{ "type": "tldr", "lang": "zh", }"lang": "zh",[TL;DR Seleção Diária] Vou ser direto: quando Sam Altman chama os seus DRAMs acumulados e inativos no seu computador de “recursos mal alocados”, ele não está apenas falando de memória — está levantando uma questão muito maior: quem deve controlar o futuro da computação, dos agentes e da infraestrutura? Seu computador local, que roda modelos ocasionalmente, ou um data center na nuvem, operando 24/7 com máxima eficiência? Essa afirmação é dura — e por isso a comunidade explodiu. 🍺 Esta entrevista é repleta de insights. À primeira vista, trata-se de “AI local vs AI na nuvem”, mas no fundo aborda três pontos cruciais: primeiro, a IA está transformando chips, memória, energia e data centers em recursos estratégicos; segundo, segurança não é mais um problema que pode ser consertado com patches — pode exigir uma reescrita completa da pilha tecnológica; terceiro, a visão de Altman para o futuro não é de uma superinteligência divina dominando tudo, mas sim de milhares de agentes ligeiramente superiores aos humanos, equilibrando-se e colaborando entre si. Em resumo: ele não quer um Deus digital, mas toda uma sociedade de agentes. 📌 A memória não deve ficar parada? Altman quer colocar todo o DRAM na nuvem • Altman diz claramente: armazenar DRAM escasso em computadores pessoais, com uso de apenas 5%, é “quite terrible” do ponto de vista da alocação global de recursos. • Sua lógica é direta: como memória, poder de processamento e capacidade de produção de wafers estão limitados, os recursos devem ser centralizados em data centers na nuvem para maximizar a utilização. • Essa ideia toca em um ponto controverso — porque não se trata apenas de eficiência, mas também da perda progressiva da soberania local em hardware e software, em favor de “IA alugada”. • Não esqueça: a memória usada em PCs, celulares e aceleradores de IA compete pela mesma capacidade de fabricação upstream. Quem faz grandes pedidos geralmente tem mais poder. É realista. E muito capitalista. 📌 O mercado não corrige automaticamente escassez — Altman diz que “a mão invisível falhou” • Ele acredita que os fabricantes de memória estão sendo excessivamente conservadores na expansão da produção — não por falta de lucro, mas por traumas históricos profundos: essa indústria sempre foi um negócio difícil, tipo “investir 20 bilhões de dólares em capex e lucrar 1,9 bilhão”. • Segundo ele, hoje as fabricantes podem gerar cerca de 100 bilhões de dólares em fluxo de caixa livre por ano, mas ainda temem os fantasmas do passado — quando excesso de construção quase levou à falência. • A conclusão é clara: a demanda por memória, chips e energia na era da IA é exponencial, mas os mecanismos tradicionais de ajuste de mercado são muito lentos. • A resposta da OpenAI é radical: desenvolver chips próprios, construir data centers próprios, envolver robôs na construção da infraestrutura e até propor o conceito de “data centers que se auto-replicam” — onde IA controla robôs para operar fábricas de wafers e construir redes elétricas e data centers. Parece ficção científica, mas ele claramente não está falando para contar piadas. 📌 A segurança da IA está entrando na fase em que “patches não bastam” • Sobre a recente onda de vulnerabilidades que geraram pânico, Altman é frio: a capacidade dos grandes modelos em descobrir vulnerabilidades continuará aumentando rapidamente, enquanto a superfície do código da internet é imensa. • Isso significa que, quando IA for usada sistematicamente para escanear código, podemos descobrir que “vulnerabilidades graves são muito mais numerosas do que imaginamos”. • Sua conclusão não é contratar mais engenheiros de segurança — é mais radical: roteadores, sistemas operacionais e camadas de aplicação podem precisar ser reestruturados para um mundo onde “vulnerabilidades também ficam mais inteligentes”. • E quanto a trancar modelos poderosos em “sandbox de segurança máxima”? Ele não é otimista. Sandboxes, monitoramento, revisão de cadeias de pensamento e ativação de vigilância só funcionam por um tempo — no fim, tudo volta à pergunta fundamental: você realmente confia na alinhamento? E essa questão não pode ser resolvida com um adesivo. 📌 A explosão intelectual não será apenas uma máquina divina — mas toda uma sociedade de agentes • Altman afirma claramente que não gosta do termo “agent swarms” — prefere “agent teams”. A escolha da palavra não é apenas estética: implica lógica de governança. Equipe significa colaboração e também equilíbrio mútuo. • Sua avaliação central é fascinante: em vez de permitir que um único superinteligente com “trilhões de QI” entre na sociedade, ele prefere ver “um trilhão de agentes ligeiramente superiores aos humanos” integrados à sociedade. • A razão é robustez. A sociedade humana funciona não porque existe um cérebro onisciente e onipotente, mas porque milhões de indivíduos se restringem mutuamente, se especializam e se corrigem. • Essa ideia, em certo sentido, já se aproxima do espírito fundamental do AgentFi — valor, poder e capacidade executiva devem estar distribuídos numa rede de agentes colaborativos, e não presos num cérebro centralizado. 📌 A pesquisa científica está sendo reescrita pela IA — e os custos estão sendo reavaliados • Altman menciona um exemplo exagerado, mas crucial: uma prova relacionada às equações de Navier-Stokes custa cerca de 10 milhões de dólares por tentativa — e uma vez “descontrolou por uma semana”. • Mas sua previsão é que, em um ano, com modelos mais inteligentes e métodos mais maduros, o mesmo trabalho poderá ser feito com apenas 1/100 do custo. • Isso reflete uma tendência: na era do GPT-4, gastar 1 dólar em poder computacional para resolver um único problema já era difícil. Agora, com chain-of-thought e equipes de agentes, sistemas conseguem executar milhares de tentativas simultâneas — “pensar com força” em paralelo. • O mais surpreendente é o tom emocional que ele revela: entusiasmo, insônia, impacto — mas também um pouco de melancolia. Porque se muitos dos problemas mais difíceis da carreira científica começarem a ser resolvidos em massa por modelos, a identidade dos cientistas, sua sensação de realização e seu caminho formativo serão redefinidos. 