | 2019 | estimativa | |
| 238 | BigSSL (Google, 2021) | ~8 × 10⁹ | 2021 | estimativa | |
| 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | arquitetura não informada |
| 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | denso |
| 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 242 | Imagen (Google Brain, 2022) | ~7.8 × 10⁹ | 2022 | estimativa | |
| 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | arquitetura não informada |
| 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | arquitetura não informada |
| 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | arquitetura não informada |
| 246 | mPLUG-Owl2 (Alibaba, 2023) | ~7.1 × 10⁹ | 2023 | estimativa | |
| 247 | Goat-7B (National University of Singapore, 2023) | ~7 × 10⁹ | 2023 | estimativa | |
| 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | denso |
| 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | denso |
| 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | denso |
| 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | arquitetura não informada |
| 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | arquitetura não informada |
| 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | ~7 × 10⁹ | 2025 | estimativa | |
| 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | arquitetura não informada |
| 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | arquitetura não informada |
| 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | arquitetura não informada |
| 257 | GPipe (Google, 2018) | ~6 × 10⁹ | 2018 | estimativa | |
| 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | denso |
| 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | arquitetura não informada |
| 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | ~6 × 10⁹ | 2023 | estimativa | |
| 261 | MolmoAct 2 (Allen Institute for AI, 2026) | ~5.5 × 10⁹ | 2026 | estimativa | |
| 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | arquitetura não informada |
| 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | mistura de especialistas (contagem ativa não publicada) |
| 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | arquitetura não informada |
| 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | denso |
| 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | arquitetura não informada |
| 267 | CogView (Tsinghua University, 2021) | ~4 × 10⁹ | 2021 | estimativa | |
| 268 | Make-A-Scene (Meta AI, 2022) | ~4 × 10⁹ | 2022 | estimativa | |
| 269 | ONE-PEACE (Alibaba, 2023) | ~4 × 10⁹ | 2023 | estimativa | |
| 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | denso |
| 271 | DALL·E 2 (OpenAI, 2022) | ~3.5 × 10⁹ | 2022 | estimativa | |
| 272 | Stable Diffusion XL (Stability AI, 2023) | ~3.4 × 10⁹ | 2023 | estimativa | |
| 273 | MusicGen (Meta AI, 2023) | ~3.4 × 10⁹ | 2023 | estimativa | |
| 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | arquitetura não informada |
| 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | arquitetura não informada |
| 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | arquitetura não informada |
| 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | ~3.2 × 10⁹ | 2016 | estimativa | |
| 278 | BASIC-L (Google, 2021) | ~3.1 × 10⁹ | 2021 | estimativa | |
| 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | arquitetura não informada |
| 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | arquitetura não informada |
| 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitetura não informada |
| 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitetura não informada |
| 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitetura não informada |
| 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | arquitetura não informada |
| 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | arquitetura não informada |
| 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | ~2.9 × 10⁹ | 2018 | estimativa | |
| 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | denso |
| 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | denso |
| 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | arquitetura não informada |
| 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | ~2.7 × 10⁹ | 2022 | estimativa | |
| 291 | Hybrid H3-2.7B (Stanford University, 2022) | ~2.7 × 10⁹ | 2022 | estimativa | |
| 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | arquitetura não informada |
| 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | denso |
| 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | denso |
| 295 | Nucleotide Transformer (Nvidia, 2023) | ~2.5 × 10⁹ | 2023 | estimativa | |
| 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | arquitetura não informada |
| 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | arquitetura não informada |
| 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | denso |
| 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | arquitetura não informada |
| 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | arquitetura não informada |
| 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | arquitetura não informada |
| 302 | MuseNet (OpenAI, 2019) | ~2 × 10⁹ | 2019 | estimativa | |
| 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | arquitetura não informada |
| 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | denso |
| 305 | BEIT-3 (Microsoft, 2022) | ~1.9 × 10⁹ | 2022 | estimativa | |
| 306 | Ankh_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | arquitetura não informada |
| 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | arquitetura não informada |
| 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | arquitetura não informada |
| 309 | Phenaki (University College London (UCL), 2022) | ~1.8 × 10⁹ | 2022 | estimativa | |
| 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | arquitetura não informada |
| 311 | DistBelief Vision (Google, 2012) | ~1.7 × 10⁹ | 2012 | estimativa | |
| 312 | Whisper (OpenAI, 2022) | ~1.6 × 10⁹ | 2022 | estimativa | |
| 313 | GPT-2 (OpenAI, 2019) | ~1.5 × 10⁹ | 2019 | estimativa | |
| 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | arquitetura não informada |
| 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | arquitetura não informada |
| 316 | AudioLM (Google Research, 2023) | ~1.5 × 10⁹ | 2023 | estimativa | |
| 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | arquitetura não informada |
| 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | arquitetura não informada |
| 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | denso |
| 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | arquitetura não informada |
| 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | denso |
| 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | denso |
| 323 | RDT-1B (Tsinghua University, 2024) | ~1.2 × 10⁹ | 2024 | estimativa | |
| 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | arquitetura não informada |
| 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | arquitetura não informada |
| 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | arquitetura não informada |
| 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | arquitetura não informada |
| 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | arquitetura não informada |
| 329 | Unsupervised High-level Feature Learner (Google, 2012) | ~1 × 10⁹ | 2012 | estimativa | |
| 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | denso |
| 331 | HuBERT (Facebook AI Research, 2021) | ~1 × 10⁹ | 2021 | estimativa | |
| 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | denso |
| 333 | AudioGen (Meta AI, 2023) | ~1 × 10⁹ | 2023 | estimativa | |
| 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | arquitetura não informada |
| 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | ~9.4 × 10⁸ | 2013 | estimativa | |
| 336 | ImageBind (Meta AI, 2023) | ~9.3 × 10⁸ | 2023 | estimativa | |
| 337 | Big Transfer (Google Brain, 2019) | ~9.3 × 10⁸ | 2019 | estimativa | |
| 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | arquitetura não informada |
| 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | arquitetura não informada |
| 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | arquitetura não informada |
| 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | denso |
| 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | ~8.3 × 10⁸ | 2019 | estimativa | |
| 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | arquitetura não informada |
| 344 | Statement Curriculum Learning (OpenAI, 2022) | ~7.7 × 10⁸ | 2022 | estimativa | |
| 345 | CodeT5-large (Salesforce, 2022) | ~7.7 × 10⁸ | 2022 | estimativa | |
| 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | arquitetura não informada |
| 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | arquitetura não informada |
| 348 | data2vec (Meta AI, 2022) | ~7.1 × 10⁸ | 2022 | estimativa | |
| 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | arquitetura não informada |
| 350 | Word2Vec (Google, 2013) | ~6.9 × 10⁸ | 2013 | estimativa | |
| 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | arquitetura não informada |
| 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | ~6.8 × 10⁸ | 2023 | estimativa | |
| 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | arquitetura não informada |
| 354 | XLM (Facebook, 2019) | ~6.7 × 10⁸ | 2019 | estimativa | |
| 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | denso |
| 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | arquitetura não informada |
| 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | denso |
| 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | ~6.3 × 10⁸ | 2021 | estimativa | |
| 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | denso |
| 360 | DLDL (University of Oxford, 2016) | ~5.6 × 10⁸ | 2016 | estimativa | |
| 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | arquitetura não informada |
| 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | arquitetura não informada |
| 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | denso |
| 364 | LUKE (University of Washington, 2020) | ~4.8 × 10⁸ | 2020 | estimativa | |
| 365 | EfficientNet-L2 (Google, 2019) | ~4.8 × 10⁸ | 2019 | estimativa | |
| 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | denso |
| 367 | Meta Pseudo Labels (Google Brain, 2021) | ~4.8 × 10⁸ | 2021 | estimativa | |
| 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | arquitetura não informada |
| 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | denso |
| 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | denso |
| 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | arquitetura não informada |
| 372 | OntoProtein (Zhejiang University (ZJU), 2022) | ~4.2 × 10⁸ | 2022 | estimativa | |
| 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | arquitetura não informada |
| 374 | BART-large (Facebook AI, 2019) | ~4.1 × 10⁸ | 2019 | estimativa | |
| 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | arquitetura não informada |
| 376 | BERT-Large-CAS (Amazon, 2019) | ~4 × 10⁸ | 2019 | estimativa | |
| 377 | MoCo (Facebook AI, 2019) | ~3.8 × 10⁸ | 2019 | estimativa | |
| 378 | SimCLR (Google Brain, 2020) | ~3.8 × 10⁸ | 2020 | estimativa | |
| 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | arquitetura não informada |
| 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | denso |
| 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | arquitetura não informada |
| 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | denso |
| 383 | VALL-E (Microsoft, 2023) | ~3.5 × 10⁸ | 2023 | estimativa | |
| 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | denso |
| 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | denso |
| 386 | ERNIE-GEN (Baidu, 2020) | ~3.4 × 10⁸ | 2020 | estimativa | |
| 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | denso |
| 388 | ELECTRA (Stanford University, 2020) | ~3.4 × 10⁸ | 2020 | estimativa | |
| 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | denso |
| 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | ~3.4 × 10⁸ | 2022 | estimativa | |
| 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | denso |
| 392 | Fusion in Encoder (Samsung, 2022) | ~3.3 × 10⁸ | 2022 | estimativa | |
| 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | denso |
| 394 | CPC v2 (DeepMind, 2019) | ~3 × 10⁸ | 2019 | estimativa | |
| 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | denso |
| 396 | DDPM-IP (Utrecht University, 2023) | ~3 × 10⁸ | 2023 | estimativa | |
| 397 | GNMT (Google, 2016) | ~2.8 × 10⁸ | 2016 | estimativa | |
