10.000 AGENTES DE IA RESOLVERAM UM PROBLEMA SEM NENHUMA DISCUSSÃO. OS HUMANOS COMEÇARAM A LUTAR PELA CREDIBILIDADE IMEDIATAMENTE APÓS O ANÚNCIO. Primeiro, o que aconteceu. A OpenAI anunciou que seus agentes resolveram um dos problemas mais famosos da matemática moderna. Segundo sua conta, levou 88 horas. Cerca de 10.000 agentes trabalharam no problema ao mesmo tempo. Agora, o que mais me chamou a atenção. Sam Altman descreveu em Stanford como eles interagiram. Não havia líder. Não houve disputas sobre quem fez o quê. Nenhum conflito e nenhuma luta por reconhecimento. Todos simplesmente avançaram em direção a um único objetivo. Ele próprio disse que é diferente de qualquer organização que possa imaginar. E eis o que veio a seguir. Assim que o resultado foi anunciado, surgiu uma disputa entre humanos sobre quem merecia o crédito. Os agentes dividiram o problema. Os humanos dividiram a glória. Enquanto isso, os matemáticos passaram por sua própria jornada em cinco dias. Primeiro veio a reação de que era falso. Depois, que seu campo estava acabado. Depois, que não deveria ser feito dessa maneira. No quinto dia, muitos disseram algo diferente. Sim, um tipo de seu trabalho desapareceu. Mas a maioria deles nunca resolveu problemas nesse nível. Eles deram sentido ao conhecimento, explicaram-no às pessoas e decidiram sobre o que trabalhar. Há mais uma ideia de Altman que é fácil de perder. Ele sugere — e afirma abertamente que é pura especulação — que quase todas as organizações do mundo são modeladas após o exército. Uma pirâmide, comando e controle. Porque essa era uma vez a única maneira conhecida de gerenciar um grande número de pessoas. E aqui, 10.000 agentes fizeram isso sem nenhuma pirâmide. Agora imagine uma empresa onde apenas agentes trabalham. Ninguém se ofende com feedback. Ninguém rouba uma ideia. Ninguém luta pelo escritório da esquina. Parece perfeito. E é exatamente por isso que é interessante que Altman imediatamente acrescente: as pessoas nunca trabalharão assim. Porque há beleza em nossa imperfeição. As discussões, a ambição, a emoção. Ele não gostaria de um mundo sem eles. E concordo com ele. Porque a fricção entre pessoas não é apenas um custo. É também como decidimos o que importa para nós. Quando duas pessoas discutem sobre crédito, estão realmente discutindo sobre o que significa contribuição para elas. Uma máquina não faz essa pergunta. Ela apenas executa. Portanto, parece-me que a principal questão dos próximos anos não é o que a IA pode substituir. É qual fricção estamos dispostos a manter. Altman diz que as pessoas sempre se importarão mais com outras pessoas. Que não nos importamos muito com o que uma máquina faz por seus próprios propósitos. Que o trabalho tem valor porque há uma pessoa por trás dele. Parece que isso se mantém verdadeiro mesmo quando discutimos. E talvez seja nessas discussões que permanecemos mais nós mesmos.

