Aproveitando o impressionante carro voador do Sr. Ma hoje, vamos preencher as lacunas deixadas nos últimos dias sobre Jev, Strata e Atlas — três coisas recentes no mundo da IA que acho interessantes. Vou conectar os três usando uma cena de filme, sem entrar em detalhes técnicos — se você se interessar, pergunte ao seu AI ou faça sua própria pesquisa. Qual é essa cena? O Terminator! Imaginem o T-800 enviado de volta para 1984 com a missão de encontrar e eliminar Sarah Connor! Para isso, ele precisa de três funções básicas: entender o espaço, tomar decisões instantâneas e pensar sem conexão à internet (em 1984 não havia Skynet para se conectar). E coincidentemente, esses três correspondem exatamente a Atlas, Jev e Strata. 1. Primeiro, falemos do Atlas da Professora Li Fei-Fei — entender o espaço. Quando Schwarzenegger (T-800) entra em uma sala, olha rapidamente e já sabe o que há atrás da porta e debaixo da mesa. O Atlas está fazendo exatamente isso: dadas algumas fotos, prevê como o ambiente pareceria de um novo ângulo. LLMs preveem a próxima palavra. Modelos de vídeo (como Seedance) geram cenas ao longo do eixo temporal. O Atlas prevê novas perspectivas. Muitos modelos de vídeo hoje se chamam “modelos do mundo”. Há alguns meses, Li Fei-Fei os classificou em três categorias: renderizadores, simuladores e planejadores. Um simulador pode virar um renderizador, mas um planejador precisa de um simulador poderoso. O T-800 olha e sabe o que há na sala — isso é um simulador. Calcular o que acontecerá ao pular ou onde uma bala atingirá também é simulador. Escolher entre perseguir, fugir ou atropelar com o carro provavelmente exige um planejador. O renderizador quase não é usado. O objetivo do Atlas parece ser criar o melhor simulador possível, e futuramente evoluir para um planejador. O roadmap é assim: Espaço 3D estático (atual) → dinâmico (4D) → editável → interativo → simulador como planejador (final) Ainda estamos no primeiro passo de uma longa jornada, mas para construir um Terminator, isso é essencial — LLMs sozinhos não bastam. 2. Depois, Jev — julgamento instantâneo. Lembra da cena? O T-800 está em um motel e o gerente bate na porta. Seu campo visual exibe imediatamente uma lista de respostas possíveis; ele escolhe uma e responde — sem formular frases. (Lembro que ele escolheu a mais grossa…) É exatamente isso que o Jev faz: não precisa que um LLM gere um texto completo nem que use cadeias de pensamento (COT). Ele apenas escolhe entre opções pré-definidas e indica o nível de confiança. O Jev da TypeSafe funciona assim: não gera texto, apenas escolhe entre opções dadas e fornece probabilidades calibradas. Resposta com 0,97 → envia imediatamente. Maior confiança de apenas 0,60 → não envia; delega para um modelo maior e mais lento pensar. No vídeo de demonstração da TypeSafe, o Jev decide se uma nota fiscal é falsa: modelos tradicionais levam 8 segundos; o Jev leva 0,1 segundo. É rápido porque só faz perguntas de múltipla escolha — não gera texto. É preciso graças à tecnologia secreta RLCD — Reinforcement Learning for Calibrated Decisions (Aprendizado por Reforço para Decisões Calibradas). A arquitetura ainda não foi revelada, mas acho que provavelmente ainda usa Transformer como base — apenas eliminou completamente o componente de geração. Pode ser visto como um ASIC de LLM em contextos específicos: não conversa, não escreve código, só toma decisões frequentes, comprimindo e simplificando todos os passos tradicionais de julgamento de LLMs em uma única pergunta de escolha múltipla. A velocidade e o custo são de uma a duas ordens de grandeza menores. É como o Sistema 1 do famoso livro de Daniel Kahneman, “Pensar Rápido e Devagar”. LLMs tradicionais são o Sistema 2. Se o T-800 usasse a velocidade atual dos LLMs, jamais completaria qualquer tarefa no filme — seria tão lento quanto uma lesma (por que isso me fez lembrar do Flash de Zootopia?). É aí que o Jev surge — a segunda peça do quebra-cabeça do Terminator está no lugar. 3. A última peça — Strata — executar grandes modelos localmente. Em 1984 havia internet, mas era extremamente lenta, restrita a militares e universidades — e nem havia nuvem com Skynet para se conectar! O T-800 precisava ter um modelo local embutido em sua mente ao viajar no tempo. Strata permite que uma GPU consumidor com 12GB de VRAM e 64GB de RAM execute o modelo Qwen3.8-Flash-Next com 125 bilhões de parâmetros. A tecnologia secreta: primeiro quantiza os parâmetros de 16 bits para 2–3 bits, reduzindo o tamanho várias vezes. Depois, os 20% de especialistas mais usados ficam na VRAM; todos os especialistas ficam na memória RAM de 64GB; e há ainda uma tabela de busca grande (manual de consulta durante o treinamento) de 30GB armazenada no SSD. Totalmente offline, com privacidade dos dados. Claro, o desempenho sofre por causa da compressão e a leitura de documentos longos é lenta — mas uma consola de jogos moderna agora consegue rodar modelos bilionários. Isso é transformar o nada em algo real. Não sabemos os detalhes exatos da GPU, memória e CPU do T-800 — mas Strata permite rodar modelos maiores em ambientes com hardware limitado, baseados em MoE (atualmente só suporta Qwen, mas a abordagem é genérica para modelos MoE). Visto assim, parece que estamos cada vez mais próximos da era do Skynet e do Terminator! @drfeifei @theworldlabs @typesafeai P.S. Alguém rico já comprou um Roadster? Me leve para experimentar em 2028, por favor!