| 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | arquitetura não informada |
| 399 | YOLO (University of Washington, 2015) | ~2.7 × 10⁸ | 2015 | estimativa | |
| 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | ~2.6 × 10⁸ | 2019 | estimativa | |
| 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | denso |
| 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | ~2.6 × 10⁸ | 2019 | estimativa | |
| 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | arquitetura não informada |
| 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | arquitetura não informada |
| 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | arquitetura não informada |
| 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | denso |
| 407 | S4 (Stanford University, 2021) | ~2.5 × 10⁸ | 2021 | estimativa | |
| 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | ~2.5 × 10⁸ | 2019 | estimativa | |
| 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | denso |
| 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | ~2.5 × 10⁸ | 2021 | estimativa | |
| 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | denso |
| 412 | TaLK Convolution (Carleton University, 2020) | ~2.4 × 10⁸ | 2020 | estimativa | |
| 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | ~2.4 × 10⁸ | 2020 | estimativa | |
| 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | arquitetura não informada |
| 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | arquitetura não informada |
| 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | arquitetura não informada |
| 417 | MetNet (Google, 2020) | ~2.3 × 10⁸ | 2020 | estimativa | |
| 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | denso |
| 419 | CodeT5-base (Salesforce, 2021) | ~2.2 × 10⁸ | 2021 | estimativa | |
| 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | denso |
| 421 | Sandwich Transformer (Allen Institute for AI, 2019) | ~2.1 × 10⁸ | 2019 | estimativa | |
| 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | arquitetura não informada |
| 423 | Word2Vec (Google, 2013) | ~2.1 × 10⁸ | 2013 | estimativa | |
| 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | denso |
| 425 | DreamerV3 (DeepMind, 2023) | ~2 × 10⁸ | 2023 | estimativa | |
| 426 | DL scaling speech (Baidu, 2017) | ~1.9 × 10⁸ | 2017 | estimativa | |
| 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | ~1.9 × 10⁸ | 2019 | estimativa | |
| 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | denso |
| 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | denso |
| 430 | DL scaling LM (Baidu, 2017) | ~1.8 × 10⁸ | 2017 | estimativa | |
| 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | arquitetura não informada |
| 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | denso |
| 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | denso |
| 434 | 4 layer QRNN (Salesforce Research, 2018) | ~1.5 × 10⁸ | 2018 | estimativa | |
| 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | ~1.5 × 10⁸ | 2020 | estimativa | |
| 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | arquitetura não informada |
| 437 | PermuteFormer (Peking University, 2021) | ~1.5 × 10⁸ | 2021 | estimativa | |
| 438 | Fragment embedding (Stanford University, 2014) | ~1.4 × 10⁸ | 2014 | estimativa | |
| 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | denso |
| 440 | VGG19 (University of Oxford, 2014) | ~1.4 × 10⁸ | 2014 | estimativa | |
| 441 | LRCN (UT Austin, 2014) | ~1.4 × 10⁸ | 2014 | estimativa | |
| 442 | Transformer-XL DeFINE (University of Washington, 2019) | ~1.4 × 10⁸ | 2019 | estimativa | |
| 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | denso |
| 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | denso |
| 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | denso |
| 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | denso |
| 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | ~1.4 × 10⁸ | 2015 | estimativa | |
| 448 | Template Adaptation (University of Oxford, 2016) | ~1.4 × 10⁸ | 2016 | estimativa | |
| 449 | LRR-4X (UC Irvine, 2016) | ~1.4 × 10⁸ | 2016 | estimativa | |
| 450 | CMS-RCNN (IEEE, 2016) | ~1.4 × 10⁸ | 2016 | estimativa | |
| 451 | QRNN (Salesforce Research, 2018) | ~1.4 × 10⁸ | 2018 | estimativa | |
| 452 | Multiresolution CNN (Google, 2014) | ~1.3 × 10⁸ | 2014 | estimativa | |
| 453 | FTW (DeepMind, 2018) | ~1.3 × 10⁸ | 2018 | estimativa | |
| 454 | Feedback Transformer (LORIA, 2020) | ~1.3 × 10⁸ | 2020 | estimativa | |
| 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | denso |
| 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | denso |
| 457 | GloVe (Stanford University, 2014) | ~1.2 × 10⁸ | 2014 | estimativa | |
| 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | denso |
| 459 | GPT-1 (OpenAI, 2018) | ~1.2 × 10⁸ | 2018 | estimativa | |
| 460 | ContextNet (Google, 2020) | ~1.1 × 10⁸ | 2020 | estimativa | |
| 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | denso |
| 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | arquitetura não informada |
| 463 | Contriever (Meta AI, 2021) | ~1.1 × 10⁸ | 2021 | estimativa | |
| 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | denso |
| 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | arquitetura não informada |
| 466 | LSTM LM (RWTH Aachen University, 2012) | ~1 × 10⁸ | 2012 | estimativa | |
| 467 | ReLU-Speech (Google, 2013) | ~1 × 10⁸ | 2013 | estimativa | |
| 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | arquitetura não informada |
| 469 | Support Vector Machines (AT&T, 1995) | ~1 × 10⁸ | 1995 | estimativa | |
| 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | denso |
| 471 | MSA Transformer (Facebook AI Research, 2021) | ~1 × 10⁸ | 2021 | estimativa | |
| 472 | YOLOX-X (Megvii Inc, 2021) | ~9.9 × 10⁷ | 2021 | estimativa | |
| 473 | DeLighT (University of Washington, 2020) | ~9.9 × 10⁷ | 2020 | estimativa | |
| 474 | ELMo (University of Washington, 2018) | ~9.4 × 10⁷ | 2018 | estimativa | |
| 475 | AlphaFold 2 (DeepMind, 2020) | ~9.3 × 10⁷ | 2020 | estimativa | |
| 476 | AlphaMissense (Google DeepMind, 2023) | ~9.3 × 10⁷ | 2023 | estimativa | |
| 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | arquitetura não informada |
| 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | ~9.2 × 10⁷ | 2016 | estimativa | |
| 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | arquitetura não informada |
| 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | denso |
| 481 | NASNet-A (Google Brain, 2017) | ~8.9 × 10⁷ | 2017 | estimativa | |
| 482 | CLIP (OpenAI, 2021) | ~8.9 × 10⁷ | 2021 | estimativa | |
| 483 | Detic (Meta AI, 2022) | ~8.8 × 10⁷ | 2022 | estimativa | |
| 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | denso |
| 485 | BigBiGAN (Google, 2019) | ~8.6 × 10⁷ | 2019 | estimativa | |
| 486 | ViT-Base/32 (Google Brain, 2020) | ~8.6 × 10⁷ | 2020 | estimativa | |
| 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | arquitetura não informada |
| 488 | CaLM (University of Oxford, 2022) | ~8.6 × 10⁷ | 2022 | estimativa | |
| 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | denso |
| 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | denso |
| 491 | RBM Image Classifier (University of Toronto, 2009) | ~8 × 10⁷ | 2009 | estimativa | |
| 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | denso |
| 493 | Big-Little Net (IBM, 2018) | ~7.7 × 10⁷ | 2018 | estimativa | |
| 494 | EfficientDet (Google Brain, 2020) | ~7.7 × 10⁷ | 2020 | estimativa | |
| 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | arquitetura não informada |
| 496 | RNN LM (Johns Hopkins University, 2010) | ~7 × 10⁷ | 2010 | estimativa | |
| 497 | R-CNN (University of California (UC) Berkeley, 2013) | ~6.9 × 10⁷ | 2013 | estimativa | |
| 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | denso |
| 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | denso |
| 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | denso |
| 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | denso |
| 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | denso |
| 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | denso |
| 504 | YOLOv3 (University of Washington, 2018) | ~5.7 × 10⁷ | 2018 | estimativa | |
| 505 | Inception-ResNet-V2 (Google, 2016) | ~5.6 × 10⁷ | 2016 | estimativa | |
| 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | denso |
| 507 | Cérebro da mosca-das-frutas | 5.5 × 10⁷ | 5.5 × 10⁷ | sinapses | |
| 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | denso |
| 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | denso |
| 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | denso |
| 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | denso |
| 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | denso |
| 513 | YOLOv2 (University of Washington, 2016) | ~5.1 × 10⁷ | 2016 | estimativa | |
| 514 | Dropout-LSTM+Noise (Columbia University, 2018) | ~5.1 × 10⁷ | 2018 | estimativa | |
| 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | ~5 × 10⁷ | 2017 | estimativa | |
| 516 | Dropout (University of Toronto, 2012) | ~4.9 × 10⁷ | 2012 | estimativa | |
| 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | denso |
| 518 | DistBelief Speech (Google, 2012) | ~4.7 × 10⁷ | 2012 | estimativa | |
| 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | denso |
| 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | denso |
| 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | denso |
| 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | denso |
| 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | denso |
| 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | denso |
| 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | denso |
| 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | denso |
| 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | denso |
| 528 | PreTrans-3L-250H (University of Toronto, 2013) | ~4.3 × 10⁷ | 2013 | estimativa | |
| 529 | Inceptionv4 (Google, 2016) | ~4.3 × 10⁷ | 2016 | estimativa | |
| 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | denso |
| 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | denso |
| 532 | NASv3 (Google Brain, 2016) | ~3.7 × 10⁷ | 2016 | estimativa | |
| 533 | MuZero (DeepMind, 2019) | ~3.7 × 10⁷ | 2019 | estimativa | |
| 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | ~3.5 × 10⁷ | 2017 | estimativa | |
| 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | denso |
| 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | denso |
| 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | denso |
| 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | denso |
| 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | arquitetura não informada |
| 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | arquitetura não informada |
| 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | denso |
| 542 | RetinaNet-R50 (Facebook AI Research, 2017) | ~3.4 × 10⁷ | 2017 | estimativa | |
| 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | ~3.4 × 10⁷ | 2017 | estimativa | |
| 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | ~3.4 × 10⁷ | 2019 | estimativa | |
| 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | denso |
| 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | denso |
| 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | ~3.2 × 10⁷ | 2019 | estimativa | |
| 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | denso |
| 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | denso |
| 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | denso |
| 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | ~2.8 × 10⁷ | 2019 | estimativa | |
| 552 | SENet (Chinese Academy of Sciences, 2017) | ~2.8 × 10⁷ | 2017 | estimativa | |
| 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | denso |
| 554 | Fractional Max-Pooling (University of Warwick, 2014) | ~2.7 × 10⁷ | 2014 | estimativa | |
| 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | arquitetura não informada |
| 556 | RNN-WER (DeepMind, 2014) | ~2.6 × 10⁷ | 2014 | estimativa | |
| 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | denso |
| 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | ~2.6 × 10⁷ | 2017 | estimativa | |
| 559 | ResNeXt-50 (University of California San Diego, 2016) | ~2.5 × 10⁷ | 2016 | estimativa | |
| 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | denso |
| 561 | Inception v3 (Google, 2015) | ~2.4 × 10⁷ | 2015 | estimativa | |
| 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | arquitetura não informada |
