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.
O Google prepara para 1º de outubro o lançamento do satélite experimental MVP, parte do Project Suncatcher, para processar consultas simples do Gemini em órbita. A iniciativa busca testar a viabilidade de data centers formados por frotas de satélites alimentados por energia solar, conectados para dividir cargas de processamento de IA.
O MVP levará quatro TPUs, com capacidade equivalente à de um servidor convencional, e painéis solares de cerca de 1 kW para executar consultas curtas e avaliar o comportamento do hardware no ambiente espacial. O projeto também enfrenta desafios como resfriamento no vácuo e efeitos da radiação, além de custos e dificuldades de manutenção e comunicação entre satélites.
Muita gente monta sistemas RAG de forma “over-engineered”, indo direto para embeddings, bases vetoriais e pipelines de reranking, mas o texto defende que o ponto de partida pode ser mais direto. A recomendação é escolher a abordagem conforme necessidades como atualização dos dados, características do corpus, padrões de consulta, escala de uso e capacidade do time.
O guia sugere começar pelo “MVP” com busca full-text usando BM25 (como Elasticsearch ou Postgres full-text search) quando as consultas são mais baseadas em palavras-chave e a prioridade é evitar complexidade de ML. Para consultas conversacionais ou com vocabulário desalinhado, a proposta é usar um LLM para reescrever a pergunta em uma busca keyword, e, quando fizer sentido, evoluir para busca híbrida combinando BM25 para candidatos e embeddings para reranking.
Um artigo no Hacker News usa a metáfora de “greenhouse” (estufa) e “lens” (lente) para explicar dois modos de trabalho com IA agentica. Na estufa, a IA gera muitas possibilidades sem um plano rígido, como quando Claude Code produziu dezenas de ferramentas para um plotter AxiDraw e um app macOS/SwiftUI que converte Markdown em documentos Word — depois, o autor avalia e seleciona o que presta. Já no modo lente, o objetivo é bem definido: a IA propõe alternativas, mas o foco é concentrar esforços no caminho até “done”, descartando o resto.
A diferença prática é que a frustração comum surge quando a pessoa usa o modo errado: explorar demais quando deveria entregar, ou tentar finalizar cedo demais quando ainda não há alvo claro. O texto defende que a habilidade mais avançada é reconhecer em que “modo” você está e ajustar o rumo, apoiando-se em expertise do domínio para evitar saídas plausíveis, porém erradas, e para detectar “drift” do objetivo.
:quality(85)/f2d2b728-0881-4d85-8561-8a2f43401b00.png)
