Nova geração de aceleradores aposta em janelas de contexto massivas e inferência confidencial para atender à demanda de clientes regulados e cargas de trabalho agênticas

O Google expandiu seu portfólio de TPUs de oitava geração com dois novos sistemas: o TPU 8tx, voltado para inferência segura e confidencial, e o TPU 8i Max, projetado para janelas de contexto massivas e máxima densidade de computação por rack. É a primeira vez que a empresa lança quatro sistemas TPU em um único ano.

Os novos aceleradores respondem a uma mudança estrutural na demanda por computação. Com as cargas de trabalho migrando da escala humana para a escala de agentes de IA, as empresas passaram a exigir hardware capaz de raciocinar sobre contextos extensos e, ao mesmo tempo, oferecer garantias de segurança para dados sensíveis.

“Com a computação migrando da escala humana para a escala de agentes, as empresas estão pedindo aceleradores capazes de raciocinar através de janelas de contexto massivas dos modelos de IA” — comunicado oficial do Google

Da escala humana à escala de agentes

O TPU 8i Max foi concebido para o que o Google chama de "janelas de contexto massivas" — a capacidade de um modelo processar e raciocinar sobre volumes gigantescos de informação em uma única inferência. Esse é um requisito central para agentes autônomos, que precisam manter memória de interações longas e consultar bases de dados extensas sem perder coerência.

Já o TPU 8tx atende a uma demanda específica de clientes altamente regulados, que necessitam de capacidades de criptografia especializadas para cargas de trabalho únicas. O sistema oferece inferência segura e confidencial, um diferencial para setores como finanças e saúde, onde a proteção de dados é mandatória.

Quatro sistemas em um ano

Em abril, durante o Google Cloud Next, a empresa já havia apresentado o TPU 8t, para treinamento em larga escala, e o TPU 8i, para raciocínio em tempo real. Na ocasião, os números divulgados foram expressivos: até 2,7 vezes melhor desempenho de treinamento para o 8t e 80% melhor custo-benefício de inferência para o 8i, ambos comparados à geração anterior.

Agora, com a adição do 8tx e do 8i Max, o Google fecha a oitava geração com quatro sistemas especializados. A empresa destaca que a diferença entre um novo chip e um novo sistema é crucial: enquanto o chip exige anos de projeto e fabricação de bilhões de transistores, o sistema envolve a integração de computação, rede e software em uma configuração coesa.

Base de clientes em expansão

As TPUs deixaram de ser uma tecnologia de uso interno. Nascidas há mais de uma década para atender às demandas do próprio Google — como reconhecimento de voz e tradução —, as unidades de processamento tensorial agora sustentam um negócio em rápido crescimento, com quase 100 clientes, entre laboratórios de fronteira, empresas de trading, varejistas e universidades.

Parte desse crescimento vem da possibilidade de clientes implantarem TPUs diretamente em seus próprios data centers. O Google também tem ampliado o acesso por meio de atualizações de software, como os recentes anúncios relacionados ao PyTorch e ao motor XLA Serving Engine, que buscam tornar a arquitetura mais acessível a desenvolvedores.

A estratégia combina silício customizado modular com uma pilha de software aberta e fácil de usar, permitindo que a empresa lance novos hardwares e configurações de sistema no ritmo da indústria de IA. Com a demanda por agentes e contextos massivos em ascensão, a oitava geração de TPUs sinaliza que a disputa por infraestrutura de inferência está apenas começando.

Fonte Primária: Google blog

Estudo de Nima Vahdat e coautor no arXiv descreve um método que permite a agentes de IA reter e reutilizar padrões de decisão ao longo do tempo, sem depender de reengenharia de prompts

A capacidade de agentes de inteligência artificial de manterem um comportamento coerente ao longo do tempo é um dos gargalos técnicos mais discutidos na indústria. Um artigo submetido ao arXiv em 5 de novembro de 2026 por Nima Vahdat e um coautor propõe uma abordagem chamada "Contexto de Decisão" (Decision Context) para atacar exatamente esse problema: permitir que agentes de IA aprendam e retenham padrões de decisão de forma persistente, em vez de dependerem de instruções estáticas a cada nova interação.