NINE YEARS AGO, JENSEN HUANG ENTREGOU UM SUPERCOMPUTADOR A ELON MUSK. HOJE, ELE TRAZU A SUA SUCESSORA. E esse momento conecta duas eras muito diferentes da computação. Em 2016, Jensen entregou pessoalmente o primeiro DGX-1 da NVIDIA a Elon Musk. Na época, Musk fazia parte da OpenAI. Essa máquina ajudou pesquisadores a expandir os limites da inteligência artificial e tornou-se parte da infraestrutura inicial por trás da revolução da IA. Nove anos depois, Jensen está de volta. Mas desta vez, ele está carregando algo completamente diferente. Conheça o NVIDIA DGX Spark. Um supercomputador de IA compacto, de mesa, alimentado pela arquitetura Grace Blackwell. E as especificações são impressionantes. Até 1 petaflop de desempenho de IA com precisão FP4. 128 GB de memória unificada. Um poderoso superchip NVIDIA GB10. E um formato pequeno o suficiente para ficar sobre uma mesa. Para contextualizar, o DGX-1 original era um sistema empresarial grande. O DGX Spark traz uma quantidade significativa de capacidade de computação de IA para um dispositivo que pesa apenas 1,2 quilogramas. Mas o que realmente importa é o que isso torna possível. Desenvolvedores e pesquisadores podem executar modelos de IA localmente, experimentar modelos de linguagem grandes, construir agentes de IA e ajustar modelos sem depender inteiramente de data centers remotos. A NVIDIA afirma que um único DGX Spark pode lidar com inferência em modelos de até 200 bilhões de parâmetros. E múltiplos sistemas podem ser conectados juntos para lidar com cargas de trabalho ainda maiores. Durante a conversa, Jensen também destacou o enorme progresso na eficiência computacional, comparando o DGX-1 original com a nova geração. Então veio um dos melhores momentos. Jensen brincou que Elon estava construindo coisas maiores do que ele. Elon simplesmente concordou. Afinal, a SpaceX está construindo foguetes e infraestruturas massivas, enquanto a NVIDIA está construindo os sistemas de computação que impulsionam a revolução da IA. E há algo fascinante em ver esses dois mundos se encontrarem em Starbase, no Texas. Uma empresa está empurrando os limites da exploração espacial. A outra está empurrando os limites da inteligência artificial. Nove anos atrás, Jensen entregou um supercomputador que ajudou a lançar um novo capítulo na IA. Agora ele está trazendo esse poder computacional mais próximo de desenvolvedores individuais. A próxima inovação em IA pode não vir de um grande data center. Pode começar na mesa de alguém.

SANTO CUSCO. A OPENAI ACABOU DE TORNAR AGENTES DE IA MAIS BARATOS E MELHORES EM USAR SEU COMPUTADOR. Conheça o GPT 6.1 Terra. E esta atualização vai muito além de gerar respostas melhores. A OpenAI está empurrando a IA rumo a algo muito mais útil: realmente fazer o trabalho. O Terra foi projetado para entender o que está acontecendo na sua tela, interagir com aplicativos de computador e completar sequências complexas de tarefas. Pense no que isso significa. Uma IA pode ajudar a preparar propostas, interpretar desenhos técnicos, preencher formulários, editar vídeos e lidar com tarefas repetitivas de escritório. Em vez de explicar como fazer algo, ela pode executar os passos necessários para concluí-lo. E a OpenAI afirma que o novo modelo é significativamente melhor que o GPT 5.6 Terra nesse tipo de tarefa. Mas aqui está a parte que realmente chamou minha atenção: o preço. O preço padrão da API do GPT 6.1 Terra é 50% menor que o do GPT 5.6 Terra. Isso importa porque agentes de IA podem fazer muitas chamadas ao modelo ao completar um único fluxo de trabalho. Cada passo custa dinheiro. Ler informações, analisar uma tela, decidir o que fazer a seguir e verificar o resultado podem somar. Custos mais baixos tornam mais prático executar esses sistemas em escala. A OpenAI também relata melhorias significativas no desempenho de codificação e raciocínio visual, além de menos erros factuais em suas avaliações internas. Essa combinação é importante. Um modelo que pode entender uma tarefa, operar software e escrever código se torna muito mais útil quando consegue fazer tudo isso mais rápido e com menor custo. Imaginem agentes de IA processando faturas, atualizando planilhas, organizando informações de clientes ou lidando com tarefas repetitivas em múltiplos aplicativos. Não apenas dizendo o que você deve fazer. Mas realmente ajudando você a concluí-lo. Claro, o uso do computador não é o mesmo que autonomia perfeita. Fluxos de trabalho complexos ainda precisam de testes, permissões e supervisão humana. Mas a direção está ficando clara. A próxima grande corrida de IA não é apenas sobre qual modelo consegue pensar melhor. É sobre qual modelo pode transformar confiavelmente essa inteligência em ação. E agora, a OpenAI está tornando essa capacidade mais barata para usar.