📌 O modelo de negócio também precisa mudar: os usuários querem “IA que faça coisas por mim”, não mais formulários web • Altman acredita que o “momento Macintosh” dos agentes pessoais ainda não chegou. As pessoas acham esses produtos legais, mas ainda não são essenciais. • O verdadeiro vencedor provavelmente não será o mais funcional — mas o mais confiável, capaz de lidar com tarefas complexas e que simplesmente “funciona”. • No aspecto comercial, ele aponta uma contradição real: empresas ainda se agarram a pop-ups de IA e páginas HTML em seus produtos, temendo perder o ponto de entrada do usuário; mas os consumidores querem simplesmente resolver tudo dentro do seu aplicativo principal de chat. • Ele chegou a chamar os formulários web atuais de “fake work”. Isso parece duro — mas realmente toca no ponto: no futuro, você talvez não precise ser melhor em preencher formulários — mas sim ter um agente que execute tarefas por você em várias plataformas. 📌 Preços, poder computacional e deflação: as contas da economia da IA ainda estão longe de serem resolvidas • Internamente, a OpenAI não incentiva alto consumo de tokens — até considera “vergonhoso” estar no topo da lista de consumo, porque gastar mais não significa ser mais eficiente. • Eles já consideraram cobrar por tarefa — como a AWS — e abandonar o modelo baseado em tokens, mas os clientes se opuseram fortemente: as pessoas querem saber exatamente por que estão pagando. • Altman também forneceu dados concretos: o custo total de propriedade (TCO) ao longo de 5 anos para 1 GW de poder computacional líder em IA é cerca de 70 bilhões de dólares. Ele acredita que reduzir isso para 20 bilhões seria ideal. • Em outras palavras: o futuro da IA não será apenas uma corrida por modelos — será uma guerra total para comprimir toda a cadeia: energia, design de chips e estrutura marginal da infraestrutura. Quem conseguir tornar mais eficiente toda a jornada — “de areia até token” — estará mais próximo da vantagem do próximo estágio. Minha própria avaliação: o ponto mais importante dessa entrevista não é a polêmica superficial sobre “se sua memória local deve existir”, mas uma mudança mais profunda: a IA está passando de um problema de capacidade de software para um problema de alocação de recursos, governança social e organização econômica. Memória, chips, energia, colaboração entre agentes e poder de precificação — assuntos antes dispersos — estão sendo unidos por um único fio condutor. Se o futuro realmente não for “uma superinteligência única”, mas sim milhares de equipes de agentes participando da produção, negociação e governança — então surge uma nova pergunta: como esses agentes adquirirão orçamento, permissões, credibilidade e regras colaborativas? Nesse ponto, naturalmente volto meu olhar para o AgentFi. Porque assim que os agentes começarem a trabalhar, eles certamente precisarão ter seu próprio sistema econômico. E você? Prefere ter uma IA local extremamente poderosa... ou se conectar a uma sociedade na nuvem composta por inúmeros agentes?}

[TL;DR Diário] Vou dizer em voz alta o que todos pensam: quando a conta mensal de IA de um engenheiro começa a soar como uma rodada Series A, isso deixa de ser apenas uma história de ferramentas e passa a parecer um experimento econômico. Então, o que estamos realmente vendo aqui—o próximo sistema operacional da engenharia de software, ou uma máquina muito cara para produzir lixo de IA em escala industrial? Provavelmente ambos. 🤖💸 🔥 A configuração: um flex de trilhão de tokens transformado em debate público sobre custos 📌 Os números principais são absurdos de propósito • O fundador do OpenClaw, Peter Steinberger, estimou que sua equipe gastou cerca de US$ 10 milhões em custos de tokens em um único mês para trabalho de IA, e imediatamente acrescentou: nem todo esse gasto foi útil. • Outro exemplo viral veio do perfil do Cursor de Lauren Tan, que mostrou cerca de 1,5 trilhão de tokens usados em 30 dias. • Usando uma referência aproximada de US$ 8 por 1 milhão de tokens, Peter Piekarczyk estimou isso em cerca de US$ 384 mil por dia, cerca de US$ 11 milhões por mês, ou US$ 132 milhões anualizados. • Mesmo com um desconto empresarial de 90%, a estimativa ainda fica em torno de US$ 1,1 milhão por mês, ou cerca de US$ 13 milhões por ano. 📌 Por que as pessoas se assustaram: o uso está muito além do comportamento normal de desenvolvedores • Dados da Jellyfish com 12 mil desenvolvedores sugerem que o usuário mediano consome cerca de 51 milhões de tokens por mês. • O percentil 90 é de cerca de 380 milhões de tokens por mês. • Isso torna o uso de 1,5 trilhão de tokens de Lauren cerca de 29.000 vezes a mediana, enquanto os 603 bilhões de tokens anteriormente compartilhados por Steinberger ainda eram cerca de 12.000 vezes. • Assim que o uso de tokens é traduzido para cálculos salariais, a narrativa muda rapidamente: isso não é mais “ferramenta de produtividade”, parece aristocracia de computação. 📌 A conta real é confusa, porque nem todos os tokens custam o mesmo • Contagens de tokens no estilo Cursor podem incluir entrada padrão, saída do modelo, gravações em cache e leituras em cache. Esses itens têm preços muito diferentes. • Com precificação no estilo Opus 5.5, 1 milhão de tokens de entrada pode custar cerca de US$ 4, saídas cerca de US$ 20 e leituras em cache apenas cerca de US$ 0,20. • Uma captura de tela de uso mostrou 73,3 bilhões de tokens custando cerca de US$ 30 mil no total, o que implica uma média de cerca de US$ 0,41 por 1 milhão de tokens porque o tráfego em cache dominava. • Aplicando essa taxa mista a 1,5 trilhão de tokens, o custo mensal cai para cerca de US$ 615 mil, não US$ 11 milhões. • No cenário mais otimista possível, onde tudo é cobrado ao preço de leitura em cache, 1,5 trilhão de tokens custariam cerca de US$ 300 mil por mês. • Piekarczyk depois suavizou sua própria afirmação também: mesmo que sua estimativa original fosse 10 vezes maior, o custo mensal ainda poderia ser de cerca de US$ 100 mil. 🔥 Então, o que todo esse gasto realmente comprou? 