O que é o Contexto de Decisão

O conceito central do artigo é a criação de uma camada de memória comportamental que registra não apenas o histórico de conversas, mas os padrões de decisão tomados pelo agente em diferentes situações. Essa camada funcionaria como um repositório de experiências acumuladas, consultado ativamente pelo modelo antes de cada nova ação.

A proposta se diferencia de abordagens convencionais de memória de curto prazo ou de janelas de contexto estendidas, que tratam o histórico como uma sequência linear de texto. O Contexto de Decisão organiza as experiências de forma estruturada, permitindo que o agente recupere decisões anteriores relevantes para o problema atual.

Por que isso importa para a indústria

Agentes autônomos — sistemas que executam tarefas de múltiplas etapas sem supervisão humana constante — enfrentam um problema recorrente: a inconsistência comportamental. Um agente pode resolver corretamente uma tarefa em um dia e falhar na mesma tarefa no dia seguinte, porque não retém o raciocínio que funcionou anteriormente.

A abordagem proposta no artigo busca reduzir essa variabilidade ao transformar decisões passadas em conhecimento reutilizável. Na prática, isso poderia diminuir a necessidade de reengenharia constante de prompts e de ajustes manuais por parte de desenvolvedores que implantam agentes em produção.

Limitações e estágio da pesquisa

O artigo foi submetido em 5 de novembro de 2026 e está disponível publicamente no arXiv sob a licença Creative Commons Attribution 4.0. Trata-se de uma contribuição de pesquisa em estágio inicial, com 25 KB de conteúdo, sem indicação na página de submissão de que tenha passado por revisão por pares em periódico ou conferência.

Ainda assim, o tema dialoga diretamente com uma das fronteiras mais ativas do desenvolvimento de agentes de IA: como fazer com que sistemas autônomos acumulem experiência de forma útil, sem os custos computacionais de retreinar modelos inteiros ou de manter contextos gigantescos a cada chamada.

O método busca substituir a dependência de prompts estáticos por um mecanismo de retenção de padrões de decisão que evolui com o uso do agente

Fonte Primária: arXiv (CS.AI)

Sistema que resolveu problemas da Olimpíada Internacional de Matemática em 2024 tem código-fonte e pesos liberados, permitindo que pesquisadores acoplem modelos de linguagem a provadores formais como o Lean

O Google DeepMind liberou o código-fonte e os pesos do AlphaProof, sistema que em 2024 resolveu problemas da Olimpíada Internacional de Matemática (IMO) ao acoplar um modelo de linguagem a um provador formal. A abertura coloca nas mãos da comunidade de pesquisa uma das arquiteturas mais influentes para o raciocínio automatizado verificável.

A decisão transforma o que era um experimento fechado de laboratório em infraestrutura aberta para universidades, startups e grupos independentes que trabalham com demonstrações matemáticas assistidas por máquina.

A abertura do código permite que a comunidade científica audite, reproduza e estenda o pipeline que transformou a verificação formal em uma etapa central do raciocínio automatizado

Como o sistema funciona na prática

O AlphaProof não gera texto solto: ele produz provas escritas na linguagem formal Lean, em que cada passo lógico é checado por um kernel independente. Se uma etapa não se sustenta, a prova é rejeitada — o que elimina boa parte das alucinações típicas de modelos de linguagem.

A arquitetura combina um modelo de linguagem que propõe estratégias de demonstração com um mecanismo de busca que testa e refina cada tentativa contra o verificador. O aprendizado ocorre por reforço, com o sistema acumulando provas válidas ao longo do treinamento.

Por que a verificação formal importa

A verificação por Lean virou um dos campos mais disputados da pesquisa em IA. Diferentemente de um chatbot que responde com confiança a uma equação errada, um sistema que escreve provas formais precisa convencer um verificador matemático — não um leitor humano.

Essa propriedade atrai interesse de laboratórios que buscam modelos confiáveis para engenharia de software, criptografia e descoberta científica, áreas em que um erro silencioso custa caro.

