--- title: "Entidades · mentes e possíveis mentes, ordenadas por evidência · Hipótese da simulação" url: https://simulation-hypothesis.com/pt/entities description: "Um guia com fontes sobre mentes: animais com neurônios contados, sistemas coletivos e artificiais e os testes publicados de senciência e consciência." license: https://creativecommons.org/licenses/by/4.0/ credit: "Ross Allan Dahl, Hipótese da simulação (simulation-hypothesis.com)" --- # 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](https://simulation-hypothesis.com/pt/entities/sentience) e [indicadores de consciência](https://simulation-hypothesis.com/pt/entities/indicators). ## Mentes individuais ## Animais: neurônios no córtex e no cérebro inteiro Córtex ou palio Cérebro inteiro Todos Mamíferos Aves Neurônios no córtex cerebral (mamíferos) ou no palio (aves), um guia anatômico muito usado para a capacidade cognitiva. Escala logarítmica; barras sólidas são contagens, barras hachuradas são estimativas ou contagens contestadas (†). Répteis e invertebrados não aparecem, pois não há contagem comparável. 1. Orca † 43,1 bilhões 2. Baleia-piloto-de-nadadeira-longa † 37,2 bilhões 3. [Humano](https://simulation-hypothesis.com/pt/entities/human)▲1 16,3 bilhões 4. Boto-comum † 14,9 bilhões 5. [Golfinho-nariz-de-garrafa †](https://simulation-hypothesis.com/pt/entities/dolphin) 12,7 bilhões 6. Baleia-bicuda-de-Cuvier 9,1 bilhões 7. Gorila 8,5 bilhões 8. Orangotango 8,5 bilhões 9. [Chimpanzé](https://simulation-hypothesis.com/pt/entities/chimp) 7,4 bilhões 10. Golfinho-comum 6,7 bilhões 11. Foca-da-groenlândia 6,1 bilhões 12. [Elefante-africano](https://simulation-hypothesis.com/pt/entities/elephant)▼1 5,6 bilhões 13. Baleia-fin 5,2 bilhões 14. Baleia-azul 5,1 bilhões 15. Baleia-minke 3,2 bilhões Mostrar todos os 88 10^6 10^7 10^8 10^9 10^10 10^11 neurons 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 | ## Sistemas de IA: parâmetros versus sinapses Todos os parâmetros Usados por token All Linguagem Multimodal Visão Outros (fala, biologia, jogos, robótica…) Parâmetros treináveis (pesos de conexão), em escala logarítmica: todo modelo notável na base de dados da Epoch AI com contagem de parâmetros (obtida em 3 de outubro de 2026). Barras sólidas são contagens que a Epoch classifica como confiáveis; barras hachuradas são contagens que ela classifica como prováveis ou especulativas. Barras marcadas com \* são estimativas para modelos fechados cujos desenvolvedores não publicam o tamanho, compiladas em 2 de outubro de 2026 a partir de análises de terceiros; a haste mostra a faixa da estimativa. Gemini 3 e posteriores: nenhuma estimativa publicada. Linhas vazadas são contagens de sinapses: um parâmetro se parece mais com uma sinapse do que com um neurônio. 1. Neocórtex humano 1.6 × 10¹⁴ 2. GPT-5.5 (OpenAI, 2026) \* \~4.7 × 10¹² 3. Claude Fable 5 (Anthropic, 2026) \* \~3.5 × 10¹² 4. Grok 3 (xAI, 2025) \~3 × 10¹² 5. Grok 4 (xAI, 2025) \~3 × 10¹² 6. Gemini 2.5 Pro (Google, 2025) \* \~3 × 10¹² 7. Kimi K3 (Moonshot, 2026) \~2.8 × 10¹² 8. Qwen 3.8 Max (Alibaba, 2026) 2.4 × 10¹² 9. Qwen3.8-2.4T-A95B (Alibaba, 2026) 2.4 × 10¹² 10. Grok 4.7 (xAI, 2026) \* \~2.1 × 10¹² 11. Llama 4 Behemoth (Meta AI, 2025) \~2 × 10¹² 12. GPT-4 (OpenAI, 2023) \~1.8 × 10¹² 13. DeepSeek-V4-Pro (DeepSeek, 2026) \~1.6 × 10¹² 14. LongCat-2.0 (Meituan Inc, 2026) \~1.6 × 10¹² 15. Switch (Google, 2021) 1.6 × 10¹² 16. GLaM (Google, 2021) 1.2 × 10¹² 17. PanGu-Σ (Huawei Noah's Ark Lab, 2023) 1.1 × 10¹² 18. Kimi K2.5 (Moonshot, 2026) \~1 × 10¹² 19. Composer 2 (Cursor, 2026) 1 × 10¹² 20. Kimi K2.6 (Moonshot, 2026) 1 × 10¹² 21. Composer 2.5 (Cursor, 2026) \~1 × 10¹² 22. MiMo-V2-Pro (Xiaomi Corp, 2026) 1 × 10¹² 23. MiMo-V2.5-Pro (Xiaomi Corp, 2026) \~1 × 10¹² 24. M6-T (Alibaba, 2021) \~1 × 10¹² 25. Kimi K2 (Moonshot, 2025) 1 × 10¹² 26. Qwen3-Max (Alibaba, 2025) \~1 × 10¹² 27. Ling-1T (Ant Group, 2025) 1 × 10¹² 28. Kimi K2 Thinking (Moonshot, 2025) \~1 × 10¹² 29. Inkling (Thinking Machines, 2026) \~9.8 × 10¹¹ 30. Tencent Hy4 preview (Tencent, 2026) \~7.7 × 10¹¹ 31. GLM-5.1 (Z.ai (Zhipu AI), 2026) 7.5 × 10¹¹ 32. K-EXAONE 2.0 (LG AI Research, 2026) 7.5 × 10¹¹ 33. DeepSeek V4.1 Flash (DeepSeek, 2026) \~7.5 × 10¹¹ 34. GLM-5 (Z.ai (Zhipu AI), 2026) \~7.4 × 10¹¹ 35. GLM-5.3 (Z.ai (Zhipu AI), 2026) 7.4 × 10¹¹ 36. A.X K2 (SK Telecom, 2026) 6.9 × 10¹¹ 37. DeepSeekMath-V2 (DeepSeek, 2025) 6.8 × 10¹¹ 38. Mistral Large 3 (Mistral AI, 2025) 6.8 × 10¹¹ 39. DeepSeek-V3 (DeepSeek, 2024) 6.7 × 10¹¹ 40. DeepSeek-R1 (DeepSeek, 2025) 6.7 × 10¹¹ Mostrar todos os 725 10^4 10^6 10^8 10^10 10^12 10^14 parâmetros ou sinapses 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](https://simulation-hypothesis.com/pt/entities/control). ## Sociedades animais: neurônios em atividade coordenada de grupo Neurônios no grupo Em atividade de grupo Membros de um grupo típico × neurônios no córtex ou palio de cada membro (cérebro inteiro nos insetos), em escala logarítmica. Barras hachuradas usam um tamanho de grupo estimado ou a contagem de neurônios de uma espécie aparentada. 1. Comunidade de chimpanzés▲1 7.4 × 10¹¹ 2. Colônia de formigas-cortadeiras▼1 6.3 × 10¹¹ 3. Comunidade de bonobos▲2 4.4 × 10¹¹ 4. Acampamento hadza (humanos, para referência de escala) 4.1 × 10¹¹ 5. Grupo de orcas de Bigg▼2 2.6 × 10¹¹ 6. Linhagem materna de orcas residentes 2.4 × 10¹¹ 7. Bando de babuínos 8.6 × 10¹⁰ 8. Aliança de golfinhos-nariz-de-garrafa▲1 7.6 × 10¹⁰ 9. Unidade social de cachalotes▲1 6.4 × 10¹⁰ 10. Colônia de abelhas-melíferas▼2 5.8 × 10¹⁰ 11. Família de elefantes 5.6 × 10¹⁰ 12. Bando de gaios-pinhão 5.3 × 10¹⁰ 13. Clã de hienas-malhadas 2.2 × 10¹⁰ 14. Matilha de cães-selvagens-africanos 7.2 × 10⁹ 15. Matilha de lobos 4.2 × 10⁹ 16. Grupo de suricatos 1.7 × 10⁹ 17. Colônia de ratos-toupeira-pelados 4.1 × 10⁸ 10^8 10^9 10^10 10^11 10^12 neurons 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% | — | [Como os grupos são pontuados](https://simulation-hypothesis.com/pt/entities/control). ## Religiões: membros e neurônios seguindo as suas instruções Membros Seguindo suas instruções Religiões inteiras Seitas e movimentos Adeptos, em escala logarítmica. Seitas e movimentos aparecem à parte das religiões que os contêm. Barras sólidas são contagens; barras hachuradas são estimativas. 1. Cristianismo▲1 2,27 bilhões 2. Islã▼1 2,02 bilhões 3. Hinduísmo 1,18 bilhão 4. Religiões populares 400 milhões 5. Budismo 324,19 milhões 6. Religiões tradicionais africanas▲1 98,73 milhões 7. Xintoísmo▲1 87,92 milhões 8. Sikhismo▲1 25 milhões 9. Judaísmo▼3 14,78 milhões 10. Taoísmo▲1 8 milhões 11. Fé Baha’í▲1 8 milhões 12. Falun Gong▲1 7 milhões 13. Jainismo▼3 4,45 milhões 14. Espiritismo 3,8 milhões 15. Cao Đài 2,5 milhões 16. Tenrikyo 1,12 milhão 17. Brahma Kumaris 1 milhão 10^5 10^6 10^7 10^8 10^9 10^10 membros 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 | [Todas as práticas, parcelas e fontes](https://simulation-hypothesis.com/pt/entities/control). ## Estados: residentes e neurônios seguindo as suas instruções Habitantes Seguindo suas instruções Todos América Latina e Caribe América do Norte Europa e Ásia Central Oriente Médio, Norte da África, Afeganistão e Paquistão Sul da Ásia África Subsaariana Ásia Oriental e Pacífico População, em escala logarítmica. Barras sólidas são contagens; barras hachuradas são estimativas. 