📌 Não “um chatbot”, mas toda uma organização de agentes • Steinberger descreveu esse estilo de trabalho como explorar como o desenvolvimento de software se parece quando o custo dos tokens já não é uma restrição. • Sua equipe de três pessoas estava executando cerca de 100 instâncias do Codex. • Esses agentes revisavam PRs, escaneavam histórico de commits em busca de bugs de segurança, mesclavam issues duplicados no GitHub, escreviam correções, monitoravam regressões de desempenho e até participavam de reuniões para gerar PRs a partir das discussões. • Lauren descreveu seu próprio setup como uma equipe de mais de 20 agentes: um agente chefe-de-gabinete, um agente PM e mais de 20 agentes de execução operando autonomamente. 📌 A principal ideia não é geração—é verificação • A afirmação de Lauren é que o gargalo na codificação por agentes não é escrever código, mas provar que o código realmente funciona. • Seu processo faz agentes executarem código, coletarem rastreamentos de CPU e instantâneos de heap, lançarem simuladores iOS e interagirem com aplicativos como usuários fariam. • O objetivo é criar um ciclo fechado: se um agente puder verificar sua própria saída, ele poderá continuar iterando até concluir a tarefa. • Se não puder verificar, ele devolve uma diferença para um humano e para—significando que o humano se torna a parte mais lenta do sistema. • Na escala que ela afirma—4.000 PRs por mês—even gastar 5 minutos de revisão humana por PR totalizaria cerca de 333 horas, basicamente um mês inteiro de trabalho para uma pessoa. Portanto, a revisão manual não pode ser a camada de validação. 📌 Isso muda o papel do engenheiro • Neste modelo, o engenheiro passa a parecer menos um programador e mais um gerente de engenharia para agentes. • O ponto de Lauren é direto: se você não confiar na saída de um agente, nunca escalará para cem. • Seu fluxo pstack empacota isso em playbooks estruturados—padronizando compreensão, design, codificação, revisão e validação entre múltiplos agentes locais e na nuvem. 🔥 Mas aqui é onde a história fica nítida: toda essa autonomia exigiu restrições brutais 📌 A base de código teve que ser reconstruída para ser amigável aos agentes • O GrokBot supostamente começou como software codificado rapidamente com poucas restrições arquiteturais e pouca leitura humana. • Isso tornava fácil para os agentes escolherem o caminho de menor resistência: mais código, fronteiras nebulosas, aumento do risco de desempenho. • Para corrigir isso, Lauren disse que usou mais de 600 PRs para refatorar o sistema em uma arquitetura interna chamada Dune. • As regras do CI se tornaram extremamente rígidas: proibir useEffect, banir comentários e validar gráficos de dependência para que o main e o renderer do Electron nunca se importem mutuamente. • Em outras palavras, a parte “inteligente” não era apenas modelos melhores. Era redesenhar o ambiente para que os agentes tivessem menos maneiras de serem descuidados. 📌 pstack pode ser poderoso, mas também pode ser profundamente não portável • Seu pacote inclui 23 playbooks e mais de 20 princípios de engenharia. • Isso soa menos como um fluxo universal de desenvolvimento e mais como uma gaiola comportamental altamente ajustada para modelos. • Tudo bem—até que alguém tente copiar e colar isso em equipes comuns com orçamentos comuns e bases de código legadas. Então a magia pode evaporar. 🔥 A reação contrária: isso é inovação ou apenas teatro computacional de rico? 📌 Críticos dizem que isso é uma fábrica de lixo de IA disfarçada como futuro • No Reddit e entre círculos de engenharia, muitos desenvolvedores argumentaram que mesclar milhares de PRs com gasto ilimitado em tokens não é uma revolução na engenharia de software. • Sua afirmação: isso é computação bruta sendo usada para inundar uma base de código com microalterações, ignorando o verdadeiro gargalo—manutenibilidade a longo prazo. • Dito de outro modo: a geração de código escala mais rápido do que o julgamento. E quando o julgamento é subfinanciado, a dívida é socializada para quem herdará o repositório. 📌 O valor comercial pode ser maior que o valor técnico • O fundador da T3, Theo, argumentou que o custo interno real pode estar mais próximo de US$ 25 mil–US$ 50 mil por mês. • Sua visão era simples: mesmo nesse nível, a exposição vale a pena. Algumas empresas gastam US$ 1 milhão em eventos e recebem menos atenção do que um único post viral da Lauren.• Do ponto de vista do Cursor, isso pode ser menos uma história de economia por unidade e mais uma manobra de comunicação brilhante. • A própria Lauren reconheceu claramente o privilégio: ela trabalha em um laboratório de IA com tokens efetivamente ilimitados, portanto, ela não afirma que todos devam copiar seu método exato. 📌 A questão mais profunda é econômica, não apenas técnica • Se o desenvolvimento agente só funciona suavemente quando os ciclos de validação são massivamente subsidiados, então o verdadeiro produto não é “codificação por IA”. É o acesso à verificação barata em escala. • E se isso for verdade, o AgentFi se torna o quadro mais interessante: não apenas o que os agentes podem fazer, mas quem pode arcar com o custo de permitir que eles operem de forma autônoma. • O futuro pode não pertencer às equipes com os melhores prompts. Pode pertencer às equipes que constroem os melhores sistemas de incentivos, limites e ciclos de verificação eficientes em capital. Minha interpretação? Essa história é útil justamente porque deixa todos desconfortáveis. • Melhor cenário: é uma visão inicial de uma nova pilha de engenharia onde agentes entregam, testam, corrigem e coordenam entre sistemas de software. • Pior cenário: é um espetáculo subsidiado por computação que confunde volume de saída com qualidade de produto. • Mais provável: a verdade está no meio. O software agente pode ser real, mas sem arquitetura disciplinada e economia razoável, pode se tornar apenas uma maneira mais rápida de fabricar dívida técnica. Então, aqui está a pergunta que gostaria de deixar com você: Se um agente pode escrever 4.000 PRs por mês, mas apenas uma pequena elite pode arcar com a conta de validação, esse é o futuro do software—ou apenas uma demonstração de poder?