| 563 | WeNet (Amazon, 2019) | ~2.3 × 10⁷ | 2019 | estimativa | |
| 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | ~2.3 × 10⁷ | 2019 | estimativa | |
| 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | denso |
| 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | denso |
| 567 | MetaMimic (Google, 2018) | ~2.2 × 10⁷ | 2018 | estimativa | |
| 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | ~2.1 × 10⁷ | 2019 | estimativa | |
| 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | denso |
| 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | ~2 × 10⁷ | 2022 | estimativa | |
| 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | denso |
| 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | denso |
| 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | denso |
| 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | denso |
| 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | denso |
| 576 | MedBERT (Peng Cheng Laboratory, 2021) | ~1.7 × 10⁷ | 2021 | estimativa | |
| 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | denso |
| 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | denso |
| 579 | AlphaFold (DeepMind, 2020) | ~1.6 × 10⁷ | 2020 | estimativa | |
| 580 | GNoME for crystal discovery (Google DeepMind, 2023) | ~1.6 × 10⁷ | 2023 | estimativa | |
| 581 | ReLU (University of Toronto, 2010) | ~1.6 × 10⁷ | 2010 | estimativa | |
| 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | arquitetura não informada |
| 583 | Eve (Harvard Medical School, 2021) | ~1.5 × 10⁷ | 2021 | estimativa | |
| 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | denso |
| 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | denso |
| 586 | Fold2Seq (IBM, 2021) | ~1.2 × 10⁷ | 2021 | estimativa | |
| 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | denso |
| 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | denso |
| 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | denso |
| 590 | ResNet-1001 (Microsoft, 2016) | ~1 × 10⁷ | 2016 | estimativa | |
| 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | ~9 × 10⁶ | 2012 | estimativa | |
| 592 | Gated HORNN (York University, 2016) | ~9 × 10⁶ | 2016 | estimativa | |
| 593 | AlphaGo Fan (DeepMind, 2015) | ~8.2 × 10⁶ | 2015 | estimativa | |
| 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | ~8 × 10⁶ | 2015 | estimativa | |
| 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | denso |
| 596 | Multi-cell LSTM (University of Hyderabad, 2018) | ~7.2 × 10⁶ | 2018 | estimativa | |
| 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | denso |
| 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | denso |
| 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | denso |
| 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | denso |
| 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | arquitetura não informada |
| 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | denso |
| 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | denso |
| 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | denso |
| 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | denso |
| 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | denso |
| 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | denso |
| 608 | NLP from scratch (NEC Laboratories, 2011) | ~5 × 10⁶ | 2011 | estimativa | |
| 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | ~5 × 10⁶ | 2014 | estimativa | |
| 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | arquitetura não informada |
| 611 | High Performance CNN (IDSIA, 2011) | ~4.9 × 10⁶ | 2011 | estimativa | |
| 612 | MobileNet (Google, 2017) | ~4.2 × 10⁶ | 2017 | estimativa | |
| 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | denso |
| 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | denso |
| 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | denso |
| 616 | Dimensionality Reduction (University of Toronto, 2006) | ~3.8 × 10⁶ | 2006 | estimativa | |
| 617 | GOAT (DeepMind, 2021) | ~3.5 × 10⁶ | 2021 | estimativa | |
| 618 | MobileNetV2 (Google, 2018) | ~3.4 × 10⁶ | 2018 | estimativa | |
| 619 | Big-Little Net (IBM, 2018) | ~3.3 × 10⁶ | 2018 | estimativa | |
| 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | arquitetura não informada |
| 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | denso |
| 622 | DeepStack (University of Alberta, 2017) | ~2.5 × 10⁶ | 2017 | estimativa | |
| 623 | KataGo (Jane Street, 2019) | ~2.5 × 10⁶ | 2019 | estimativa | |
| 624 | ShuffleNet v1 (Megvii Inc, 2017) | ~2.4 × 10⁶ | 2017 | estimativa | |
| 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | denso |
| 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | arquitetura não informada |
| 627 | LSTM+NeuralCache (KU Leuven, 2018) | ~2.1 × 10⁶ | 2018 | estimativa | |
| 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | denso |
| 629 | ResNet-110 (Microsoft, 2015) | ~1.7 × 10⁶ | 2015 | estimativa | |
| 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | denso |
| 631 | DQN-2015 (Google, 2015) | ~1.7 × 10⁶ | 2015 | estimativa | |
| 632 | Rational DQN Average (TU Darmstadt, 2021) | ~1.7 × 10⁶ | 2021 | estimativa | |
| 633 | IBM-5 (IBM, 1993) | ~1.7 × 10⁶ | 1993 | estimativa | |
| 634 | Deep Belief Nets (University of Toronto, 2006) | ~1.6 × 10⁶ | 2006 | estimativa | |
| 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | denso |
| 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | arquitetura não informada |
| 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | ~1.5 × 10⁶ | 2008 | estimativa | |
| 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | denso |
| 639 | CNN committee (IDSIA, 2011) | ~1.4 × 10⁶ | 2011 | estimativa | |
| 640 | SqueezeNet (DeepScale, 2016) | ~1.2 × 10⁶ | 2016 | estimativa | |
| 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | denso |
| 642 | CURL (University of California (UC) Berkeley, 2020) | ~9.1 × 10⁵ | 2020 | estimativa | |
| 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | denso |
| 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | denso |
| 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | denso |
| 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | denso |
| 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | ~7.1 × 10⁵ | 2014 | estimativa | |
| 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | arquitetura não informada |
| 649 | LISSOM (University of Texas at Austin, 1995) | ~4.3 × 10⁵ | 1995 | estimativa | |
| 650 | SPIDER2 (Griffith University, 2016) | ~4.1 × 10⁵ | 2016 | estimativa | |
| 651 | Mixture of linear models (, 1994) | ~3.8 × 10⁵ | 1994 | estimativa | |
| 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | denso |
| 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | denso |
| 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | denso |
| 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | denso |
| 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | denso |
| 657 | HyperNEAT (University of Texas at Austin, 2014) | ~2.4 × 10⁵ | 2014 | estimativa | |
| 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | denso |
| 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | denso |
| 660 | Table Tennis Agent (Google DeepMind, 2024) | ~1.9 × 10⁵ | 2024 | estimativa | |
| 661 | CNN Committee (IDSIA, 2011) | ~1.3 × 10⁵ | 2011 | estimativa | |
| 662 | CNN Committee (IDSIA, 2011) | ~1.2 × 10⁵ | 2011 | estimativa | |
| 663 | RECONTRA-uncategorized (, 1999) | ~1.1 × 10⁵ | 1999 | estimativa | |
| 664 | BLSTM for handwriting (University of Bern, 2007) | ~1 × 10⁵ | 2007 | estimativa | |
| 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | denso |
| 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | denso |
| 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | denso |
| 668 | NeuroChess (, 1994) | ~7.2 × 10⁴ | 1994 | estimativa | |
| 669 | RECONTRA-categorized (, 1999) | ~6.7 × 10⁴ | 1999 | estimativa | |
| 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | denso |
| 671 | Swift (Intel Labs, 2023) | ~5.7 × 10⁴ | 2023 | estimativa | |
| 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | denso |
| 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | denso |
| 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | denso |
| 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | denso |
| 676 | TD-Gammon (IBM, 1992) | ~2.5 × 10⁴ | 1992 | estimativa | |
| 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | denso |
| 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | denso |
| 679 | CFSS (SenseTime, 2015) | ~1.7 × 10⁴ | 2015 | estimativa | |
| 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | denso |
| 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | denso |
| 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | ~1.3 × 10⁴ | 1997 | estimativa | |
| 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | ~1.2 × 10⁴ | 2001 | estimativa | |
| 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | denso |
| 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | denso |
| 686 | Hopfield network (California Institute of Technology, 1982) | ~9.9 × 10³ | 1982 | estimativa | |
| 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | denso |
| 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | ~9.3 × 10³ | 1984 | estimativa | |
| 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | denso |
| 690 | Deep Blue (IBM, 1997) | ~8 × 10³ | 1997 | estimativa | |
| 691 | Nematoide (C. elegans) | 7 × 10³ | 7 × 10³ | sinapses | |
| 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | denso |
| 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | denso |
| 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | denso |
| 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | denso |
| 696 | JPMAX (, 1994) | ~4.4 × 10³ | 1994 | estimativa | |
| 697 | Kohonen network (Helsinki University of Technology, 1981) | ~4.1 × 10³ | 1981 | estimativa | |
| 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | denso |
| 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | ~2.6 × 10³ | 1959 | estimativa | |
| 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | denso |
| 701 | Boosting (Bell Laboratories, 1992) | ~2.6 × 10³ | 1992 | estimativa | |
| 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | denso |
| 703 | LTE speaker verification system (IBM, 1966) | ~2.1 × 10³ | 1966 | estimativa | |
| 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | ~1.9 × 10³ | 1994 | estimativa | |
| 705 | SexNet classification (, 1990) | ~1.6 × 10³ | 1990 | estimativa | |
| 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | denso |
| 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | ~1 × 10³ | 2010 | estimativa | |
| 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | ~1 × 10³ | 1957 | estimativa | |
| 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | ~1 × 10³ | 1960 | estimativa | |
| 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | mistura de especialistas (contagem ativa não publicada) |
| 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | denso |
| 712 | Siamese-TDNN (Bell Laboratories, 1993) | ~7.4 × 10² | 1993 | estimativa | |
| 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | denso |
| 714 | Cancer drug mechanism prediction (National Cancer Institute, 1992) | ~5.9 × 10² | 1992 | estimativa | |
| 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | denso |
| 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | denso |
| 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | ~3.2 × 10² | 1983 | estimativa | |
| 718 | LSTM with forget gates (IDSIA, 1999) | ~2.8 × 10² | 1999 | estimativa | |
| 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | ~2.3 × 10² | 1955 | estimativa | |
| 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | denso |
| 721 | SNARC (Harvard University, 1952) | ~4 × 10¹ | 1952 | estimativa | |
| 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | denso |
| 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | denso |
| 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | denso |
| 725 | Samuel Neural Checkers (IBM, 1959) | ~1.6 × 10¹ | 1959 | estimativa |
Coletivos
Estes gráficos ordenam sociedades animais, religiões, estados, partidos e empresas de duas formas. Uma é por membros. A outra é por equivalentes de neurônios, que ponderam cada membro pela parcela do seu tempo de vigília que as instruções do grupo dirigem. Códigos religiosos, leis, regras partidárias e descrições de cargo contam do mesmo modo. São todos conjuntos de instruções, então os medimos pela mesma regra. Como o tempo dirigido é estimado.
