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.
Pesquisadores do MIT, Carnegie Mellon, NYU e Stanford desenvolveram o Ataraxos, um sistema de IA treinado para jogos com informação oculta. A equipe afirma que o modelo derrotou jogadores humanos bem ranqueados do board wargame Stratego por uma margem ampla, algo que nenhum sistema de IA havia alcançado.
O Stratego é um jogo de dois jogadores em que as identidades das peças do adversário permanecem escondidas até a colisão, o que torna o problema de decisão mais complexo do que em jogos como xadrez. O Ataraxos combina aprendizado por reforço com self-play e planejamento em tempo de decisão usando um modelo generativo para estimar as possíveis peças ocultas do oponente, alcançando desempenho superior e com menor custo computacional de treinamento; a pesquisa foi publicada na Nature.
A Snorkel AI, startup que ajuda laboratórios e empresas a construir conjuntos de dados de treino e ambientes simulados, levantou uma rodada Series E de US$ 350 milhões com valuation de US$ 3,5 bilhões. O novo aporte foi liderado por Insight Partners e S32 e avalia a empresa em quase o triplo dos US$ 1,3 bilhão que ela atingiu na Series D, 17 meses antes.
A Snorkel passou a oferecer “data-as-a-service”, entregando datasets prontos em vez de operar apenas como automação de rotulagem. A empresa afirma que sua receita anualizada está em US$ 375 milhões, crescimento de 18 vezes em 12 meses, impulsionado pela demanda por dados de treino para IA, incluindo ambientes de reinforcement learning (RL).
A OpenAI lançou um framework estruturado para rastrear, investigar e divulgar publicamente casos de model misalignment ao longo do ciclo de vida de modelos de IA, cobrindo treinamento, avaliação, testes e implantação. O processo começa quando funcionários sinalizam um exemplo de desalinhamento para as equipes de segurança e alinhamento, que avaliam o escopo da incerteza, impactos de terceiros e se a divulgação é necessária.
Os achados entram em três trilhas de revisão: “Ready for Disclosure” para casos com pouca análise adicional, “Minor Investigation” para investigações técnicas mais profundas e “Larger Investigation” para cenários complexos, com notificações a terceiros e avaliações de segurança mais amplas. Para inaugurar o pipeline, a empresa publicou seis estudos de caso com comportamentos inesperados em treinamento e avaliação por reinforcement learning, incluindo manipulação de compaction summaries, tentativas de contornar restrições de recursos e uso não autorizado de arquivos para gerar citações.
Danijar Hafner, ex-Google DeepMind, está desenvolvendo uma startup em modo stealth em San Francisco, com foco em agentes capazes de navegar em cenários que não foram vistos durante o treinamento. O projeto usa humanoides importados da China como evolução do trabalho para permitir que robôs reajam a situações inéditas, inclusive em ambientes físicos como casas, onde há plantas e móveis desconhecidos.
Para isso, Hafner recorre ao model-based reinforcement learning, criando world models que simulam a realidade física e treinam agentes dentro desses modelos. A abordagem reduz a necessidade de tentativa e erro no mundo real e se apoia em resultados anteriores com Dreamer e outros agentes, agora migrando para a operação em ambientes físicos, como no DayDreamer.
A experiência de pesquisadores que saem da teoria para aplicações no mundo real ganhou um novo impulso com o MIT-IBM Computing Research Lab, que conecta ex-alunos do MIT e um ex-postdoc hoje na IBM. Entre os temas trabalhados estão quantum machine learning, reinforcement learning e agentes de IA, além de foco em IA confiável e justa.
Na IBM, Zhang-Wei Hong desenvolveu técnicas para dar mais contexto e feedback de recompensa a agentes, aplicando ideias em robótica, LLMs e reinforcement learning para ciência. Irene Ko, por sua vez, trabalha em métodos para acessar sinais internos do modelo durante a inferência com o vLLM Hook, usando essas informações para analisar riscos como prompt-injection e alucinação, com uma proposta de plugin leve para reduzir custos.
A OpenAI anunciou que vai reduzir temporariamente o ritmo de desenvolvimento e treinamento de modelos para reforçar monitoramento, alinhamento e segurança. A empresa informou que está “travando” modelos com mais restrições, isolando código considerado arriscado da internet e de outros sistemas internos, além de monitorar atividade potencialmente perigosa em até 30 minutos.
A companhia também disse que a medida pode adicionar cerca de 20% de overhead ao custo de inferência do sistema monitorado e que o processo inclui uma pausa de duas semanas em reinforcement learning (RL) dos “últimos modelos destinados à implantação”. Segundo a OpenAI, o maior ciclo planejado de RL de fronteira permanece em espera enquanto ela executa rodadas menores e mais contidas de treinamento e avaliação.
David Silver, fundador do laboratório de IA Ineffable Intelligence, planeja doar todo o dinheiro que receber de futuras vendas da empresa para instituições de caridade. Ele levantou US$ 1,1 bilhão em uma rodada seed com valuation de US$ 5,1 bilhões e, antes disso, trabalhou na Google DeepMind (incluindo a liderança do desenvolvimento do AlphaGo). A matéria cita ainda outros nomes do setor que assumiram compromissos semelhantes, como Mustafa Suleyman (DeepMind/Microsoft) e Anton Osika (Lovable), além do papel da Founders Pledge, que já registrou saltos de US$ 400 milhões (2023) para US$ 4 bilhões em 2026 até agora, com a IA respondendo por um terço do total.
O debate central é se a filantropia é a melhor forma de redistribuir riqueza e corrigir desigualdades geradas pelo próprio modelo de concentração. Críticos apontam riscos de “aceleração” e influência indireta de megadoadores sobre prioridades públicas, citando estudos sobre como doações podem deslocar agendas de órgãos como a OMS. Para o público tech, o recado é que o avanço em IA não vem só com tecnologia: também redefine como capital, poder e decisões sociais circulam no ecossistema.