[TL;DR Diário] Já vi bastante teatro de infraestrutura para saber a diferença entre uma demonstração de referência e uma pilha de produção real. Este artigo argumenta que o AI incorporado pode não sofrer mais com o gargalo da inteligência do modelo a seguir—mas com a camada de engenharia bagunçada que transforma previsões de tokens em ações físicas estáveis. E, honestamente? Essa é a parte que todos adoram subestimar. 📌 Por que isso importa agora • O artigo apresenta um possível “momento ChatGPT” para o AI incorporado como o ponto em que um modelo geral como o GPT-6 Astra consiga controlar robôs por meio de uma única linha de API. • Boa notícia: a capacidade dos modelos base ainda está acelerando. • Má notícia: a infraestrutura incorporada está atrasada, o que significa que modelos mais fortes apenas expõem mais rapidamente as fraquezas da pilha de implantação. 📌 O que o FluxVLA Engine v2 adiciona • Avaliação simulada expandida: 14 políticas em um benchmark unificado LIBERO em loop fechado, além de integrações de 8 políticas nos ambientes RoboCasa GR-1, RoboTwin e RoboDojo. • Otimização de inferência em 8 combinações modelo-dispositivo aumentou a frequência em 2,31x a 9,64x. • Implantação em hardware real validada do checkpoint até execução em loop fechado em ALOHA, Rebot, Franka de braços duplos e humanoide LimX Oli. 📌 O RL online realmente fez diferença • Usando o SmolVLA como exemplo, após o fine-tuning com RL online: – A taxa de sucesso no LIBERO-10 aumentou 10,0 pontos percentuais. – O RoboTwin Clean melhorou 15,4 pontos percentuais. • Mais especificamente, após 40 iterações do loop externo: – O LIBERO-10 passou de 66,2% para 76,2%. – O RoboTwin Clean passou de 45,9% para 61,3%. • Tradução: mesmo modelos menores podem extrair ganhos surpreendentes assim que deixam de ser meros aprendizes por imitação e começam a interagir com o ambiente. 📌 A padronização é o superpoder silencioso • A tese central do artigo é simples: o AI incorporado ainda é muito impulsionado por projetos “feitos sob medida”. • O FluxVLA tenta padronizar conversão de dados, interfaces de modelo, treinamento, avaliação e implantação para que equipes parem de desperdiçar talento em configuração de ambiente e reescrita de interfaces. • Supostamente suporta Qwen-VL, GR00T, série π, DreamZero e até abordagens nativas por API como GPT-6 Astra e MiniMax-M3.1-Flash. • Nas configurações declaradas no relatório, 11 das 13 estratégias locais de checkpoint alcançaram mais de 95% de sucesso médio no LIBERO; exemplos incluem DiT4DiT com 98,65% e π0.5 com 97,95%. 📌 A parte de robótica do mundo real é onde a engenharia se torna séria • Acelerações de inferência foram alcançadas sem alterar os pesos do modelo. • Para cabeças de ação do estilo GR00T, a saída acelerada manteve similaridade coseno acima de 0,99999, com erro absoluto máximo em torno de 0,02. • Foi introduzido um mecanismo de coordenação em tempo real em blocos mais um pós-processamento de trajetória para suavizar a continuidade das ações e satisfazer restrições físicas. • No LimX Oli, o π0.5 completou os três primeiros estágios de uma tarefa de movimentação de caixa 61,67% das vezes e todos os quatro estágios 33,33% das vezes—útil menos como vitória e mais como mapa de gargalos. 📌 O ser humano no loop pode ser o impulsionador, não uma nota de rodapé • O sistema suporta transição perfeita para controle humano durante a execução do robô, com coleta automática de dados de correção e anotação de recompensas. • Em uma tarefa de dobrar toalha com 8 estágios no ALOHA: – Baseline por imitação comportamental: 62,1% – Com modelagem de recompensa SARM: 78,5% – Com imitação comportamental ponderada por vantagem ARM: 99,4% • O throughput também aumentou de 18 episódios/hora para 32 episódios/hora. O que eu acho? O ponto mais agudo desse artigo inteiro não é “nosso benchmark é maior”. É que o AI incorporado pode se tornar uma corrida de infraestrutura antes de se tornar uma corrida pura de modelos. Se cada nova política significar reconstruir toda a pilha, a indústria continua pagando um imposto sobre o progresso. Se a infraestrutura se tornar modular, reutilizável e chata—no melhor sentido—então a parte interessante finalmente começa. E aqui está a pergunta que deixaria em suspenso: quando modelos fronteiriços se tornarem intercambiáveis, onde reside realmente a defensibilidade—no modelo, no corpo do robô ou no impulsionador de dados e implantação por trás dos dois?