- Comunidade de chimpanzés▲17.4 × 10¹¹
- Colônia de formigas-cortadeiras▼16.3 × 10¹¹
- Comunidade de bonobos▲24.4 × 10¹¹
- Acampamento hadza (humanos, para referência de escala)4.1 × 10¹¹
- Grupo de orcas de Bigg▼22.6 × 10¹¹
- Linhagem materna de orcas residentes2.4 × 10¹¹
- Bando de babuínos8.6 × 10¹⁰
- Aliança de golfinhos-nariz-de-garrafa▲17.6 × 10¹⁰
- Unidade social de cachalotes▲16.4 × 10¹⁰
- Colônia de abelhas-melíferas▼25.8 × 10¹⁰
- Família de elefantes5.6 × 10¹⁰
- Bando de gaios-pinhão5.3 × 10¹⁰
- Clã de hienas-malhadas2.2 × 10¹⁰
- Matilha de cães-selvagens-africanos7.2 × 10⁹
- Matilha de lobos4.2 × 10⁹
- Grupo de suricatos1.7 × 10⁹
- Colônia de ratos-toupeira-pelados4.1 × 10⁸
Mostrar os números
| # | Grupo | Neurônios no grupo | Em atividade de grupo | Membros | Parcela dirigida | Tipos de chamado |
|---|---|---|---|---|---|---|
| 1 | Comunidade de chimpanzés | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — |
| 2 | Colônia de formigas-cortadeiras | 6.3 × 10¹¹ | 5 × 10¹¹ | 2,5 milhões | 80% | — |
| 3 | Comunidade de bonobos | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — |
| 4 | Acampamento hadza (humanos, para referência de escala) | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — |
| 5 | Grupo de orcas de Bigg | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — |
| 6 | Linhagem materna de orcas residentes | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 |
| 7 | Bando de babuínos | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 |
| 8 | Aliança de golfinhos-nariz-de-garrafa | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — |
| 9 | Unidade social de cachalotes | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — |
| 10 | Colônia de abelhas-melíferas | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — |
| 11 | Família de elefantes | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — |
| 12 | Bando de gaios-pinhão | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — |
| 13 | Clã de hienas-malhadas | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 |
| 14 | Matilha de cães-selvagens-africanos | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 |
| 15 | Matilha de lobos | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — |
| 16 | Grupo de suricatos | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 |
| 17 | Colônia de ratos-toupeira-pelados | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — |
- Cristianismo▲12,27 bilhões
- Islã▼12,02 bilhões
- Hinduísmo1,18 bilhão
- Religiões populares400 milhões
- Budismo324,19 milhões
- Religiões tradicionais africanas▲198,73 milhões
- Xintoísmo▲187,92 milhões
- Sikhismo▲125 milhões
- Judaísmo▼314,78 milhões
- Taoísmo▲18 milhões
- Fé Baha’í▲18 milhões
- Falun Gong▲17 milhões
- Jainismo▼34,45 milhões
- Espiritismo3,8 milhões
- Cao Đài2,5 milhões
- Tenrikyo1,12 milhão
- Brahma Kumaris1 milhão
Mostrar os números
| # | Religião | Membros | Seguindo suas instruções | Parcela dirigida | Horas por semana |
|---|---|---|---|---|---|
| 1 | Cristianismo | 2,27 bilhões | 1.7 × 10¹⁸ | 0.88% | 0.9 h |
| 2 | Islã | 2,02 bilhões | 8.9 × 10¹⁸ | 5.1% | 5.4 h |
| 3 | Hinduísmo | 1,18 bilhão | 1.6 × 10¹⁸ | 1.6% | 1.6 h |
| 4 | Religiões populares | 400 milhões | 2 × 10¹⁷ | 0.59% (substituto) | 0.6 h |
| 5 | Budismo | 324,19 milhões | 7.5 × 10¹⁶ | 0.27% | 0.3 h |
| 6 | Religiões tradicionais africanas | 98,73 milhões | 5 × 10¹⁶ | 0.59% (substituto) | 0.6 h |
| 7 | Xintoísmo | 87,92 milhões | 4.5 × 10¹⁶ | 0.59% (substituto) | 0.6 h |
| 8 | Sikhismo | 25 milhões | 3.7 × 10¹⁶ | 1.7% | 1.8 h |
| 9 | Judaísmo | 14,78 milhões | 5.3 × 10¹⁶ | 4.2% | 4.4 h |
| 10 | Taoísmo | 8 milhões | 4.1 × 10¹⁵ | 0.59% (substituto) | 0.6 h |
| 11 | Fé Baha’í | 8 milhões | 4.1 × 10¹⁵ | 0.59% (substituto) | 0.6 h |
| 12 | Falun Gong | 7 milhões | 3.6 × 10¹⁵ | 0.59% (substituto) | 0.6 h |
| 13 | Jainismo | 4,45 milhões | 1.8 × 10¹⁶ | 4.6% | 4.8 h |
| 14 | Espiritismo | 3,8 milhões | 1.9 × 10¹⁵ | 0.59% (substituto) | 0.6 h |
| 15 | Cao Đài | 2,5 milhões | 1.3 × 10¹⁵ | 0.59% (substituto) | 0.6 h |
| 16 | Tenrikyo | 1,12 milhão | 5.7 × 10¹⁴ | 0.59% (substituto) | 0.6 h |
| 17 | Brahma Kumaris | 1 milhão | 5.1 × 10¹⁴ | 0.59% (substituto) | 0.6 h |
- Índia▲11,46 bilhão
- China▼11,41 bilhão
- Estados Unidos341,78 milhões
- Indonésia285,72 milhões
- Paquistão▲5255,22 milhões
- Nigéria▲1237,53 milhões
- Brasil▼2212,81 milhões
- Bangladesh▲5175,69 milhões
- Rússia▼3143,51 milhões
- Etiópia▲7135,47 milhões
- México▼2131,95 milhões
- Japão▲11123,37 milhões
- Egito▼2118,37 milhões
- Filipinas116,79 milhões
- RD Congo▼3112,83 milhões
Mostrar os números
| # | Estado | Habitantes | Seguindo suas instruções | Parcela dirigida | Horas por semana |
|---|---|---|---|---|---|
| 1 | Índia | 1,46 bilhão | 2.5 × 10¹⁸ | 2% | 2.1 h |
| 2 | China | 1,41 bilhão | 5 × 10¹⁸ | 4.1% | 4.3 h |
| 3 | Estados Unidos | 341,78 milhões | 1.6 × 10¹⁸ | 5.6% | 5.8 h |
| 4 | Indonésia | 285,72 milhões | 1 × 10¹⁸ | 4.2% | 4.4 h |
| 5 | Paquistão | 255,22 milhões | 5.7 × 10¹⁷ | 2.6% | 2.7 h |
| 6 | Nigéria | 237,53 milhões | 6.6 × 10¹⁷ | 3.2% | 3.4 h |
| 7 | Brasil | 212,81 milhões | 8.7 × 10¹⁷ | 4.8% | 5 h |
| 8 | Bangladesh | 175,69 milhões | 4.6 × 10¹⁷ | 3% | 3.1 h |
| 9 | Rússia | 143,51 milhões | 7.5 × 10¹⁷ | 6.1% | 6.4 h |
| 10 | Etiópia | 135,47 milhões | 3.9 × 10¹⁷ | 3.4% | 3.5 h |
| 11 | México | 131,95 milhões | 5.9 × 10¹⁷ | 5.2% | 5.5 h |
| 12 | Japão | 123,37 milhões | 2.8 × 10¹⁷ | 2.7% | 2.8 h |
| 13 | Egito | 118,37 milhões | 5.5 × 10¹⁷ | 5.4% | 5.7 h |
| 14 | Filipinas | 116,79 milhões | 4.4 × 10¹⁷ | 4.4% | 4.6 h |
| 15 | RD Congo | 112,83 milhões | 4.7 × 10¹⁷ | 4.8% | 5.1 h |
| 16 | Vietnã | 101,6 milhões | 4.2 × 10¹⁷ | 4.8% | 5 h |
| 17 | Irã | 92,42 milhões | 3.5 × 10¹⁷ | 4.3% | 4.6 h |
| 18 | Turquia | 85,88 milhões | 4.3 × 10¹⁷ | 5.8% | 6 h |
| 19 | Alemanha | 83,49 milhões | 2.9 × 10¹⁷ | 4% | 4.2 h |
| 20 | Tailândia | 71,62 milhões | 2.4 × 10¹⁷ | 3.9% | 4.1 h |
| 21 | Tanzânia | 70,55 milhões | 2.2 × 10¹⁷ | 3.6% | 3.8 h |
| 22 | Reino Unido | 69,49 milhões | 2.8 × 10¹⁷ | 4.6% | 4.8 h |
| 23 | França | 68,72 milhões | 3.1 × 10¹⁷ | 5.3% | 5.5 h |
| 24 | África do Sul | 64,75 milhões | 2.9 × 10¹⁷ | 5.1% | 5.4 h |
| 25 | Itália | 58,92 milhões | 2.1 × 10¹⁷ | 4.2% | 4.4 h |
| 26 | Quênia | 57,53 milhões | 2.3 × 10¹⁷ | 4.7% | 5 h |
| 27 | Mianmar | 54,85 milhões | 1.9 × 10¹⁷ | 4% | 4.2 h |
| 28 | Colômbia | 53,43 milhões | 1.7 × 10¹⁷ | 3.7% | 3.9 h |
| 29 | Coreia do Sul | 51,68 milhões | 1.4 × 10¹⁷ | 3% | 3.2 h |
| 30 | Sudão | 51,66 milhões | 1.5 × 10¹⁷ | 3.4% | 3.6 h |
| 31 | Uganda | 51,38 milhões | 1.5 × 10¹⁷ | 3.4% | 3.6 h |
| 32 | Espanha | 49,36 milhões | 1.8 × 10¹⁷ | 4.2% | 4.3 h |
| 33 | Argélia | 47,44 milhões | 3.2 × 10¹⁷ | 7.9% | 8.3 h |
| 34 | Iraque | 47,02 milhões | 1.1 × 10¹⁷ | 2.8% | 2.9 h |
| 35 | Argentina | 45,85 milhões | 1.7 × 10¹⁷ | 4.4% | 4.6 h |
| 36 | Afeganistão | 43,84 milhões | 1.8 × 10¹⁷ | 4.8% | 5 h |
| 37 | Iêmen | 41,77 milhões | 1.3 × 10¹⁷ | 3.7% | 3.9 h |
| 38 | Canadá | 41,65 milhões | 2 × 10¹⁷ | 5.5% | 5.8 h |
| 39 | Angola | 39,04 milhões | 1.4 × 10¹⁷ | 4.2% | 4.4 h |
| 40 | Ucrânia | 38,98 milhões | 2.1 × 10¹⁷ | 6.2% | 6.5 h |
| 41 | Marrocos | 38,43 milhões | 1.5 × 10¹⁷ | 4.5% | 4.7 h |
| 42 | Uzbequistão | 37,05 milhões | 2 × 10¹⁷ | 6.3% | 6.6 h |
| 43 | Arábia Saudita | 36,97 milhões | 1.4 × 10¹⁷ | 4.3% | 4.6 h |
| 44 | Polônia | 36,44 milhões | 2.1 × 10¹⁷ | 6.7% | 7 h |
