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.
Uma pesquisa apresenta um método para traduzir embeddings de texto entre espaços vetoriais diferentes sem dados pareados, sem encoders e sem conjuntos pré-definidos de correspondências. O trabalho propõe uma abordagem não supervisionada que mapeia embeddings para uma representação latente universal, descrita como uma estrutura semântica conjecturada pela Platonic Representation Hypothesis, preservando a geometria dos vetores. Os autores relatam alta similaridade cosseno entre modelos com arquiteturas, tamanhos de parâmetros e conjuntos de treino distintos.
A capacidade de converter embeddings desconhecidos para outro espaço mantendo sua estrutura é apontada como relevante para a segurança de bases vetoriais. O texto destaca que um adversário que tenha acesso apenas aos vetores pode extrair informações sensíveis dos documentos, o suficiente para classificação e inferência de atributos.
Um trabalho no arXiv propõe que redes neurais, apesar de operarem com vetores contínuos, podem desenvolver internamente uma estrutura simbólica. Os autores mostram que representações vetoriais de diferentes redes neurais podem ser aproximadas por estruturas simbólicas, permitindo substituir o processo de geração de representações por uma equação de forma fechada sem alterar significativamente o comportamento. O estudo inclui desde redes menores treinadas para manipular listas até grandes modelos de linguagem (LLMs) em domínios como aritmética, lógica, código e linguagem.
A pesquisa também indica que intervenções precisas nas representações internas de um LLM conseguem modificar seu comportamento de forma direcionada. Com isso, os resultados sugerem que a atuação do modelo depende das estruturas simbólicas identificadas, ajudando a aproximar visões tradicionais de inteligência baseada em símbolos do funcionamento vetorial dos sistemas modernos.
Pesquisadores do Arc Institute, na Califórnia, usaram um modelo de IA chamado Evo para desenhar vírus que não existem na natureza e demonstrar que eles conseguem se replicar. O sistema foi treinado com cerca de 9 trilhões de nucleotídeos de milhões de organismos e, após um novo ajuste para o bacteriófago Phi X-174, gerou cerca de 700 mil sequências potenciais; 285 foram sintetizadas e testadas em laboratório. No fim, 16 genomas projetados pela IA produziram vírus viáveis e capazes de infectar outras bactérias, com alguns se multiplicando até mais rápido que o vírus natural.
O avanço pode acelerar aplicações em biotecnologia e medicina, como o desenvolvimento de vetores para terapias gênicas. Ao mesmo tempo, reacende preocupações de biossegurança: especialistas apontam que modelos capazes de gerar genomas podem, no futuro, ser usados para criar variantes mais perigosas, e cobram mecanismos regulatórios e avaliação de risco mais alinhados ao ritmo da IA na área biológica.
Uma pesquisa apresenta um framework formal para operadores de atenção em Large Language Models usando Persistent State Machines (PSMs), com provas matemáticas para limites de erro de quantização e uma construção discreta do Softmax sob hipótese de logits limitados. A proposta também é validada com implementação em FPGA: um array de 1024 células em Zynq-7000 (xc7z020) e uma integração em SoC com PCIe no UltraScale+ (xcvu9p), incluindo interconexões AMBA AXI4 e ponte PCIe Gen3 via XDMA. Nos testes, a lógica fechou timing a 62,5 MHz (WNS +1,854 ns) e a simulação com mais de mil vetores aleatórios bateu bit a bit com uma referência em software fix-point.
O que muda na prática é a tentativa de tornar a atenção mais “hardware-friendly”, usando transições locais determinísticas em células estacionárias e gating para reduzir comutação ativa. Para devs/tech, isso sinaliza caminhos para acelerar e baratear inferência de LLM em dispositivos programáveis, com foco em eficiência energética e escalabilidade — embora os números de energia sejam estimativas de ferramenta, não medições em placa.