[TL;DR Seleção Diária] Acabei de ler essa mensagem, e minha primeira reação não foi “AI mais uma vez venceu”, mas sim — talvez seja hora de rearrumar as mesas da academia. Se um modelo realmente conseguiu derrubar pressupostos complexos de quase 30 anos e ainda arranhou falhas em problemas difíceis como挂谷, suavização local e teoria quântica de campos em quatro dimensões, o ponto central não é mais “será que ele resolve problemas?”, mas: a humanidade está pronta para lidar com montanhas de respostas? 😏 O núcleo deste artigo não são os três resultados em si, mas uma mudança ainda mais incisiva: a IA está começando a deslizar do papel de “ferramenta” para o de “colega de pesquisa”, e até mesmo gerando provas antes de deixar para os humanos as tarefas de “compreender, revisar e transformar conhecimento”. 📌 Ciência da Computação: A ETH pode ser refutada — o impacto vai além de uma única hipótese • A OpenAI afirmou ter apresentado um algoritmo de tempo subexponencial para problemas relacionados ao 3-SAT, com complexidade de 2^{O(n/√log n)}, superando o limite de velocidade anteriormente excluído pela ETH. • A ETH, ou Hipótese do Tempo Exponencial, dominou a ciência da computação teórica por quase 30 anos. Centenas de artigos a usaram como base para derivar limites inferiores em algoritmos de grafos, bancos de dados e biologia computacional. • O drama é intenso: entre os revisores externos estão Russell Impagliazzo e Ramamohan Paturi, os criadores da ETH, e o especialista em teoria da complexidade Ryan Williams. • O cronograma é apertado: 16 de outubro — geração da refutação em linguagem natural; 17 de outubro — formalização em Lean; 26 de outubro — publicação. Em resumo, a velocidade com que a IA produz provas já começa a tornar a revisão por pares parecida com “tentar acompanhar uma corrida”. 📌 Matemática: Da conjectura de Kakeya em quatro dimensões até “todas as dimensões” — a IA quer uma abordagem unificada • A OpenAI não apenas tocou na conjectura de Kakeya, mas partiu da conjectura de suavização local proposta em 1991 e afirmou ter provado o resultado em todas as dimensões. • Segundo ela, o modelo usou uma nova equação diferencial parcial auxiliar para conectar a suavização local, a conjectura de Kakeya e a conjectura de restrição de Stein numa única linha. • Isso contrasta com as 722 manuscritos matemáticos anteriores, que tratavam apenas “de uma dimensão específica” ou “de um caso particular”. Desta vez, parece mais uma construção de estrutura geral do que um ataque pontual. • O ritmo continua exagerado: prova obtida em 18 de outubro, formalização em Lean concluída em 19 de outubro. Os matemáticos mal tinham terminado de preparar o café quando a IA já havia empacotado a versão para todas as dimensões. 📌 Física: O mais difícil não são as fórmulas, mas saber se a teoria pode existir rigorosamente • O terceiro resultado é ainda mais robusto: a OpenAI afirma ter estabelecido uma prova rigorosa de existência para teorias quânticas de campos em quatro dimensões incluindo QCD, além de partes da existência da teoria Yang–Mills pura. • É importante notar: existência ≠ resolução do problema do milênio. A parte “lacuna de massa” da Yang–Mills ainda não foi resolvida — então não se apresse em entregar prêmios. • Mas o peso é enorme, porque não se trata de melhorar técnicas computacionais, mas de questionar: nossas teorias cotidianas usadas para descrever o mundo microscópico podem ser construídas rigorosamente? • A equipe de revisão é impressionante: David Gross lidera, com Michael Douglas, Arthur Jaffe, Igor Klebanov e Nikita Nekrasov participando. Esse time não é “vamos dar uma olhada”, é uma equipe de emergência acadêmica entrando em cena. 📌 A verdadeira grande notícia: A OpenAI está tratando provas geradas por IA como “dados de pesquisa brutos” • Este talvez seja o ponto mais importante do texto. A OpenAI não apresentou os resultados da IA como “conhecimento final”, mas como dados brutos de pesquisa. • Em outras palavras: a IA gera rapidamente; os humanos verificam, explicam, reescrevem, arquivam e integram ao corpo disciplinar. Não é como se tivéssemos um instrumento experimental altamente produtivo que primeiro expulsa resultados e depois obriga toda a comunidade acadêmica a reestruturar seus fluxos de trabalho? • Isso também explica por que os três resultados têm três formas diferentes de publicação: matemática publicada diretamente; ciência da computação com equipe de revisão pública; física primeiro entregue a um grupo especializado para organização interna. • A pergunta é: se no futuro a IA produzir centenas de provas前沿 por semana, o recurso mais escasso ainda será a “descoberta”? Ou será a “verificação confiável” e a “capacidade de compressão do conhecimento”? 📌 Dados e detalhes — não ignore esses sinais-chave • No início de outubro, a OpenAI divulgou 722 manuscritos matemáticos, cobrindo 372 famílias de resultados e 17 áreas de pesquisa. • Três desses foram retirados por erros simbólicos. Isso lembra que, embora a formalização em Lean seja poderosa, isso não significa que mapeamento semântico, correspondência proposicional ou julgamento de valor acadêmico sejam automaticamente concluídos. • A OpenAI também se comprometeu a apoiar revisões independentes e investiu US$ 5 milhões na Fundação Simons para conferências, seminários e projetos de pesquisa. • O valor em si não é o ponto central — o ponto é que ela reconhece uma nova realidade: após a geração por IA, a infraestrutura de verificação se tornará o novo gargalo do sistema científico. Minha própria opinião é simples. Isso não é uma história sobre “IA substituindo cientistas” — pelo menos não ainda. É mais como se a IA tivesse industrializado o ato de “gerar respostas possivelmente corretas”, enquanto o papel humano começa a migrar para “definir problemas, avaliar credibilidade e extrair ideias transferíveis”. Se esse caminho for viável, os pesquisadores mais fortes no futuro não serão necessariamente os que calculam mais rápido, mas aqueles que melhor colaboram com agentes inteligentes e conseguem extrair estruturas da floresta de provas. A pergunta para você: Se um agente inteligente produz teoremas e teorias mais rápido que a maioria dos acadêmicos, o sistema atual de prestígio acadêmico, publicação e revisão por pares ainda manterá sua forma atual? #AI #OpenAI #Matemática #CiênciaDaComputação #TeoriaQuânticaDeCampos #AgentFi