| 45 | Malásia | 35,98 milhões | 1.8 × 10¹⁷ | 5.8% | 6.1 h |
| 46 | Moçambique | 35,63 milhões | 1.5 × 10¹⁷ | 4.8% | 5.1 h |
| 47 | Gana | 35,06 milhões | 1.2 × 10¹⁷ | 3.9% | 4.1 h |
| 48 | Peru | 34,58 milhões | 1.4 × 10¹⁷ | 4.8% | 5 h |
| 49 | Madagascar | 32,74 milhões | 9.4 × 10¹⁶ | 3.3% | 3.5 h |
| 50 | Costa do Marfim | 32,71 milhões | 9.5 × 10¹⁶ | 3.4% | 3.5 h |
| 51 | Camarões | 29,88 milhões | 9.8 × 10¹⁶ | 3.8% | 4 h |
| 52 | Nepal | 29,62 milhões | 1.1 × 10¹⁷ | 4.2% | 4.4 h |
| 53 | Venezuela | 28,52 milhões | 1.5 × 10¹⁷ | 6.1% | 6.4 h |
| 54 | Níger | 27,92 milhões | 6.4 × 10¹⁶ | 2.6% | 2.8 h |
| 55 | Austrália | 27,61 milhões | 1.1 × 10¹⁷ | 4.7% | 5 h |
| 56 | Coreia do Norte | 26,57 milhões | 6.6 × 10¹⁷ | 29% | 30.1 h |
| 57 | Síria | 25,62 milhões | 9.8 × 10¹⁶ | 4.4% | 4.6 h |
| 58 | Mali | 25,2 milhões | 4.9 × 10¹⁶ | 2.3% | 2.4 h |
| 59 | Burquina Faso | 24,07 milhões | 5.7 × 10¹⁶ | 2.8% | 2.9 h |
| 60 | Taiwan | 23,31 milhões | 1 × 10¹⁷ | 5% | 5.3 h |
| 61 | Maláui | 22,22 milhões | 1 × 10¹⁷ | 5.4% | 5.6 h |
| 62 | Zâmbia | 21,91 milhões | 10 × 10¹⁶ | 5.3% | 5.5 h |
| 63 | Sri Lanka | 21,76 milhões | 1.1 × 10¹⁷ | 6% | 6.3 h |
| 64 | Chade | 21 milhões | 4.9 × 10¹⁶ | 2.7% | 2.9 h |
| 65 | Cazaquistão | 20,84 milhões | 1.4 × 10¹⁷ | 7.6% | 7.9 h |
| 66 | Chile | 19,86 milhões | 6.2 × 10¹⁶ | 3.6% | 3.8 h |
| 67 | Somália | 19,65 milhões | 1.5 × 10¹⁶ | 0.88% | 0.9 h |
| 68 | Romênia | 19,02 milhões | 7.5 × 10¹⁶ | 4.6% | 4.8 h |
| 69 | Senegal | 18,93 milhões | 5.9 × 10¹⁶ | 3.6% | 3.8 h |
| 70 | Guatemala | 18,69 milhões | 6 × 10¹⁶ | 3.7% | 3.9 h |
| 71 | Equador | 18,29 milhões | 6.6 × 10¹⁶ | 4.2% | 4.4 h |
| 72 | Países Baixos | 18,09 milhões | 7.6 × 10¹⁶ | 4.9% | 5.1 h |
| 73 | Camboja | 17,85 milhões | 7.4 × 10¹⁶ | 4.8% | 5.1 h |
| 74 | Zimbábue | 16,95 milhões | 6.1 × 10¹⁶ | 4.2% | 4.4 h |
| 75 | Guiné | 15,1 milhões | 3.1 × 10¹⁶ | 2.4% | 2.5 h |
| 76 | Benin | 14,81 milhões | 4.4 × 10¹⁶ | 3.4% | 3.6 h |
| 77 | Ruanda | 14,57 milhões | 7 × 10¹⁶ | 5.6% | 5.8 h |
| 78 | Burundi | 14,39 milhões | 5.2 × 10¹⁶ | 4.2% | 4.4 h |
| 79 | Bolívia | 12,58 milhões | 5.8 × 10¹⁶ | 5.4% | 5.6 h |
| 80 | Tunísia | 12,35 milhões | 6.4 × 10¹⁶ | 6% | 6.3 h |
| 81 | Sudão do Sul | 12,19 milhões | 4.4 × 10¹⁶ | 4.2% | 4.4 h |
| 82 | Bélgica | 11,94 milhões | 4.5 × 10¹⁶ | 4.3% | 4.5 h |
| 83 | Haiti | 11,91 milhões | 1.9 × 10¹⁶ | 1.8% | 1.9 h |
| 84 | Jordan | 11,52 milhões | 4.9 × 10¹⁶ | 5% | 5.2 h |
| 85 | República Dominicana | 11,52 milhões | 4.9 × 10¹⁶ | 4.9% | 5.2 h |
| 86 | Emirados Árabes Unidos | 11,51 milhões | 3.1 × 10¹⁶ | 3.1% | 3.2 h |
| 87 | Honduras | 11,01 milhões | 3.2 × 10¹⁶ | 3.3% | 3.5 h |
| 88 | Cuba | 10,94 milhões | 1.6 × 10¹⁷ | 17% | 17.4 h |
| 89 | Tchéquia | 10,89 milhões | 5.8 × 10¹⁶ | 6.2% | 6.5 h |
| 90 | Portugal | 10,8 milhões | 5.1 × 10¹⁶ | 5.5% | 5.7 h |
| 91 | Tadjiquistão | 10,79 milhões | 5.3 × 10¹⁶ | 5.7% | 6 h |
| 92 | Papua-Nova Guiné | 10,76 milhões | 4.3 × 10¹⁶ | 4.6% | 4.8 h |
| 93 | Suécia | 10,6 milhões | 6.8 × 10¹⁶ | 7.5% | 7.8 h |
| 94 | Grécia | 10,41 milhões | 4.9 × 10¹⁶ | 5.4% | 5.7 h |
| 95 | Azerbaijão | 10,25 milhões | 6.2 × 10¹⁶ | 7% | 7.4 h |
| 96 | Israel | 10,12 milhões | 6.4 × 10¹⁶ | 7.3% | 7.7 h |
| 97 | Hungria | 9,51 milhões | 5.7 × 10¹⁶ | 6.9% | 7.3 h |
| 98 | Áustria | 9,21 milhões | 2.5 × 10¹⁶ | 3.2% | 3.4 h |
| 99 | Suíça | 9,09 milhões | 3.9 × 10¹⁶ | 5% | 5.3 h |
| 100 | Belarus | 9,09 milhões | 7.9 × 10¹⁶ | 10% | 10.6 h |
| 101 | Serra Leoa | 8,82 milhões | 4.9 × 10¹⁶ | 6.5% | 6.8 h |
| 102 | Togo | 8,59 milhões | 3 × 10¹⁶ | 4% | 4.2 h |
| 103 | Laos | 7,87 milhões | 3.2 × 10¹⁶ | 4.8% | 5 h |
| 104 | Turcomenistão | 7,62 milhões | 4.2 × 10¹⁶ | 6.5% | 6.8 h |
| 105 | Líbia | 7,46 milhões | 3.9 × 10¹⁶ | 6.1% | 6.4 h |
| 106 | Quirguistão | 7,34 milhões | 4.1 × 10¹⁶ | 6.5% | 6.8 h |
| 107 | Paraguai | 7,01 milhões | 2.9 × 10¹⁶ | 4.8% | 5.1 h |
| 108 | Nicarágua | 7,01 milhões | 2.8 × 10¹⁶ | 4.6% | 4.8 h |
| 109 | Sérvia | 6,55 milhões | 4.1 × 10¹⁶ | 7.2% | 7.5 h |
| 110 | República do Congo | 6,48 milhões | 1.7 × 10¹⁶ | 3% | 3.1 h |
| 111 | Bulgária | 6,43 milhões | 3.3 × 10¹⁶ | 5.9% | 6.2 h |
| 112 | El Salvador | 6,37 milhões | 3.2 × 10¹⁶ | 5.8% | 6.1 h |
| 113 | Singapura | 6,11 milhões | 1.9 × 10¹⁶ | 3.6% | 3.7 h |
| 114 | Dinamarca | 6,01 milhões | 3.9 × 10¹⁶ | 7.6% | 8 h |
| 115 | Líbano | 5,85 milhões | 1.5 × 10¹⁶ | 3% | 3.1 h |
| 116 | Libéria | 5,73 milhões | 1.5 × 10¹⁶ | 3.1% | 3.3 h |
| 117 | Finlândia | 5,65 milhões | 3.2 × 10¹⁶ | 6.6% | 6.9 h |
| 118 | Noruega | 5,61 milhões | 3.7 × 10¹⁶ | 7.6% | 8 h |
| 119 | República Centro-Africana | 5,51 milhões | 1.7 × 10¹⁶ | 3.5% | 3.7 h |
| 120 | Oman | 5,49 milhões | 2.9 × 10¹⁶ | 6.2% | 6.5 h |
| 121 | Irlanda | 5,48 milhões | 3.4 × 10¹⁶ | 7.2% | 7.6 h |
| 122 | Eslováquia | 5,41 milhões | 3.1 × 10¹⁶ | 6.7% | 7 h |
| 123 | Palestina | 5,41 milhões | 2 × 10¹⁶ | 4.3% | 4.5 h |
| 124 | Nova Zelândia | 5,32 milhões | 2.7 × 10¹⁶ | 5.9% | 6.2 h |
| 125 | Mauritânia | 5,32 milhões | 2 × 10¹⁶ | 4.3% | 4.5 h |
| 126 | Costa Rica | 5,15 milhões | 2.6 × 10¹⁶ | 5.9% | 6.2 h |
| 127 | Kuwait | 4,87 milhões | 2.7 × 10¹⁶ | 6.5% | 6.8 h |
| 128 | Panamá | 4,57 milhões | 2.3 × 10¹⁶ | 5.9% | 6.2 h |
| 129 | Geórgia | 3,94 milhões | 2.1 × 10¹⁶ | 6.1% | 6.4 h |
| 130 | Croácia | 3,88 milhões | 2.2 × 10¹⁶ | 6.7% | 7 h |
| 131 | Eritreia | 3,61 milhões | 1.5 × 10¹⁶ | 5% | 5.2 h |
| 132 | Mongólia | 3,57 milhões | 2.2 × 10¹⁶ | 7% | 7.3 h |
| 133 | Uruguai | 3,38 milhões | 1.7 × 10¹⁶ | 5.9% | 6.2 h |
| 134 | Bósnia e Herzegovina | 3,14 milhões | 1.6 × 10¹⁶ | 5.9% | 6.2 h |
| 135 | Namíbia | 3,09 milhões | 1.8 × 10¹⁶ | 6.9% | 7.2 h |
| 136 | Armênia | 3,09 milhões | 1.7 × 10¹⁶ | 6.5% | 6.8 h |
| 137 | Catar | 2,97 milhões | 9.6 × 10¹⁵ | 3.8% | 3.9 h |
| 138 | Lituânia | 2,89 milhões | 1.8 × 10¹⁶ | 7.4% | 7.7 h |
| 139 | Jamaica | 2,84 milhões | 1.2 × 10¹⁶ | 5% | 5.2 h |
| 140 | Gâmbia | 2,82 milhões | 1.1 × 10¹⁶ | 4.5% | 4.7 h |
| 141 | Gabão | 2,59 milhões | 9.9 × 10¹⁵ | 4.4% | 4.6 h |
| 142 | Botsuana | 2,56 milhões | 1.3 × 10¹⁶ | 5.7% | 6 h |
| 143 | Lesoto | 2,36 milhões | 9.5 × 10¹⁵ | 4.7% | 4.9 h |
| 144 | Moldávia | 2,36 milhões | 1.5 × 10¹⁶ | 7.3% | 7.6 h |
| 145 | Albânia | 2,35 milhões | 1.2 × 10¹⁶ | 5.7% | 6 h |
| 146 | Guiné-Bissau | 2,25 milhões | 5.7 × 10¹⁵ | 2.9% | 3.1 h |
| 147 | Eslovênia | 2,13 milhões | 1.2 × 10¹⁶ | 6.6% | 6.9 h |
| 148 | Guiné Equatorial | 1,94 milhão | 4 × 10¹⁵ | 2.4% | 2.5 h |
| 149 | Letônia | 1,85 milhão | 1.2 × 10¹⁶ | 7.6% | 7.9 h |
| 150 | Macedônia do Norte | 1,82 milhão | 9.2 × 10¹⁵ | 5.9% | 6.2 h |
| 151 | Bahrein | 1,6 milhão | 5.9 × 10¹⁵ | 4.3% | 4.5 h |
| 152 | Kosovo | 1,58 milhão | 8 × 10¹⁵ | 5.9% | 6.2 h |
| 153 | Timor-Leste | 1,42 milhão | 8 × 10¹⁵ | 6.6% | 6.9 h |
| 154 | Chipre | 1,37 milhão | 5.5 × 10¹⁵ | 4.7% | 4.9 h |
| 155 | Trinidad e Tobago | 1,37 milhão | 9.3 × 10¹⁵ | 7.9% | 8.2 h |
| 156 | Estônia | 1,37 milhão | 8.3 × 10¹⁵ | 7% | 7.4 h |
| 157 | Essuatíni | 1,26 milhão | 7.5 × 10¹⁵ | 6.9% | 7.2 h |
| 158 | Maurício | 1,24 milhão | 5.1 × 10¹⁵ | 4.8% | 5 h |
| 159 | Djibuti | 1,18 milhão | 4.6 × 10¹⁵ | 4.5% | 4.8 h |
| 160 | Fiji | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h |
| 161 | Comores | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h |
| 162 | Ilhas Salomão | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h |
| 163 | Guiana | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h |
| 164 | Butão | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h |