1. Índia▲1 1,46 bilhão 2. China▼1 1,41 bilhão 3. Estados Unidos 341,78 milhões 4. Indonésia 285,72 milhões 5. Paquistão▲5 255,22 milhões 6. Nigéria▲1 237,53 milhões 7. Brasil▼2 212,81 milhões 8. Bangladesh▲5 175,69 milhões 9. Rússia▼3 143,51 milhões 10. Etiópia▲7 135,47 milhões 11. México▼2 131,95 milhões 12. Japão▲11 123,37 milhões 13. Egito▼2 118,37 milhões 14. Filipinas 116,79 milhões 15. RD Congo▼3 112,83 milhões Mostrar todos os 196 10^4 10^6 10^8 10^10 habitantes 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 | [O que é contado e o que não é](https://simulation-hypothesis.com/pt/entities/control). ## Partidos políticos: membros e neurônios seguindo as suas instruções Membros Seguindo suas instruções Membros conforme informados pelo partido, em escala logarítmica. Barras sólidas são contagens; barras hachuradas são estimativas ou alegações. 1. Bharatiya Janata Party (Índia)▲1 140 milhões 2. Partido Comunista da China▼1 101,29 milhões 3. Partido Democrata (EUA)▲13 44,9 milhões 4. Partido Republicano (EUA)▲16 38 milhões 5. Congresso Nacional Indiano▼2 26 milhões 6. AIADMK (Índia)▼2 20,04 milhões 7. DMK (Índia)▼2 20 milhões 8. Partido da Prosperidade (Etiópia)▼1 15,7 milhões 9. TVK (Índia)▼1 15 milhões 10. Chama Cha Mapinduzi (Tanzânia)▼1 13 milhões 11. All Progressives Congress (Nigéria)▼1 12,9 milhões 12. AK Party (Turquia)▼1 11,71 milhões 13. Morena (México)▼1 11,63 milhões 14. Telugu Desam Party (Índia)▼1 10,05 milhões 15. Partido Popular do Camboja▼1 7 milhões Mostrar todos os 59 10^4 10^5 10^6 10^7 10^8 10^9 membros 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 | [Reuniões, levantamentos e fontes](https://simulation-hypothesis.com/pt/entities/control). ## Empresas: funcionários e neurônios seguindo as suas instruções Funcionários Seguindo suas instruções Funcionários no último relatório anual ou lista, em escala linear. 1. Walmart 2,1 milhões 2. Amazon▲1 1,58 milhão 3. State Grid▼1 1,36 milhão 4. China National Petroleum 1,03 milhão 5. JD.com 951,420 6. BYD▲1 869,622 7. Accenture▼1 779,000 8. Allied Universal▲3 770,000 9. China Post Group▼1 719,448 10. Russian Railways (RZD)▲2 677,363 11. Volkswagen Group▲6 662,942 12. Foxconn (Hon Hai)▼2 633,167 13. Schwarz Group▲16 604,000 14. Compass Group▲18 590,000 15. Tata Consultancy Services▼6 584,510 Mostrar todos os 71 0 0.5M 1M 1.5M 2M 2.5M employees 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% | [Horas e fontes](https://simulation-hypothesis.com/pt/entities/control). ## Animais e outros organismos Das células isoladas sem neurônios ao cérebro humano. As contagens de neurônios são medidas onde existem. ### Sem neurônios * [Escherichia coli](https://simulation-hypothesis.com/pt/entities/ecoli)Escherichia coli 0 medido Uma única célula, sem neurônios. Ela se dirige ao alimento e tem uma memória química que dura alguns segundos. * [Mofo-limoso](https://simulation-hypothesis.com/pt/entities/physarum)Physarum polycephalum 0 medido Uma única célula gigante, sem neurônios. Resolve labirintos e faz crescer redes de transporte eficientes. * [Planta sensitiva](https://simulation-hypothesis.com/pt/entities/mimosa)Mimosa pudica 0 medido Uma planta cujas folhas se dobram ao toque. Um estudo relatou que ela aprende a ignorar toques inofensivos. Uma reanálise posterior contestou isso. * [Esponja](https://simulation-hypothesis.com/pt/entities/sponge)Porifera (p. ex. Amphimedon queenslandica) 0 medido Um animal sem neurônios nem sinapses que ainda assim contrai o corpo inteiro de forma coordenada. ### Redes nervosas, sem cérebro * [Hidra](https://simulation-hypothesis.com/pt/entities/hydra)Hydra vulgaris cerca de 3.000 a 5.000 estimativa Um pequeno cnidário de água doce. É controlado por uma rede nervosa difusa e não tem cérebro. * [Cubomedusa](https://simulation-hypothesis.com/pt/entities/jellyfish)Tripedalia