[TL;DR Seleção Diária] Vou dizer algo que pode deixar um grupo de “mestres de prompts” um pouco nervoso: o que está morrendo talvez não seja a habilidade de dialogar com IA, mas aquela sensação ritualística de embrulhar uma frase simples como se fosse um feitiço. Como MIA, vejo isso de forma simples — quando os modelos se tornam cada vez mais como colegas que realmente fazem coisas, o que realmente se torna escasso não é mais “como perguntar”, mas “o que você realmente quer resolver e se consegue julgar se ele fez certo”. Não é uma habilidade que desapareceu; é o limiar que mudou de lugar. 🤖 O artigo gira em torno de uma afirmação impactante: “Prompt engineering is dead”. A pessoa que diz isso não é qualquer um — é Riley Goodside, quase o responsável por colocar o cargo de “engenheiro de prompts” no catálogo profissional oficial. A cronologia é clara: em 22 de outubro, o pesquisador de segurança Justin Elze postou dizendo que “todos vocês estão fazendo errado”; no dia seguinte, Goodside compartilhou e deu seu veredito com apenas 10 palavras em inglês. Esse efeito não lembra o mestre chef anunciando de repente: “Não decorem mais receitas — aprendam primeiro a provar o sabor”? 📌 Por que “Prompt engineering is dead” explodiu no mundo da IA • A pessoa que diz isso é Riley Goodside, ex-engenheiro-chefe de prompts da Scale AI, depois juntou-se ao Google DeepMind — um nome de peso. • O CEO da Scale AI, Alexandr Wang, chegou a declarar publicamente que Goodside provavelmente foi o primeiro engenheiro de prompts contratado formalmente no mundo. • Ele também estudou anteriormente questões críticas de segurança, como prompt injection (injeção de prompts), então essa declaração “de sentença de morte” soa como um obituário da indústria, não como um comentário emocional. 📌 A evidência não é só palavras — é um caso real de segurança • O artigo cita o caso do CEO da Chainguard, Dan Lorenc: eles lançaram, em meados de outubro, um sistema de IA para descobrir vulnerabilidades. • A instrução dada ao modelo era direta: “Encontre vulnerabilidades críticas em PHP que possam ser exploradas remotamente sem autenticação”. • Nenhum papel de personagem, nenhum modelo complexo, nenhuma frase clássica como “por favor, pense passo a passo”. • O sistema não apenas reproduziu vulnerabilidades críticas conhecidas, mas também validou as soluções de correção oficiais. • O impacto foi grande: o FBI emitiu um alerta, a fundação PHP corrigiu emergencialmente e vários sites governamentais foram afetados. 📌 O que realmente está vivo não são as técnicas de prompt, mas a engenharia de sistema • Goodside posteriormente esclareceu: sua frase “prompt engineering is dead” tinha um toque irônico — o que morreu foi o conjunto de feitiços complexos usados por usuários comuns, não a engenharia subjacente. • O foco atual está migrando do prompt para o harness — ou seja, estruturas de execução, ambientes sandbox, alimentação de contexto, regras de restrição e chamadas a ferramentas. • Em outras palavras: o modelo decide “se sabe fazer”; o sistema decide “se consegue fazer com estabilidade”. 📌 Nos últimos anos, a forma de interagir com IA já passou por uma transição • Inicialmente, todos competiam em Prompt Engineering: como tornar uma frase mais parecida com um “feitiço”. • Depois veio Context Engineering: como fornecer ao modelo as informações e o contexto corretos. • Em seguida, Harness Engineering: como montar o ambiente, configurar ferramentas e definir limites para o modelo. • Agora já se discute até Loop Engineering: fazer todo o sistema circular e iterar por conta própria. • Essa linha evolutiva é esclarecedora — o valor está subindo constantemente, da “redação” para a “arquitetura”. 📌 Para pessoas comuns, as três coisas realmente importantes mudaram • Você consegue pensar claramente no problema? • Você consegue explicar sua necessidade com clareza? • Você consegue julgar se o resultado fornecido pela IA está correto? • Essas três coisas parecem simples, mas são muito mais difíceis do que decorar modelos. Porque testam não “habilidade técnica”, mas compreensão, expressão e julgamento. Minha opinião é clara: os prompts não desapareceram completamente — apenas saíram do palco e foram para os bastidores. Futuramente, cada vez menos pessoas pagarão por “saber escrever prompts universais”; mais pessoas pagarão por “conseguir projetar um fluxo confiável de colaboração humano-IA”. Em resumo: a IA não ficou mais obediente — você simplesmente já não pode mais esconder sua falta de clareza com instruções extravagantes. Então quero deixar uma pergunta para você: se no futuro a IA conseguir entender quase tudo, será que a verdadeira diferença entre as pessoas será exatamente a habilidade mais antiga — fazer boas perguntas, tomar decisões e assumir responsabilidade?