| 165 | Luxemburgo | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h |
| 166 | Suriname | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h |
| 167 | Montenegro | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h |
| 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h |
| 169 | Maldivas | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h |
| 170 | Cabo Verde | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h |
| 171 | Brunei | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h |
| 172 | Belize | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h |
| 173 | Bahamas | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h |
| 174 | Islândia | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h |
| 175 | Vanuatu | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h |
| 176 | Barbados | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h |
| 177 | São Tomé e Príncipe | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h |
| 178 | Samoa | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h |
| 179 | Santa Lúcia | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h |
| 180 | Quiribati | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h |
| 181 | Seicheles | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h |
| 182 | Granada | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h |
| 183 | Micronésia | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h |
| 184 | Tonga | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h |
| 185 | São Vicente e Granadinas | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h |
| 186 | Antígua e Barbuda | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h |
| 187 | Andorra | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h |
| 188 | Dominica | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h |
| 189 | São Cristóvão e Névis | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h |
| 190 | Liechtenstein | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h |
| 191 | Mônaco | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h |
| 192 | Ilhas Marshall | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h |
| 193 | San Marino | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h |
| 194 | Palau | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h |
| 195 | Nauru | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h |
| 196 | Tuvalu | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h |
- Bharatiya Janata Party (Índia)▲1140 milhões
- Partido Comunista da China▼1101,29 milhões
- Partido Democrata (EUA)▲1344,9 milhões
- Partido Republicano (EUA)▲1638 milhões
- Congresso Nacional Indiano▼226 milhões
- AIADMK (Índia)▼220,04 milhões
- DMK (Índia)▼220 milhões
- Partido da Prosperidade (Etiópia)▼115,7 milhões
- TVK (Índia)▼115 milhões
- Chama Cha Mapinduzi (Tanzânia)▼113 milhões
- All Progressives Congress (Nigéria)▼112,9 milhões
- AK Party (Turquia)▼111,71 milhões
- Morena (México)▼111,63 milhões
- Telugu Desam Party (Índia)▼110,05 milhões
- Partido Popular do Camboja▼17 milhões
Mostrar os números
| # | Partido | Membros | Seguindo suas instruções | Parcela dirigida | Horas por semana |
|---|---|---|---|---|---|
| 1 | Bharatiya Janata Party (Índia) | 140 milhões | 6.3 × 10¹⁶ | 0.52% (substituto) | 0.6 h |
| 2 | Partido Comunista da China | 101,29 milhões | 8.2 × 10¹⁶ | 0.94% | 1 h |
| 3 | Partido Democrata (EUA) | 44,9 milhões | 2.3 × 10¹⁵ | 0.06% | 0.1 h |
| 4 | Partido Republicano (EUA) | 38 milhões | 2 × 10¹⁵ | 0.06% | 0.1 h |
| 5 | Congresso Nacional Indiano | 26 milhões | 1.2 × 10¹⁶ | 0.52% (substituto) | 0.6 h |
| 6 | AIADMK (Índia) | 20,04 milhões | 9 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 7 | DMK (Índia) | 20 milhões | 9 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 8 | Partido da Prosperidade (Etiópia) | 15,7 milhões | 7 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 9 | TVK (Índia) | 15 milhões | 6.7 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 10 | Chama Cha Mapinduzi (Tanzânia) | 13 milhões | 5.8 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 11 | All Progressives Congress (Nigéria) | 12,9 milhões | 5.8 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 12 | AK Party (Turquia) | 11,71 milhões | 5.2 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 13 | Morena (México) | 11,63 milhões | 5.2 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 14 | Telugu Desam Party (Índia) | 10,05 milhões | 4.5 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 15 | Partido Popular do Camboja | 7 milhões | 3.1 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 16 | Partido dos Trabalhadores da Coreia | 6,18 milhões | 7.6 × 10¹⁵ | 1.4% | 1.5 h |
| 17 | FRELIMO (Moçambique) | 6 milhões | 2.7 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 18 | Partido Comunista do Vietnã | 5,6 milhões | 2.1 × 10¹⁵ | 0.44% | 0.5 h |
| 19 | Partido Democrático da Coreia | 5 milhões | 2.2 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 20 | Partido Poder do Povo (Coreia do Sul) | 4,44 milhões | 2 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 21 | PSUV (Venezuela) | 4,24 milhões | 1.9 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 22 | ZANU-PF (Zimbábue) | 4,06 milhões | 1.8 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 23 | UMNO (Malásia) | 3,25 milhões | 1.5 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 24 | Partido Justicialista (Argentina) | 3,1 milhões | 1.4 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 25 | Partido Colorado (Paraguai) | 3 milhões | 1.3 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 26 | Rússia Unida | 2,6 milhões | 1.2 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 27 | UzLiDeP (Uzbequistão) | 2,31 milhões | 1 × 10¹⁵ | 0.52% (substituto) | 0.6 h |
| 28 | PLD (República Dominicana) | 2,18 milhões | 9.7 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 29 | MDB (Brasil) | 2,02 milhões | 9 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 30 | CHP (Turquia) | 1,88 milhão | 8.4 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 31 | União Cívica Radical (Argentina) | 1,79 milhão | 8 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 32 | Partido dos Trabalhadores, PT (Brasil) | 1,67 milhão | 7.5 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 33 | PRM (República Dominicana) | 1,55 milhão | 6.9 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 34 | Partido Liberal Radical Autêntico (Paraguai) | 1,55 milhão | 6.9 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 35 | Partido Federal ng Pilipinas | 1,5 milhão | 6.7 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 36 | PAS (Malásia) | 1,3 milhão | 5.8 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 37 | PRD (Brasil) | 1,29 milhão | 5.8 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 38 | Progressistas (Brasil) | 1,29 milhão | 5.8 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 39 | PSDB (Brasil) | 1,26 milhão | 5.6 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 40 | PKR (Malásia) | 1,15 milhão | 5.2 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 41 | Economic Freedom Fighters (África do Sul) | 1,09 milhão | 4.9 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 42 | PDT (Brasil) | 1,07 milhão | 4.8 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 43 | União Brasil | 1,07 milhão | 4.8 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 44 | CPI(M) (Índia) | 1,02 milhão | 4.6 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 45 | Partido Liberal Democrata (Japão) | 1 milhão | 4.5 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 46 | FLN (Argélia) | 1 milhão | 4.5 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 47 | Partido Liberal, PL (Brasil) | 952,881 | 4.3 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 48 | Partido Comunista de Cuba | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h |
