Acabei de ler este artigo e ele reorganizou silenciosamente como penso sobre o treinamento de IA em geral. O núcleo dele é que ninguém realmente se torna bom a partir do trabalho final; em vez disso, você se torna bom a partir da marcação, da parte em que alguém mais experiente mostra o que estava errado e por quê. A edição é a lição, não o rascunho final limpo... E é exatamente assim que a IA se tornou boa em código também. Ela nunca aprendeu com código finalizado; ela aprendeu com os diffs. Cada correção, cada reescrita, cada “não, faça assim” que o git acabou por salvar ao longo dos anos. Mas em todos os outros lugares, jogamos essa parte fora. O apresentação é enviada, o memorando é arquivado, o contrato é assinado, e o pensamento que o produziu desaparece. Um documento é a saída de um julgamento com o julgamento removido. > É por isso que “capturar seu conhecimento” buscando documentos antigos nunca funcionou. Cada empresa construiu um sistema de registro... o que ela sabe. Ninguém construiu o sistema de julgamento... o que realmente decide ser bom. E o julgamento é revelado, não declarado... entrevistas mentem, edições não. > Esse é o ponto que o debate sobre “não treinável / correção privada” continua perdendo: não é não treinável, ele simplesmente vive no único lugar que todos apagam. Pergunte a qualquer empresa sobre sua taxa de aceitação e ela nem consegue lhe dizer... ninguém guardou as marcações. Software simplesmente acabou guardando seus comprovantes. Direito e finanças nunca construíram seu git. O julgamento está no diff.

Engenheiros da Anthropic acabaram de construir um aplicativo completo do zero usando apenas um ciclo de agentes. 40 minutos da equipe que desenvolve o Claude Code. Três agentes operando em um ciclo: um planeja, um constrói, um avalia, repetindo até que o aplicativo funcione realmente. Ninguém nesse demo escreveu o mesmo prompt duas vezes. Eles projetaram o ciclo uma única vez e foram embora. Assista, depois leia o guia completo sobre como construir um abaixo.

Pensei que estivesse atrasado no mundo da IA, mas após uma pesquisa intensa, acredito que é apenas o começo. Claro, nada sobe em linha reta. Bolhas e colapsos ocorrerão. Mas não se envolver com ela e chamá-la de bolha é inaceitável.

Pode um juiz de IA cometer erros de raciocínio semelhantes aos humanos? Jogue dois dados. Pelo menos um é um 6. Muitos dizem 1 em 6 Correto: 1 em 11 Uma armadilha lógica simples — também observada em modelos de IA. #AI #Ontology #DID #Web3

Uma limpeza de 2 minutos pode fazer com que o Claude se sinta como se você tivesse atualizado os modelos. O vídeo não trata de algum prompt secreto. Trata-se de excluir o lixo que você já forneceu ao Claude. Habilidades antigas, conectores inativos, ferramentas parcialmente utilizadas, instruções aleatórias de espaço de trabalho, experimentos abandonados. Tudo isso pode permanecer no fundo e envenenar silenciosamente o contexto. Então as pessoas dizem: “o Claude piorou.” Talvez. Ou talvez você o tenha transformado em um navegador lotado com 47 abas abertas e pedido que ele pensasse com clareza. Isso importa porque o desempenho do agente não depende apenas da qualidade do modelo. É higiene do contexto, disciplina das ferramentas e quanto lixo irrelevante o sistema precisa carregar antes de responder. O artigo trata realmente da mesma lição para o operador: IA mais inteligente não salva uma configuração bagunçada. O modelo pode ser potente e ainda assim produzir trabalho fraco se o ambiente ao redor dele for barulhento. Às vezes, o gargalo não é o Claude. É a gaveta de lixo que você conectou a ele.