🚨 SANTO CÃO. JENSEN HUANG ACABOU DE SEGURAR UM PETAFLOP DE PODER DE IA EM UMA MÃO. E a comparação que ele fez é absolutamente insana. Em 2016, Jensen Huang entregou um sistema NVIDIA DGX 1 a uma pequena empresa chamada OpenAI. Era uma máquina massiva construída especificamente para computação de IA. Ela fornecia um petaflop de desempenho de computação e vinha com 128 GB de memória. E Jensen lembrou a todos de um detalhe: Eram necessárias duas pessoas para carregar essa máquina para cima. Agora, dez anos depois, ele está segurando um computador de IA compacto em uma mão e mostrando os mesmos números principais. Um petaflop. 128 GB de memória. Deixe isso afundar por um segundo. A nova linha RTX Spark foi desenvolvida ao longo de quatro anos em parceria com a Microsoft e a indústria de PCs como um todo. Segundo Jensen, o projeto envolveu um novo chip chamado N1X e uma família inteiramente nova de computadores, incluindo desktops, laptops e estações de trabalho. O objetivo é trazer poder de computação de IA sério para um formato muito mais compacto. E é aí que as coisas ficam interessantes. Por anos, o acesso a hardware de IA poderoso significava depender de infraestrutura em nuvem cara ou máquinas especializadas que estavam muito além do alcance da maioria dos desenvolvedores individuais. Sistemas compactos como este apontam para uma abordagem diferente. Imagine desenvolver agentes de IA, experimentar modelos e executar cargas de trabalho de IA exigentes na sua própria mesa. Menos dependência de infraestrutura remota. Mais controle sobre seu ambiente de desenvolvimento. E potencialmente menos custos recorrentes em nuvem para cargas de trabalho que podem ser executadas localmente. Claro, há uma distinção importante. Igualar o mesmo valor pico de petaflop não significa automaticamente que duas máquinas ofereçam desempenho real idêntico. A precisão usada, a arquitetura de memória e a carga de trabalho importam. Mas a transformação física ainda é notável. Em 2016, essa classe de computação de IA vinha em uma máquina que exigia duas pessoas para carregar. Agora, Jensen Huang pode segurar um sistema com especificações principais comparáveis em uma única mão. É isso que torna isso mais do que apenas mais um lançamento de computador. O hardware de IA não está apenas se tornando mais poderoso. Está se tornando dramaticamente mais acessível. E a próxima geração de desenvolvedores de IA pode não precisar de uma sala de servidores para começar.

E SE PODÉSSEMOS LEVAR A TRANSFERÊNCIA QUÂNTICA DE FÓTONS DE 54% PARA 100%? Cientistas da TU Wien podem ter encontrado uma maneira. E a solução é surpreendentemente engenhosa. Computadores quânticos precisam transferir informações entre qubits. Um qubit emite um fóton. Outro precisa absorvê-lo. Mas com abordagens convencionais, essa absorção tem sucesso apenas cerca de 54% das vezes. Imagine perder quase metade das tentativas de transferência de informação antes mesmo do processo terminar. Agora, os pesquisadores propuseram uma maneira de mudar isso. A chave é a forma da onda do fóton. Quando um qubit emite um fóton, sua onda normalmente começa forte e desaparece gradualmente, assim como o som de um sino. Mas o qubit receptor precisa de uma forma de onda muito diferente para absorção perfeita. Então, os pesquisadores propõem usar um guia de onda óptico especialmente projetado para remodelar o fóton enquanto ele viaja. Ao controlar como diferentes frequências se movem pelo guia de onda, eles calcularam que o fóton poderia chegar com exatamente a forma de onda necessária para absorção ideal. O resultado? Suas simulações sugerem que a absorção poderia teoricamente atingir 100% sob condições ideais. E a parte mais interessante é que se trata de uma abordagem passiva. Em vez de depender de controle ativo adicional na extremidade receptora, o próprio guia de onda realiza o trabalho de moldar o fóton. O método ainda não foi demonstrado experimentalmente, mas os pesquisadores acreditam que a configuração necessária deve ser tecnicamente viável. Se funcionar na prática, poderá ajudar a tornar computadores quânticos e redes de comunicação muito mais confiáveis. Muitas vezes pensamos que avanços quânticos exigem hardware totalmente novo. Às vezes, o avanço pode vir da mudança na maneira como um único fóton viaja. E na computação quântica, esse pequeno detalhe pode fazer uma diferença enorme.