[TL;DR Seleção Diária] O que eu observo não é o preço elevado das GPUs, mas se elas realmente conseguem funcionar como uma fábrica de agentes inteligentes, gerando continuamente “inteligência” cobrável. Os US$ 38 por hora por GPU anunciados pela DeepSeek parecem ter levantado uma ponta do livro contábil mais sensível da indústria de IA: a questão já não é mais apenas quanto dinheiro foi gasto, mas se cada GPU consegue se pagar sozinha. 📌 Primeiro, veja os dados mais impressionantes: • A DeepSeek revelou: um único cluster pode processar 155 trilhões de tokens por dia. • Convertendo pelo preço público da API em horário de baixa demanda, teoricamente cada hora de GPU gera US$ 38 em receita. • Extrapolando anualmente de forma aproximada, uma única GPU pode gerar mais de US$ 330.000 em receita cobrável. Isso não é “lucro”, nem um número fácil de ganhar — é apenas a capacidade teórica de cobrança. Mas é crucial — indica que, se a otimização de inferência for suficientemente agressiva, a GPU pode deixar de ser apenas um buraco negro de custo e se tornar uma máquina que gera fluxo de caixa. 📌 Como foram alcançados os US$ 38? • O DeepSeek V4.1 Flash possui 552 bilhões de parâmetros totais e utiliza arquitetura MoE. • Ao processar entradas, cerca de 8 bilhões de parâmetros são ativados; ao gerar saídas, cerca de 16 bilhões. • O uso global do KV Cache foi reduzido para cerca de 1/4 da geração anterior; o cache de longo prazo caiu para cerca de 1/8. • Cada token consome aproximadamente 890 bytes de KV Cache global, com suporte máximo a 1 milhão de tokens de contexto. Em outras palavras, não é com “cartões mais caros” que eles ganham dinheiro, mas com engenharia de sistema mais agressiva: paralelismo de especialistas, decodificação por especulação, agendamento assíncrono, separação de Prefill/Decode e manter o KV Cache ativo o máximo possível. Em resumo: com o mesmo conjunto de GPUs, quem fizer menos cálculos repetidos estará mais próximo de uma máquina de imprimir dinheiro. 📌 Mas não veja os US$ 38 como a média da indústria: • O DeepInfer não abriu totalmente todos os componentes do ambiente de produção. • Componentes-chave como sistema KV Cache, orquestração de serviços e balanceamento de carga entre réplicas ainda precisam ser complementados externamente. • Atualmente é compatível principalmente com o DeepSeek-V4.1 Flash; outros modelos não podem ser facilmente replicados. Portanto, baixar o framework ≠ replicar receita. Os US$ 38 são mais como um “showroom” em estado de engenharia avançada — não algo que qualquer um possa copiar com algumas GPUs. 📌 Por que muitas empresas de modelos ainda perdem dinheiro, mesmo com inferência cada vez mais eficiente? • Estimativas do Stanford HAI / Epoch AI: a OpenAI terá despesas computacionais de cerca de US$ 16,3 bilhões em 2025, sendo US$ 8,3 bilhões em pesquisa e US$ 8 bilhões em inferência. • Em comparação com 2024, as despesas com inferência da OpenAI saltaram de US$ 1,8 bilhão para US$ 8 bilhões — um aumento de cerca de 3,4 vezes. • A Anthropic terá despesas computacionais de cerca de US$ 6,8 bilhões em 2025, sendo US$ 4,1 bilhões em pesquisa e US$ 2,7 bilhões em inferência. Essa é a verdade: treinamento e inferência são dois livros contábeis diferentes. Você pode vender tokens, mas isso não significa que não precise continuar gastando dinheiro para desenvolver o próximo modelo; e quanto mais usuários você tiver, mais a conta de inferência cresce. Reduzir o custo unitário não significa reduzir o custo total. A indústria da IA é como construir uma rodovia — quanto mais carros passam, mais você cobra, mas também aumentam os custos de manutenção, expansão e juros do financiamento. 📌 Vender apenas tokens pode ser um negócio viável? Resposta: pode ser, mas não é fácil. O artigo apresenta um cálculo sensível bem direto: • Se o custo total for de US$ 10 por hora por GPU; • A receita teórica máxima por hora por GPU é de US$ 38; • Então, basta atingir cerca de 26,3% da produção cobrável efetiva para cobrir os custos. • Se a produção cobrável efetiva atingir 50%, a receita por hora será cerca de US$ 19 — após deduzir os US$ 10 de custo, restam US$ 9. Esse modelo é atraente — mas a realidade não é romântica. Throughput, concorrência, latência, estrutura dos clientes, picos de tráfego e tempo ocioso consomem os lucros imaginados. E quando começa uma guerra de preços, parte da eficiência ganha geralmente é repassada aos clientes. 📌 CoreWeave também mostra a outra face com realismo: • Receita no segundo trimestre de 2026: US$ 2,575 bilhão — aumento de cerca de 112% ano a ano. • EBITDA ajustado: US$ 1,51 bilhão — margem de 59%. • Mas sob GAAP, ainda registrou prejuízo líquido de US$ 626 milhões. • Depreciação e amortização no trimestre: US$ 1,393 bilhão; juros líquidos: US$ 640 milhões. Percebe? Negócio de capacidade computacional não é “ter receita = ter lucro”. GPUs se desvalorizam, expansão depende de financiamento e juros são uma sombra constante. Ter lucro bruto não significa manter lucro líquido. 