| 49 | African National Congress | 688,454 | 3.1 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 50 | Partido Conservador do Canadá | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h |
| 51 | CDU (Alemanha) | 364,202 | 1.6 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 52 | SPD (Alemanha) | 357,116 | 1.6 × 10¹⁴ | 0.52% (substituto) | 0.6 h |
| 53 | Partido Trabalhista (Reino Unido) | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h |
| 54 | Partido Liberal do Canadá | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h |
| 55 | Os Verdes (Alemanha) | 155,296 | 7 × 10¹³ | 0.52% (substituto) | 0.6 h |
| 56 | CSU (Alemanha) | 125,153 | 5.6 × 10¹³ | 0.52% (substituto) | 0.6 h |
| 57 | Partido Conservador (Reino Unido) | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h |
| 58 | Novo Partido Democrático (Canadá) | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h |
| 59 | AfD (Alemanha) | 51,335 | 2.3 × 10¹³ | 0.52% (substituto) | 0.6 h |
- Walmart2,1 milhões
- Amazon▲11,58 milhão
- State Grid▼11,36 milhão
- China National Petroleum1,03 milhão
- JD.com951,420
- BYD▲1869,622
- Accenture▼1779,000
- Allied Universal▲3770,000
- China Post Group▼1719,448
- Russian Railways (RZD)▲2677,363
- Volkswagen Group▲6662,942
- Foxconn (Hon Hai)▼2633,167
- Schwarz Group▲16604,000
- Compass Group▲18590,000
- Tata Consultancy Services▼6584,510
Mostrar os números
| # | Empresa | Funcionários | Seguindo suas instruções | Horas por semana | Parcela dirigida |
|---|---|---|---|---|---|
| 1 | Walmart | 2,1 milhões | 6.3 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 2 | Amazon | 1,58 milhão | 4.7 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 3 | State Grid | 1,36 milhão | 5.5 × 10¹⁶ | 49 h (China) | 47% |
| 4 | China National Petroleum | 1,03 milhão | 4.1 × 10¹⁶ | 49 h (China) | 47% |
| 5 | JD.com | 951,420 | 3.8 × 10¹⁶ | 49 h (China) | 47% |
| 6 | BYD | 869,622 | 3.5 × 10¹⁶ | 49 h (China) | 47% |
| 7 | Accenture | 779,000 | 3.7 × 10¹⁶ | 57.58 h (Índia) | 55% |
| 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (Estados Unidos) | 35% |
| 9 | China Post Group | 719,448 | 2.9 × 10¹⁶ | 49 h (China) | 47% |
| 10 | Russian Railways (RZD) | 677,363 | 2.2 × 10¹⁶ | 39.96 h (Rússia) | 38% |
| 11 | Volkswagen Group | 662,942 | 2 × 10¹⁶ | 35.95 h (Alemanha) | 34% |
| 12 | Foxconn (Hon Hai) | 633,167 | 2.5 × 10¹⁶ | 49 h (China) | 47% |
| 13 | Schwarz Group | 604,000 | 1.6 × 10¹⁶ | 31.49 h (Alemanha) | 30% |
| 14 | Compass Group | 590,000 | 1.5 × 10¹⁶ | 31.7 h (Estados Unidos) | 30% |
| 15 | Tata Consultancy Services | 584,510 | 2.8 × 10¹⁶ | 58.23 h (Índia) | 56% |
| 16 | DHL Group | 583,998 | 1.7 × 10¹⁶ | 35.81 h (Alemanha) | 34% |
| 17 | Sinopec | 513,434 | 2.1 × 10¹⁶ | 49 h (China) | 47% |
| 18 | Gazprom | 501,000 | 1.7 × 10¹⁶ | 40.47 h (Rússia) | 39% |
| 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (Estados Unidos) | 38% |
| 20 | Home Depot | 470,000 | 1.4 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 21 | China Mobile | 468,496 | 1.9 × 10¹⁶ | 49 h (China) | 47% |
| 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (Estados Unidos) | 38% |
| 23 | Agricultural Bank of China | 457,835 | 1.8 × 10¹⁶ | 49 h (China) | 47% |
| 24 | Concentrix | 455,000 | 1.7 × 10¹⁶ | 46.71 h (Filipinas) | 45% |
| 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (Índia) | 56% |
| 26 | Jardine Matheson | 443,000 | 1.5 × 10¹⁶ | 41.93 h (Indonésia) | 40% |
| 27 | Sodexo | 426,464 | 1.1 × 10¹⁶ | 31.7 h (Estados Unidos) | 30% |
| 28 | Capgemini | 423,400 | 2 × 10¹⁶ | 58.23 h (Índia) | 56% |
| 29 | Reliance Industries | 419,911 | 2.1 × 10¹⁶ | 59.57 h (Índia) | 57% |
| 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (Alemanha) | 30% |
| 31 | Luxshare Precision | 416,197 | 1.7 × 10¹⁶ | 49 h (China) | 47% |
| 32 | Target | 415,000 | 1.2 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 33 | Marriott International | 414,000 | 1.1 × 10¹⁶ | 31.7 h (Estados Unidos) | 30% |
| 34 | Bosch | 412,400 | 1.2 × 10¹⁶ | 35.95 h (Alemanha) | 34% |
| 35 | ICBC | 409,758 | 1.6 × 10¹⁶ | 49 h (China) | 47% |
| 36 | Kroger | 403,000 | 1.2 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 37 | China Resources | 397,398 | 1.6 × 10¹⁶ | 49 h (China) | 47% |
| 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (Rússia) | 38% |
| 39 | Toyota | 390,927 | 1.3 × 10¹⁶ | 39.6 h (Japão) | 38% |
| 40 | UnitedHealth Group | 390,000 | 1.2 × 10¹⁶ | 36.87 h (Estados Unidos) | 35% |
| 41 | X5 Group | 389,000 | 1.3 × 10¹⁶ | 39.69 h (Rússia) | 38% |
| 42 | Berkshire Hathaway | 387,800 | 1.2 × 10¹⁶ | 37.75 h (Estados Unidos) | 36% |
| 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (China) | 47% |
| 44 | Ahold Delhaize | 384,000 | 1.1 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 45 | China Telecom | 381,436 | 1.5 × 10¹⁶ | 49 h (China) | 47% |
| 46 | Starbucks | 381,000 | 9.9 × 10¹⁵ | 31.7 h (Estados Unidos) | 30% |
| 47 | Rewe Group | 380,000 | 9.8 × 10¹⁵ | 31.49 h (Alemanha) | 30% |
| 48 | China Construction Bank | 378,344 | 1.5 × 10¹⁶ | 49 h (China) | 47% |
| 49 | TJX Companies | 377,000 | 1.1 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 50 | China State Construction Engineering | 370,272 | 1.5 × 10¹⁶ | 49 h (China) | 47% |
| 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (México) | 45% |
| 52 | Japan Post Holdings | 360,000 | 1.2 × 10¹⁶ | 41.6 h (Japão) | 40% |
| 53 | Tesco | 354,744 | 9.3 × 10¹⁵ | 31.81 h (Reino Unido) | 30% |
| 54 | Cognizant | 351,600 | 1.7 × 10¹⁶ | 58.23 h (Índia) | 56% |
| 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (Japão) | 38% |
| 56 | Costco | 341,000 | 1 × 10¹⁶ | 36.3 h (Estados Unidos) | 35% |
| 57 | Infosys | 328,594 | 1.6 × 10¹⁶ | 58.23 h (Índia) | 56% |
| 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (Índia) | 56% |
| 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (Estados Unidos) | 35% |
| 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (Estados Unidos) | 35% |
| 61 | Rosneft | 320,000 | 1.1 × 10¹⁶ | 40.47 h (Rússia) | 39% |
| 62 | JPMorgan Chase | 318,512 | 1.1 × 10¹⁶ | 40.14 h (Estados Unidos) | 38% |
| 63 | Siemens | 318,000 | 9.4 × 10¹⁵ | 35.95 h (Alemanha) | 34% |
| 64 | Bank of China | 313,746 | 1.3 × 10¹⁶ | 49 h (China) | 47% |
| 65 | Walgreens Boots Alliance | 312,000 | 9.3 × 10¹⁵ | 36.3 h (Estados Unidos) | 35% |
| 66 | PepsiCo | 306,000 | 1 × 10¹⁶ | 40.7 h (Estados Unidos) | 39% |
| 67 | China Railway Construction (CRCC) | 304,927 | 1.2 × 10¹⁶ | 49 h (China) | 47% |
| 68 | CHN Energy (China Energy Investment) | 303,418 | 1.2 × 10¹⁶ | 49 h (China) | 47% |
| 69 | China Railway Group (CREC) | 302,527 | 1.2 × 10¹⁶ | 49 h (China) | 47% |
| 70 | CK Hutchison | 300,000 | 8.6 × 10¹⁵ | 35.08 h (Reino Unido) | 33% |
| 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (Estados Unidos) | 35% |
Animais e outros organismos
Das células isoladas sem neurônios ao cérebro humano. As contagens de neurônios são medidas onde existem.