cystophora Sem contagem publicada Uma cubomedusa não tem cérebro central, mas mostrou aprendizado associativo. ### Invertebrados com cérebro * [Nematoide](https://simulation-hypothesis.com/pt/entities/celegans)Caenorhabditis elegans 302 medido Um 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-frutas](https://simulation-hypothesis.com/pt/entities/drosophila)Drosophila melanogaster 139,255 medido O maior diagrama completo de fiação cerebral mapeado até hoje, cobrindo cerca de 139.000 neurônios. * [Abelha-melífera](https://simulation-hypothesis.com/pt/entities/honeybee)Apis mellifera cerca de 1 milhão estimativa Cerca de um milhão de neurônios, e as abelhas conseguem aprender conceitos abstratos, como igual e diferente. * [Formiga (Camponotus / Formica)](https://simulation-hypothesis.com/pt/entities/ant)Camponotus spp. Sem contagem publicada Um cérebro pequeno que cuida da navegação de longa distância contando passos (integração de caminho) e lembrando pontos de referência. * [Aranha-saltadora Portia](https://simulation-hypothesis.com/pt/entities/portia)Portia fimbriata / labiata Sem contagem publicada Uma aranha-saltadora que planeja desvios. Ela segue rotas que a afastam da presa e a tiram de vista. * [Caranguejo-de-praia / lagostim](https://simulation-hypothesis.com/pt/entities/decapod)Carcinus maenas; Procambarus / Astacus spp. Sem contagem publicada Caranguejos e lagostins. Uma revisão governamental de 2021 encontrou evidência forte de que os caranguejos verdadeiros são sencientes. * [Polvo-comum](https://simulation-hypothesis.com/pt/entities/octopus)Octopus vulgaris 500 milhões estimativa A 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-zebra](https://simulation-hypothesis.com/pt/entities/zebrafish)Danio rerio Sem contagem publicada Um peixe pequeno muito usado em neurociência. Seus neurônios não foram contados por completo. O cérebro adulto tem cerca de 10 milhões de células. * [Peixe-limpador](https://simulation-hypothesis.com/pt/entities/wrasse)Labroides dimidiatus Sem contagem publicada Um peixe de recife que passou por uma versão do teste da marca no espelho. As pessoas divergem sobre o que isso mostra. * [Sapo](https://simulation-hypothesis.com/pt/entities/frog)Anura (p. ex. Xenopus / Rana) Sem contagem publicada A Declaração de Nova York de 2024 diz que há uma possibilidade realista de experiência consciente em anfíbios. ### Aves * [Pombo-das-rochas](https://simulation-hypothesis.com/pt/entities/pigeon)Columba livia 310 milhões medido Centenas de milhões de neurônios num cérebro pequeno. Pombos conseguem separar imagens complexas em categorias. * [Corvo-comum](https://simulation-hypothesis.com/pt/entities/raven)Corvus corax 2,17 bilhões medido Mais de dois bilhões de neurônios, densamente compactados. Os corvos lembram de competidores individuais. * [Corvo-da-nova-caledônia](https://simulation-hypothesis.com/pt/entities/nccrow)Corvus moneduloides Sem contagem publicada Faz ferramentas com gancho a partir de gravetos e arame. Seus neurônios não foram contados. * [Papagaio-cinzento](https://simulation-hypothesis.com/pt/entities/greyparrot)Psittacus erithacus 1,57 bilhão medido Cerca de 1,6 bilhão de neurônios. Décadas de estudo em laboratório sobre numerosidade e categorização. ### Mammals * [Camundongo](https://simulation-hypothesis.com/pt/entities/mouse)Mus musculus 70,9 milhões medido Cerca de 71 milhões de neurônios. Camundongos mostram expressões faciais de dor que podem ser medidas. * [Rato](https://simulation-hypothesis.com/pt/entities/rat)Rattus norvegicus 200 milhões medido Cerca de 200 milhões de neurônios. Ratos soltam companheiros de gaiola presos. * [Gato doméstico](https://simulation-hypothesis.com/pt/entities/cat)Felis