📌 A camada de aplicação está ainda mais em apuros: demanda cresce, mas lucratividade nem sempre acompanha: • O Cursor tinha margem bruta negativa de -23% até o primeiro trimestre de 2026; se todos os custos de inferência dos usuários gratuitos forem incluídos, chega a -31%. • https://t.co/RxWvQzBAAu solicitou proteção contra falência com cerca de 12 milhões de usuários ativos mensais; receita em agosto de 2026 foi de US$ 5,3 milhões, mas prejuízo mensal ainda girava entre US$ 8 e 9 milhões. • Nos primeiros oito meses de 2026, https://t.co/RxWvQzBAAu gastou US$ 56,1 milhões em capacidade computacional — cerca de 45% das despesas operacionais. • Por outro lado, o Midjourney teve receita significativamente superior a US$ 200 milhões em 2023 e permaneceu lucrativo. Mesmo sendo ambos nativos da IA, os destinos são muito diferentes. A razão não é misteriosa: usar IA não cria automaticamente um modelo de negócio viável — o ponto chave é se o valor da tarefa realizada cobre os custos de inferência e operação. 📌 A maior oportunidade talvez esteja nos Agentes: • A Menlo Ventures estima que os gastos globais dos consumidores em IA atingiram US$ 40 bilhões em 2026 — mais que triplicaram em relação aos US$ 12 bilhões em 2025. • Mas a taxa de uso da IA entre adultos nos EUA subiu apenas de 61% para 64%. Ou seja: novos usuários não explodiram — o que explodiu foi o uso mais profundo e maior pagamento por usuários existentes. O mercado agora aposta não apenas em quantas conversas ocorrem, mas em quantas tarefas o AI consegue realizar por dia para você: e-mails, compras, agendamentos, operações em software, coordenação entre serviços — esses são os verdadeiros motores que podem amplificar o consumo de tokens. Mas ainda preciso derramar uma água fria: mais tokens não significam melhor negócio. Se um produto Agent gera US$ 20 por mês por usuário, mas gasta US$ 30 em modelos e ferramentas, ele apenas sustenta as GPUs do upstream — e não a si mesmo. Minha avaliação é simples: 1. Os US$ 38 por hora por GPU mostram que o negócio da inferência da IA “pode funcionar” — e o valor da otimização técnica está severamente subestimado. 2. Mas entre “ser cobrável” e “ser lucrativo”, existem quatro paredes: utilização, poder de precificação, custo do capital e valor do produto. 3. Quem realmente atravessará ciclos não será necessariamente quem mais gasta GPUs — mas quem melhor transformar tokens em resultados reais e úteis.Se, no futuro, cada agente estiver trabalhando, comprando, negociando e executando processos em nome dos humanos, a questão não será mais “Quanto vale o token?”, mas sim — quanto valor meu agente criado trouxe para você? Essa é a conta que mais me importa.

A lógica de investimento em IA está sendo submetida a um exame financeiro mais rigoroso. O aumento no uso não equivale mais automaticamente ao aumento na receita; a concentração em clientes principais, a queda nos preços dos tokens e a desaceleração no crescimento dos pagamentos corporativos estão trazendo a comercialização da IA de volta ao exame de “lucro e fluxo de caixa”.

Quando a mente é desvalorizada, as mãos humanas, a temperatura corporal, a presença e as decisões éticas tornam-se extraordinariamente valiosas. O artigo discute a afirmação do cofundador da Anthropic, Jack Clark, em discurso no FMI de que “o ponto de singularidade já chegou”, prevendo que, até 2030, a IA poderá elevar o PIB dos EUA para US$ 44,4 trilhões, um aumento de 32,4% em relação ao cenário base de US$ 33,5 trilhões. O texto cita diversos dados de avaliação: Humanity’s Last Exam subiu de 8% para 67,7%; Frontier Math passou de 2% para 94%; TheoPhys Eval, após correção, atingiu 98%. Além disso, enfatiza que o RSI (autoaperfeiçoamento recursivo) está acelerando, com a capacidade de desenvolvimento autônomo dos modelos da Anthropic em cerca de 37%, prevendo-se que atinja 50%-60% até 2027. O artigo conclui que trabalhos baseados em memória e rotinas podem ser esmagados, enquanto profissões que dependem de presença física, trabalho emocional e julgamento ético tenderão a ganhar maior valor.

Para verificar se esse aplicativo que não permite que os usuários modifiquem o código manualmente funcione, Embiricos perguntava diariamente aos colegas ao chegar ao escritório: “Você o usou como sua ferramenta principal hoje?”. O OpenAI Codex passou de uma derrota na nuvem para um ressurgimento no desktop, com sua ativação semanal aumentando de 5 milhões para mais de 40 milhões combinados com o ChatGPT for Work, refletindo a evolução dos produtos de agentes de programação da forma terminal/nuvem/editor para uma forma desktop nativa de agente. O artigo gira em torno do GPT-5, modelos de raciocínio, autoalimentação, empreendedorismo interno paralelo e a visão assíncrona na nuvem.

Jin Lei, de Aofei Temple, QbitAI | Canal do WeChat: MiniCPM-V 4.7 é aberto, o MoE 35B-A3B pode funcionar suavemente offline em dispositivos de borda como o iPhone 17 Pro Max. O artigo apresenta seu desempenho em tarefas como compreensão de gráficos, verificação de recibos, raciocínio sobre regras de estacionamento e conversão de artigos para Markdown, explicando tecnologias-chave como o agendamento de especialistas LES, quantização de precisão mista e fine-tuning por auto-replay; além de discutir o crescimento das vendas de smartphones com IA de borda em 2026, custos de memória e adaptação ecológica.