Sem neurônios
- Escherichia coliEscherichia coli0 medidoUma única célula, sem neurônios. Ela se dirige ao alimento e tem uma memória química que dura alguns segundos.
- Mofo-limosoPhysarum polycephalum0 medidoUma única célula gigante, sem neurônios. Resolve labirintos e faz crescer redes de transporte eficientes.
- Planta sensitivaMimosa pudica0 medidoUma planta cujas folhas se dobram ao toque. Um estudo relatou que ela aprende a ignorar toques inofensivos. Uma reanálise posterior contestou isso.
- EsponjaPorifera (p. ex. Amphimedon queenslandica)0 medidoUm animal sem neurônios nem sinapses que ainda assim contrai o corpo inteiro de forma coordenada.
Redes nervosas, sem cérebro
- HidraHydra vulgariscerca de 3.000 a 5.000 estimativaUm pequeno cnidário de água doce. É controlado por uma rede nervosa difusa e não tem cérebro.
- CubomedusaTripedalia cystophoraSem contagem publicadaUma cubomedusa não tem cérebro central, mas mostrou aprendizado associativo.
Invertebrados com cérebro
- NematoideCaenorhabditis elegans302 medidoUm verme de cerca de um milímetro, com exatamente 302 neurônios. Foi o primeiro animal a ter o diagrama completo de sua fiação mapeado.
- Mosca-das-frutasDrosophila melanogaster139,255 medidoO maior diagrama completo de fiação cerebral mapeado até hoje, cobrindo cerca de 139.000 neurônios.
- Abelha-melíferaApis melliferacerca de 1 milhão estimativaCerca de um milhão de neurônios, e as abelhas conseguem aprender conceitos abstratos, como igual e diferente.
- Formiga (Camponotus / Formica)Camponotus spp.Sem contagem publicadaUm cérebro pequeno que cuida da navegação de longa distância contando passos (integração de caminho) e lembrando pontos de referência.
- Aranha-saltadora PortiaPortia fimbriata / labiataSem contagem publicadaUma aranha-saltadora que planeja desvios. Ela segue rotas que a afastam da presa e a tiram de vista.
- Caranguejo-de-praia / lagostimCarcinus maenas; Procambarus / Astacus spp.Sem contagem publicadaCaranguejos e lagostins. Uma revisão governamental de 2021 encontrou evidência forte de que os caranguejos verdadeiros são sencientes.
- Polvo-comumOctopus vulgaris500 milhões estimativaA maior parte de seus neurônios está nos braços. Uma revisão de 2021 encontrou evidência muito forte de que ele é senciente.
Peixes e anfíbios
- Peixe-zebraDanio rerioSem contagem publicadaUm peixe pequeno muito usado em neurociência. Seus neurônios não foram contados por completo. O cérebro adulto tem cerca de 10 milhões de células.
- Peixe-limpadorLabroides dimidiatusSem contagem publicadaUm peixe de recife que passou por uma versão do teste da marca no espelho. As pessoas divergem sobre o que isso mostra.
- SapoAnura (p. ex. Xenopus / Rana)Sem contagem publicadaA Declaração de Nova York de 2024 diz que há uma possibilidade realista de experiência consciente em anfíbios.
Aves
- Pombo-das-rochasColumba livia310 milhões medidoCentenas de milhões de neurônios num cérebro pequeno. Pombos conseguem separar imagens complexas em categorias.
- Corvo-comumCorvus corax2,17 bilhões medidoMais de dois bilhões de neurônios, densamente compactados. Os corvos lembram de competidores individuais.
- Corvo-da-nova-caledôniaCorvus moneduloidesSem contagem publicadaFaz ferramentas com gancho a partir de gravetos e arame. Seus neurônios não foram contados.
- Papagaio-cinzentoPsittacus erithacus1,57 bilhão medidoCerca de 1,6 bilhão de neurônios. Décadas de estudo em laboratório sobre numerosidade e categorização.
Mammals
- CamundongoMus musculus70,9 milhões medidoCerca de 71 milhões de neurônios. Camundongos mostram expressões faciais de dor que podem ser medidas.
- RatoRattus norvegicus200 milhões medidoCerca de 200 milhões de neurônios. Ratos soltam companheiros de gaiola presos.
- Gato domésticoFelis catus1,22 bilhão medidoCerca de 250 milhões de neurônios no córtex cerebral.
- Cão domésticoCanis familiaris1,8 a 2,6 bilhões, dependendo do cão medidoAté cerca de 600 milhões de neurônios corticais, dependendo do cão. É mais que os gatos.
- Porco domésticoSus scrofa domesticus2,22 bilhões medidoPorcos aprendem o que um espelho mostra e o usam para achar comida.
- Golfinho-nariz-de-garrafaTursiops truncatusSem contagem publicadaPassa nos testes de autorreconhecimento no espelho. Não há contagem medida de neurônios para o golfinho-nariz-de-garrafa.
- Elefante-africanoLoxodonta africana257 bilhões medido257 bilhões de neurônios, três vezes mais que um ser humano, quase todos no cerebelo.
- ChimpanzéPan troglodytescerca de 28 bilhões (previsto por regras de escala, não contado) estimativaUm de nossos dois parentes vivos mais próximos (junto com o bonobo). Passa no teste do espelho.
- HumanoHomo sapiens86,1 bilhões medido86 bilhões de neurônios, 16 bilhões deles no córtex cerebral. Somos a única espécie cujos membros podem dar relatos verbais de sua experiência.
Sistemas coletivos
Grupos que tomam decisões que nenhum membro tomaria sozinho. São estudados como inteligência coletiva, não como mentes.
- Colônias de formigasAs colônias escolhem o melhor ninho porque cada formiga segue um limiar de quórum. Nenhuma formiga compara os locais no conjunto.
- Enxames de abelhas-melíferasOs enxames escolhem a melhor cavidade pela competição entre batedoras e por um quórum. Os sinais de parada fornecem inibição cruzada, que desfaz impasses.
- Bandos de estorninhosCada ave acompanha um número fixo de vizinhas (cerca de 6-7), e não todas as aves a uma distância fixa. Isso se chama interação topológica, não métrica.
- Cardumes de peixesOs cardumes usam regras de quórum para decidir. Grupos grandes percebem gradientes ambientais que nenhum peixe sozinho percebe.
Sistemas artificiais
Tipos de inteligência de máquina, classificados pelo modo como funcionam. Nenhum sistema atual é considerado um forte candidato à consciência.
- Sistemas especialistas baseados em regrasProgramas que codificam o conhecimento de um especialista de um domínio como regras explícitas do tipo se-então. Um mecanismo de inferência aplica as regras em sequência para chegar a conclusões, em geral com uma explicação do seu raciocínio.
- Programas de busca em árvore de jogo (xadrez)Programas que enumeram sequências possíveis de jogadas até uma profundidade fixa e pontuam as posições resultantes com uma função de avaliação feita à mão. Eles podam ramos que não podem mudar a escolha (minimax com poda alfa-beta).
- Agentes de aprendizado por reforço profundoRedes neurais treinadas por tentativa e erro para maximizar um sinal de recompensa. Aprendem uma política ou uma função de valor interagindo com um ambiente, muitas vezes simulado, como um jogo.
- Grandes modelos de linguagemRedes neurais Transformer treinadas para prever o próximo token em corpora de texto muito grandes, e depois muitas vezes ajustadas com feedback humano.
- Robôs corporificadosMáquinas com sensores e atuadores que agem no mundo físico. Costumam usar controle reativo em camadas, em vez de um modelo central do mundo, de modo que o comportamento emerge do ciclo entre corpo e ambiente.
- Hardware neuromórficoChips cujos circuitos imitam neurônios e sinapses que disparam impulsos. Funcionam por eventos e gastam pouca energia, ao contrário de um projeto convencional de processador e memória.
Mentes hipotéticas
Mentes propostas na literatura científica e filosófica. Ninguém observou nenhuma.
- Emulação de cérebro inteironão observadoEscanear um cérebro em detalhe fino e rodar um modelo dele em software.
- Mentes simuladas em simulações de ancestraisnão observadoO trilema de Bostrom: ou quase nenhuma civilização chega a um estágio pós-humano, ou quase nenhuma roda simulações de ancestrais, ou quase certamente vivemos em uma.
- Cérebros de Boltzmannnão observadoObservadores semelhantes a cérebros que surgem de flutuações térmicas ou quânticas raras.
- Upload da mente por substituição gradualnão observadoSubstituir neurônios um a um por peças artificiais funcionalmente idênticas.
- Superinteligêncianão observadoUm intelecto hipotético que supera de longe o desempenho humano em praticamente todos os domínios. O livro de Bostrom analisa os caminhos até ele (emulação de cérebro inteiro, cognição biológica, IA), suas formas e os problemas de controle.
Versão dos dados 2.0.0. Baixar (JSON).