Modelos menores de inteligência artificial podem estar a poucos meses de conseguir se replicar em dispositivos conectados à internet sem ajuda humana, segundo alerta da Anthropic. A empresa testou essa capacidade em aparelhos como televisores com Android e eletrodomésticos inteligentes.
O avanço chama atenção para os riscos de disseminação automática de IA em ambientes do dia a dia, fora do controle direto de usuários. Com a replicação em dispositivos domésticos, cresce a necessidade de avaliar segurança e limites para esse tipo de tecnologia em produtos conectados.
A Meta anunciou a série de modelos de inteligência artificial Muse Wonder, com versões Muse Wonder e Muse Wonder Full, voltadas a executar tarefas complexas com mais autonomia. Os agentes contam com memória entre conversas e conseguem manter um objetivo mesmo diante de erros, com aplicações que vão de organização de finanças pessoais à análise de contratos e ao desenvolvimento de softwares.
O Muse Wonder já está disponível para desenvolvedores e criadores via Meta Model API e Muse Code, enquanto o Muse Wonder Full é exclusivo para assinantes do Muse Code. A Meta diz que os modelos usam Active Memory para recuperar informações relevantes de interações anteriores e Active Focus para perseguir objetivos, testar abordagens, corrigir erros e solicitar confirmação do usuário antes de ações importantes, além de reforçar segurança e proteção de dados.
Um engenheiro da OpenAI é acusado de esconder um dispositivo de gravação de áudio em um pedaço de papel higiênico e instalá-lo atrás de um monitor em uma sala de reuniões executivas em um escritório em São Francisco. Segundo uma queixa criminal tornada pública, Abdulrahman Alfozan teria passado semanas consultando um “productivity agent” e um chatbot de IA para planejar a operação, incluindo o uso de uma ferramenta interna para checar reuniões no local.
A acusação também afirma que ele teria usado uma conta de chatbot ligada à esposa para tirar dúvidas técnicas sobre a instalação do equipamento. Após uma varredura de contravigilância em 30 de setembro, a equipe de segurança da OpenAI encontrou o dispositivo e acionou o FBI, além de desativar gradualmente o acesso de Alfozan aos sistemas da empresa durante a investigação.
Um leitor escreveu a Mark Seemann uma carta com perguntas sobre como aprender programação na era dos LLMs, e ele respondeu publicamente com trechos extensos do texto. Seemann relata que, há cerca de um ano, começou a construir um sistema grande com TypeScript/JavaScript usando LLMs, envolvendo APIs, PostgreSQL, pipelines com modelos e fluxos multi-modelo. No início, a experiência pareceu “mágica”, mas ao tentar levar o sistema a um produto de verdade, ele diz que passou a corrigir erros e, em seguida, surgirem novos problemas em partes que não compreendia totalmente.
A dificuldade, segundo ele, é que o sistema pode ficar “acima do nível de entendimento” de quem o criou: quando tudo funciona, a lacuna quase não aparece, mas quando falha, ela se torna evidente. Seemann afirma que, em alguns momentos, não sabe o que fazer sem pedir ajuda a outro modelo, e levanta a questão sobre qual deve ser a relação correta entre profissionais e LLMs para manter domínio real do que está sendo construído.
Machine learning, ou aprendizado de máquina, é uma área da computação em que o programa aprende com exemplos em vez de seguir regras escritas por humanos. Em vez de programar “se X acontecer, faça Y”, o sistema recebe milhares de dados e identifica padrões para fazer previsões, como no reconhecimento de gatos a partir de fotos. O termo foi popularizado por Arthur Samuel na década de 1950.
Machine learning não é a mesma coisa que inteligência artificial: a IA é o campo maior e o machine learning é um dos caminhos, com o deep learning usando redes neurais de várias camadas. O aprendizado acontece em etapas como dados, treinamento e ajuste, com ciclos repetidos até melhorar as previsões, e existem tipos como supervisionado, não supervisionado e por reforço. Mesmo assim, algoritmos erram quando os dados são incompletos, desatualizados ou enviesados, além de limitações como alucinação e overfitting.
Você provavelmente já usou inteligência artificial hoje, mesmo sem perceber: o celular reconhece seu rosto, o app de mapas sugere desvio no trânsito e o banco bloqueia compras suspeitas. Por trás disso, a IA reúne técnicas que permitem que máquinas façam tarefas como reconhecer imagens, entender frases e prever comportamentos, aprendendo com exemplos em vez de seguir regras fixas.
O avanço recente foi impulsionado por mais dados, maior poder de processamento e métodos como o Transformer, que ajudaram a popularizar modelos de linguagem como o ChatGPT no fim de 2022. Ao mesmo tempo, a tecnologia traz riscos como vieses nos dados, “alucinações” em modelos de linguagem e impactos no emprego, além de discussões sobre regulação em países como a União Europeia e projetos no Congresso do Brasil.
Cientistas apontam um “gap de eficiência de dados” entre crianças e máquinas: enquanto modelos de linguagem como GPT, Claude e DeepSeek conseguem conversar com fluência, eles dependem de volumes enormes de texto para chegar a esse nível. A discussão ganha força quatro anos após o lançamento do ChatGPT, destacando que ensinar computadores a usar linguagem humana ainda exige uma quantidade de dados muito maior do que a observada na infância.
Pesquisadores citam que uma criança pode ouvir algo na ordem de 100 milhões de palavras em um ambiente linguístico rico, chegando a cerca de 300 milhões com a alfabetização, enquanto modelos modernos são treinados com dezenas de trilhões de tokens. Ao “reverter” o modo como crianças aprendem, a meta é criar modelos de IA mais eficientes em dados e com aplicações como treinar IA para vídeo e desenvolver chatbots para comunidades que falam línguas minoritárias.