Uma coisa que me chamou a atenção sobre o ExpRL é que ele expõe uma limitação da forma como atualmente pensamos sobre o progresso da IA. A maioria dos benchmarks mede apenas se o modelo chega à resposta correta. Raramente medem quantas ideias úteis foram exploradas e descartadas ao longo do caminho. A inovação humana muitas vezes surge de tentativas falhas, não de tentativas perfeitas. Um cientista pode testar centenas de hipóteses erradas antes de encontrar a correta. Mas o RL tradicional trata cada caminho falho como igualmente sem valor. O ExpRL sugere que pode haver informações valiosas escondidas dentro dessas falhas. Essa ideia parece importante além dos benchmarks matemáticos. À medida que os agentes de IA se tornam mais capazes, os vencedores podem não ser os modelos que encontram respostas mais rapidamente, mas sim os modelos que aprendem mais com os erros. É também por isso que a verificação importa. Sem maneiras confiáveis de avaliar o raciocínio e os resultados intermediários, não conseguimos distinguir exploração produtiva de pura alucinação. O futuro da IA pode depender menos de gerar respostas e mais de entender quais erros valem a pena aprender. @ritualnet

O único tweet que você precisa para sobreviver à IA. Recentemente sentei e escrevi 10 "regras" para sobreviver à próxima era da IA. Nada de conteúdo genérico de IA — apenas meus pensamentos genuínos. Se você está preocupado com a substituição de empregos ou qualquer um dos efeitos colaterais da IA, espero que leia isto: Regra #1: Seja rápido A habilidade número um na era da IA é alta agência. A informação já não é mais uma vantagem competitiva. Sua vantagem agora é a velocidade. Torne-se alguém que toma ação rapidamente. Regra #2: Crie um negócio A IA está criando MUITAS oportunidades de negócio. A informação agora é abundante, e você não tem desculpa para não construir um negócio com fluxo de caixa. Regra #3: Use IA todos os dias Ser nativo da IA já não é opcional. Integre-a à sua vida e faça esforço para estar na vanguarda. Regra #4: EQ > IQ Quando todos têm acesso às mesmas ferramentas de IA, o diferencial já não é a inteligência; é sua capacidade de se conectar com outras pessoas. Regra #5: Priorize a saúde Comece com coisas simples: sono, exercício, hidratação e alimentação. Regra #6: Construa uma marca pessoal A distribuição é a nova vantagem competitiva. Criar conteúdo é gratuito, e é o melhor canal de distribuição. Regra #7: Aprenda a vender Essa é a habilidade que ninguém fala. A IA pode construir o produto, escrever o texto, projetar o site e executar os anúncios, mas ainda não consegue criar conexões humanas. Regra #8: Invista Invista em você mesmo (habilidades) e em IA (picaretas e pás). Esta é a maior bolha que já vimos — aproveite-a. Regra #9: Faça networking Construa sua rede. Sua rede é sua rede de segurança final e como você conseguirá novas oportunidades. Regra #10: Mantenha-se curioso Essa é a meta-habilidade que alimenta tudo o acima. Aqueles que conseguem aprender e iterar rapidamente são agora mais valiosos do que nunca. Salve isto para não esquecer.

[APRO Intelligence #07] ──────────────── A IA é incrível em STEM, programação e matemática. Mas em empatia, julgamento estético, ler o ambiente, perceber causalidade lenta — a IA ainda está muito, muito longe de nós. Daniela, da Anthropic, expressou perfeitamente: “Estamos entrando em uma era em que o núcleo humano está se tornando sem precedentes em custo.” Desenvolva com IA. Não se esqueça do que te torna insubstituível. → @APRO_Oracle

Guillermo Rauch, CEO da @vercel: "toda tarefa no mundo eventualmente se torna uma tarefa de programação. é por isso que todos os laboratórios estão correndo para a mesma coisa... um agente de programação que opera sem você." A explicação mais clara sobre para onde a IA de programação realmente irá a seguir. Vale mais do que qualquer curso de agente de $500. Assista, depois leia como executar um enquanto você dorme abaixo.