O QUE É ISSO? ESSE BOT PERDE MAIS DA METADE DAS TRANSAÇÕES E AINDA CRESCER DE $1.400 PARA $22.646. Olhe para essa bala. São 20.480 futuros possíveis que o bot mantém em sua mente ao mesmo tempo. As linhas azuis são os cenários em que o bitcoin subirá. Rosa e laranja são os cenários em que ele cairá. E agora sobre como ele funciona. O bot negocia mercados de cinco minutos no Polymarket, para cima ou para baixo no bitcoin. Dados ao vivo de sete fluxos entram nele. Esses dados são convertidos em probabilidades, como 45% para alta versus 55% para baixa. Essa probabilidade é comparada ao preço ao qual o mercado está vendendo o mesmo resultado. A diferença entre eles é chamada de vantagem. E apenas se houver uma vantagem, o bot abre uma operação. Se for menor que três centavos, a palavra PASS aparece na tela e não há transação. Aqui está escondido o principal. A taxa de acerto no painel é de 48%. Ou seja, mais da metade das operações são encerradas no vermelho. Mas isso não é um problema. Imagine que você compre uma ação por 32 centavos que pagará um dólar se você estiver certo. Você não precisa acertar com mais frequência do que vale a pena. Basta que sua estimativa seja mais precisa do que o preço de mercado. Então, mesmo com perdas mais da metade do tempo, a matemática funciona a seu favor. Isso é visível na tela para cada transação. Compra por 32 centavos com vantagem de +5,3 centavos. Compra por 53 centavos com vantagem de +6,7 centavos. Preços diferentes, tamanhos diferentes, mas uma única regra. E na parte inferior está a Curva de Pouso. Essa é uma análise de onde o bitcoin pode terminar ao fechamento da janela. O bot erra um único ponto. Ele vê toda uma gama de oportunidades e as compara com o preço de mercado. A janela por dia é de 288, e a regra é a mesma sempre. 14.222 ordens foram executadas nas transações, a vantagem média foi de +4,6 centavos e o máximo drawdown foi de 4,2%. Agora sobre o que me interessa nisso. A maioria das pessoas pensa em um bom trader como alguém que adivinha. E aqui o bot nem tenta. Ele pensa. A cada cinco minutos, milhões de pequenas decisões se reúnem em uma única curva, que cresce não porque o bot está certo, mas porque é mais caro estar certo do que errado. E isso muda a pergunta. Não com que frequência você adivinha. Mas quanto você ganha quando está certo e quanto você perde quando não está. É disso que se trata o Crawler Arena da CRAWLHIVE. Você define o veredito, a entrada, o take profit, o stop loss e o tamanho você mesmo, sem código. E seu crawler entra na arena e negocia segundo essas regras contra todos os outros, com comissões reais e derrapagem real. Ou seja, a mesma diferença entre ganhar e perder agora está em suas mãos. Isso não é aconselhamento financeiro. Resultados passados não garantem resultados futuros.

JENSEN HUANG ACABOU DE MOSTRAR UM PATO ROBÓTICO DE 25 CM APRENDENDO A SE MOVER COM AGENTES DE IA. E esse pequeno robô faz parte de uma história muito maior. Conheça o Microduck. É um projeto robótico de código aberto da Hugging Face, cujo comportamento foi treinado em simulação antes de ser transferido para o robô físico. O pato pode aprender a correr, se levantar e pegar objetos. Mas o que torna essa demonstração interessante é como os agentes de IA ajudaram a torná-la possível. Em vez de tratar a robótica como uma única tarefa de engenharia imensa, o fluxo de trabalho divide-a em etapas. Criar o modelo. Configurar a simulação. Treinar o comportamento. Depois, transferir essas habilidades para o mundo real. Essa última etapa é crucial. Um robô que funciona em um ambiente virtual ainda precisa lidar com a gravidade, o equilíbrio, o atrito e a imprevisibilidade de objetos reais. E é aí que a visão da NVIDIA para a IA física se torna importante. A IA está indo além da geração de texto, imagens e código. Ela está cada vez mais sendo usada junto com ferramentas de simulação e robótica para ajudar máquinas a aprenderem como interagir com o mundo físico. O pato pode ser minúsculo. Mas a ideia por trás dele é longe de ser pequena. Porque a próxima geração de IA pode não viver apenas dentro dos nossos computadores. Ela pode aprender a se mover fora deles.

