A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
Menus gerados por inteligência artificial têm chegado a restaurantes com ilustrações que parecem “perfeitas demais”, simétricas e suavizadas, levando clientes a desconfiar mesmo sem conseguir explicar o motivo. O problema aparece tanto em imagens claramente falsas quanto em versões tão comuns que só ficam estranhas quando observadas com mais atenção.
Especialistas apontam que modelos como LLMs e difusão aprendem padrões de conjuntos de dados voltados à “agradabilidade”, o que pode levar à homogeneização e ao “shave off the edges” (apagamento de arestas). A discussão também envolve efeitos como o “uncanny valley” em imagens de comida e o risco de convergência quando sistemas passam a reaproveitar saídas geradas por IA no próprio treinamento.
Diffusion language models estão ganhando espaço como alternativa aos LLMs autoregressivos para gerar texto. O texto descreve como modelos de difusão para dados discretos funcionam ao invés de prever tokens um a um, refinando uma sequência por etapas a partir de um “chute” inicial.
O guia apresenta os blocos de construção de modelos open-source, começando por masking diffusion e avançando para técnicas como iterative refinement, post-training e geração de tamanho variável. A proposta é mostrar como a ideia central de denoising, comum em difusão para imagens, pode ser adaptada para linguagem com processos forward e reverse, onde o “ruído” é definido via mascaramento de tokens.
Pesquisas recentes em modelos de difusão contínua para linguagem reacenderam o interesse na abordagem, após alguns anos de pouca atividade. Métodos de difusão totalmente discretos haviam se tornado dominantes, mas a tendência parece começar a mudar com novos trabalhos e atualizações do tema.
O texto relembra a evolução do campo: tentativas discretas surgiram em 2021, enquanto abordagens contínuas apareceram em 2022 com propostas como Diffusion-LM, que usa embeddings contínuos para viabilizar a corrupção com ruído gaussiano. Depois de 2023, a difusão contínua teria “desaparecido” em favor da discreta, e a retomada atual é atribuída a mudanças no foco do desempenho e nas expectativas sobre escalabilidade.
Modelos grandes de IA já conseguem gerar milhões de designs de materiais em minutos, mas a adoção prática ainda é limitada pela baixa estabilidade química das opções criadas. Pesquisadores do MIT desenvolveram o CrysVCD, um framework que aplica regras de química sobre elétrons e valência antes da etapa mais cara de geração, para que cada design já comece “válido” para a estrutura atômica.
Em um artigo na Nature Computational Science, a equipe relata que o CrysVCD elevou a taxa de materiais estáveis em quase 70% das gerações computacionais e ajudou a produzir candidatos com propriedades direcionadas, como alta condutividade térmica e constante dielétrica elevada. O método combina um modelo de linguagem com modelos de difusão e busca reduzir o custo de validação, que normalmente domina o tempo e os recursos do processo de descoberta.
