A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
Um novo repositório chamado OpenArch disponibiliza implementações em Python/PyTorch de arquiteturas modernas de LLMs de código aberto, feitas do zero e organizadas uma por vez. O projeto reúne modelos baseados no catálogo de LLM Architecture Gallery, com escolhas estruturais como tipos de atenção, normalização, codificação posicional, roteamento de MoE e variações como MHA, GQA, MQA, RoPE e MoE denso ou esparso.
O objetivo do OpenArch não é competir com bibliotecas de produção, e sim facilitar o aprendizado com arquivos legíveis e comparáveis entre si. Implementações marcadas como ✅ podem ser usadas em forward passes, enquanto as marcadas como 🚧 ainda estão em construção; o repositório também incentiva contribuições para adicionar modelos, documentar decisões e criar testes de carregamento de pesos oficiais.
Um modelo de linguagem com 3,8 bilhões de parâmetros foi treinado por US$ 998 e obteve 0,384 no benchmark CORE. O treinamento usou 65 bilhões de tokens em 43 horas, com o projeto descrito como uma iniciativa feita do zero, com infraestrutura própria e execução em GPUs alugadas.
O autor relata que o resultado foi possível ao ajustar detalhes como agendamento de taxa de aprendizado, escolha de otimizadores por tipo de parâmetro e melhorias de eficiência no treino. Também são citadas mudanças na mistura de dados, uso de FP8 com padding de vocabulário e redução do contexto para 1024 tokens, além de métricas de desempenho durante a execução.
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.
A ByteDance, dona do TikTok, está treinando um novo modelo de IA que pode chegar a 10 trilhões de parâmetros, segundo apuração do Financial Times. O sistema estaria em pré-treinamento, etapa que dura de três a seis meses, e o tamanho final ainda pode variar. A estimativa é que ele seja cerca de três vezes maior que o Kimi K3, da Moonshot, e que aproxime a empresa da liderança da Anthropic, embora esses números não sejam confirmados pelas companhias.
A notícia importa porque reforça a corrida por modelos cada vez maiores e destaca que parâmetros não garantem desempenho sozinhos: dados e método de treinamento pesam tanto quanto. Para o mercado, a estratégia da ByteDance também chama atenção por ter restrições internas ao uso de destilação — técnica comum para acelerar desenvolvimento — e por manter modelos mais fechados, o que pode influenciar como o ecossistema de IA se integra a produtos e ofertas futuras.
A startup WindBorne Systems, que coleta dados com balões meteorológicos de longa duração e usa modelos de IA para previsões, levantou uma rodada Series B de US$ 37 milhões. A captação foi liderada por Khosla Ventures e Galvanize, com participação de TransLink Capital, Lux Capital e investidores anteriores, e a empresa foi avaliada em US$ 250 milhões. Fundada em 2019, a WindBorne opera cerca de 20 locais de lançamento e mantém aproximadamente 600 balões no ar, inclusive em áreas difíceis como o “olho” de tufões.
O foco agora é transformar previsões mais precisas em decisões práticas para empresas, indo além do mercado governamental. A companhia já vende dados para agências como o National Weather Service dos EUA e trabalha com a Força Aérea e a Marinha em parcerias de pesquisa; com a nova rodada, planeja ampliar o time comercial e facilitar a integração dos alertas meteorológicos aos fluxos de trabalho privados. A aposta é que ferramentas de IA reduzam o custo e a complexidade de “colocar a previsão para funcionar”.
Empresas que fornecem dados para treinar modelos de IA, como a ISBNdb, têm sido apontadas como fonte para alimentar LLMs com livros impressos. A justificativa é que esses materiais seriam “mais limpos”, ajudando a reduzir problemas como AI slop e melhorando a qualidade das respostas. O lado controverso é a falta de transparência nas compras em grande escala e o receio de que exemplares sejam destruídos após a digitalização, inclusive com impactos em obras raras. O tema também reacende debates sobre origem e governança dos dados usados por sistemas generativos.