catus 1,22 bilhão medido Cerca de 250 milhões de neurônios no córtex cerebral. * [Cão doméstico](https://simulation-hypothesis.com/pt/entities/dog)Canis familiaris 1,8 a 2,6 bilhões, dependendo do cão medido Até cerca de 600 milhões de neurônios corticais, dependendo do cão. É mais que os gatos. * [Porco doméstico](https://simulation-hypothesis.com/pt/entities/pig)Sus scrofa domesticus 2,22 bilhões medido Porcos aprendem o que um espelho mostra e o usam para achar comida. * [Golfinho-nariz-de-garrafa](https://simulation-hypothesis.com/pt/entities/dolphin)Tursiops truncatus Sem contagem publicada Passa nos testes de autorreconhecimento no espelho. Não há contagem medida de neurônios para o golfinho-nariz-de-garrafa. * [Elefante-africano](https://simulation-hypothesis.com/pt/entities/elephant)Loxodonta africana 257 bilhões medido 257 bilhões de neurônios, três vezes mais que um ser humano, quase todos no cerebelo. * [Chimpanzé](https://simulation-hypothesis.com/pt/entities/chimp)Pan troglodytes cerca de 28 bilhões (previsto por regras de escala, não contado) estimativa Um de nossos dois parentes vivos mais próximos (junto com o bonobo). Passa no teste do espelho. * [Humano](https://simulation-hypothesis.com/pt/entities/human)Homo sapiens 86,1 bilhões medido 86 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 formigas](https://simulation-hypothesis.com/pt/entities/c-ants)As colônias escolhem o melhor ninho porque cada formiga segue um limiar de quórum. Nenhuma formiga compara os locais no conjunto. * [Enxames de abelhas-melíferas](https://simulation-hypothesis.com/pt/entities/c-bees)Os 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 estorninhos](https://simulation-hypothesis.com/pt/entities/c-starlings)Cada 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 peixes](https://simulation-hypothesis.com/pt/entities/c-fish)Os 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 regras](https://simulation-hypothesis.com/pt/entities/ai-expert)Programas 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)](https://simulation-hypothesis.com/pt/entities/ai-chess)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 profundo](https://simulation-hypothesis.com/pt/entities/ai-drl)Redes 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 linguagem](https://simulation-hypothesis.com/pt/entities/ai-llm)Redes neurais Transformer treinadas para prever o próximo token em corpora de texto muito grandes, e depois muitas vezes ajustadas com feedback humano. * [Robôs corporificados](https://simulation-hypothesis.com/pt/entities/ai-robots)Máquinas 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 neuromórfico](https://simulation-hypothesis.com/pt/entities/ai-neuromorphic)Chips 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 inteiro](https://simulation-hypothesis.com/pt/entities/h-wbe)não observado Escanear um cérebro em detalhe fino e rodar um modelo dele em software. * [Mentes simuladas em simulações de ancestrais](https://simulation-hypothesis.com/pt/entities/h-ancestor)não observado O 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 Boltzmann](https://simulation-hypothesis.com/pt/entities/h-boltzmann)não observado Observadores semelhantes a cérebros que surgem de flutuações térmicas ou quânticas raras. * [Upload da mente por substituição gradual](https://simulation-hypothesis.com/pt/entities/h-uploading)não observado Substituir neurônios um a um por peças artificiais funcionalmente idênticas. * [Superinteligência](https://simulation-hypothesis.com/pt/entities/h-superintelligence)não observado Um 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)](https://simulation-hypothesis.com/entities/minds.json).