A TESLA NÃO ESTÁ DESAFIANDO A GRAVIDADE. ELA ESTÁ USANDO SUCÇÃO PARA PERMANECER NA TRILHA. Observe atentamente este Roadster. O carro sobe um grande loop, vira de cabeça para baixo e continua se movendo mesmo quando sua velocidade não parece suficiente para explicar o que estamos vendo. Então, o que realmente o mantém no lugar? Não são ímãs. O segredo está sob o carro. A Tesla instalou um sistema de sucção movido por ventiladores na parte inferior do Roadster. Os ventiladores extraem o ar de baixo do carro, criando uma pressão mais baixa sob ele. A diferença de pressão ajuda a empurrar o carro contra a pista. E aqui está a parte que acho fascinante. A força aerodinâmica de downforce tradicional depende fortemente do fluxo de ar gerado pelo movimento do carro. Mas um sistema de sucção baseado em ventiladores pode gerar uma força de downforce substancial mesmo em baixas velocidades. Isso muda o que um carro pode fazer. Em vez de depender apenas da velocidade para permanecer aderido, o veículo pode ativamente criar a força que o mantém contra a superfície. É a diferença entre um carro que precisa da estrada para se manter no lugar e um carro projetado para puxar a si mesmo em direção a ela. Isso não é gravidade sendo derrotada. É a engenharia encontrando outra maneira de trabalhar com ela. E é isso que torna esta demonstração tão surpreendente.

8 AGENTES DE IA GERENCIARAM UM DESK DE NEGOCIAÇÃO TUDO A NOITE. A CONTA PASSOU DE US$12.155 PARA US$14.853. Mas o número não é a parte mais interessante. A parte mais interessante é que o chefe deste desk nunca abre uma negociação. Esta é a nova versão do Grok Bot junto com o Jev. E já não é mais um único bot. É todo um desk de negociação, onde cada agente tem seu próprio papel. CHIEF decide qual token escolher, mas nunca negocia por si só. SCAN procura o que está se movendo. VET verifica se o token é real e qual é sua estrutura de risco. SOCIAL analisa a conta X do projeto. SIZE decide quanto investir. FILLS executa a negociação. RISK fecha a posição. CRAWLER lê as páginas e posts primeiro, e só depois o desk negocia. Antes de qualquer um agir, as regras rígidas são aplicadas, e não custam nada. Idade mínima do token: 15 minutos. Liquidez de US$12.000. Volume em 24 horas de US$48.000. Capitalização de mercado de US$60.000. Pelo menos 150 negociações. A maior carteira não detém mais de 5%. As 10 maiores carteiras não detêm mais de 60%. Aritmética simples, sem nenhuma chamada de IA. Depois vêm os filtros suaves do Jev. Risco de saída por concentração. Se o momentum já se esgotou. Se a liquidez corresponde ao tamanho da negociação. Se a conta do projeto é reciclada. Se o desenvolvedor ainda detém muito. E a ordem desses filtros importa. Verificações gratuitas primeiro. Depois verificações de negociação. Depois verificações de cadeia. E só por fim, as caras. Matar um token gratuitamente é muito mais barato do que perguntar à IA sobre cada um individualmente. O bot também nunca entra por suposição. Ele espera pelo fluxo real de compra primeiro, e só depois entra. Sem fluxo, sem entrada. A maioria das pessoas acha que um bot de negociação forte é apenas um modelo inteligente. Mas um modelo inteligente sozinho comete erros. Um sistema onde cada etapa é separada e cada etapa é verificada comete muito menos erros. Ele tem ordem. E tem um chefe que só decide e nunca fica ganancioso. Essa é a verdadeira vantagem. Isso não é aconselhamento financeiro. Resultados passados não garantem resultados futuros. Quem desempenha o papel de CHIEF na sua negociação agora, você ou suas emoções?

O BOT DE NEGOCIAÇÃO COM IA MAIS PERIGOSO PODE SER O QUE PARECE PERFEITO. Uma curva de lucro crescente. Análises limpas. Um sistema que parece saber exatamente quando entrar e sair do mercado. Mas aqui está o que acho que as pessoas frequentemente ignoram. Um sistema de negociação não precisa ser bom para parecer lucrativo. Ele só precisa parecer bom sob as condições em que foi testado. Mude o mercado. Adicione taxas de negociação. Aumente a volatilidade. Deixe uma posição perdedora permanecer por mais tempo do que o esperado. De repente, a estratégia que parecia brilhante pode começar a desmoronar. É por isso que me importo menos com um screenshot mostrando lucro e mais com o que acontece quando a estratégia deixa de funcionar. Quanto ela pode perder? Como ela se comporta sob pressão? Consegue sobreviver a um mercado para o qual não foi projetada? Porque ganhar dinheiro em condições favoráveis é uma coisa. Sobreviver a condições desfavoráveis é algo completamente diferente. E acho que esse é o verdadeiro desafio para a negociação com IA. Não ensinar uma máquina a encontrar negócios vencedores. Ensinar a reconhecer quando sua própria estratégia já não está funcionando.