O que muda com o código aberto

Com o acesso ao código e aos pesos, pesquisadores podem reproduzir o pipeline de treinamento, adaptar o sistema a outros provadores formais e medir seu desempenho em benchmarks próprios. A abertura também permite auditar as escolhas de design do DeepMind.

O movimento segue a estratégia do laboratório de publicar artefatos de pesquisa em matemática formal, campo em que a verificação por máquina se tornou um padrão de qualidade científica.

Fonte Primária: Google DeepMind

Modelo chinês chega ao AI Gateway da Vercel via Fireworks com janela de contexto de 1 milhão de tokens e velocidade voltada a fluxos de programação interativa e agentes autônomos

A Vercel passou a oferecer o DeepSeek V4.1 Flash 1017 Ultrafast em seu AI Gateway, camada unificada de acesso a modelos de linguagem. O modelo é servido por meio da Fireworks, que opera o endpoint serverless acelerado responsável pela velocidade de geração.

Segundo a empresa, a versão Ultrafast entrega acima de 1.000 tokens por segundo. O desempenho é direcionado a aplicações de codificação interativa, raciocínio e fluxos agênticos, cenários em que o sistema precisa produzir saída e avançar rapidamente para a etapa seguinte.

O modelo gera acima de 1.000 tokens por segundo e atende aplicações de codificação interativa, raciocínio e fluxos agênticos que precisam produzir saída e avançar rapidamente para a próxima etapa

O que a velocidade muda na prática

O ganho de throughput altera a experiência em ferramentas de desenvolvimento assistido. Em vez de aguardar a conclusão de blocos longos de código, o desenvolvedor recebe a resposta em fluxo contínuo e pode iterar sobre ela quase em tempo real.

O modelo corresponde à atualização de 17 de outubro do DeepSeek V4.1 Flash. A distribuição via Fireworks usa a infraestrutura de inferência acelerada da parceira, que a Vercel integra ao seu gateway sem repassar custos adicionais de plataforma.

Contexto de 1 milhão de tokens

A janela de contexto de 1 milhão de tokens permite processar bases de código extensas e entradas longas em uma única chamada. Na prática, isso reduz a necessidade de fragmentar arquivos ou dividir o raciocínio em múltiplas etapas manuais.

O recurso é particularmente relevante para agentes que precisam manter histórico de decisões e trechos de código ao longo de tarefas prolongadas, sem perder coerência entre as interações.

Como acessar

A disponibilidade é em prévia pública, sem sala de espera ou limite de tempo de sessão. O acesso se dá pela definição do identificador deepseek/deepseek-v4.1-flash-1017-ultrafast em chamadas de API.

A Vercel também integrou o modelo a ferramentas de codificação como Claude Code, Codex e Cursor, por meio do comando de configuração do Vercel CLI. O AI Gateway funciona como API unificada para chamadas, rastreamento de uso e custo, além de configurar tentativas, failover e otimizações de desempenho.

A plataforma informa que reflete os preços dos provedores sem margem adicional e não cobra taxa sobre inferência, inclusive em requisições com chave própria (BYOK). O anúncio reforça a disputa por velocidade de inferência como diferencial competitivo no mercado de modelos de linguagem.

Fonte Primária: Vercel

Dados da plataforma de gastos Ramp mostram que o volume de tokens dispara, mas o valor desembolsado cresceu apenas 1,5% entre agosto e setembro nos EUA, sinalizando guerra de preços e fim do hipercrescimento

O volume de uso de inteligência artificial nas empresas nunca foi tão alto. O valor que elas desembolsam por isso, no entanto, parou de acompanhar o ritmo. Dados da plataforma de gestão de gastos corporativos Ramp mostram que o dispêndio com tokens cresceu apenas 1,5% ao longo de agosto e setembro nos Estados Unidos — uma freada brusca frente à expansão de 42% registrada em julho sobre o mês anterior.

O dado chega em um momento delicado: a Anthropic se prepara para abrir capital, e a tese de que as receitas de IA cresceriam em velocidade exponencial passa a ser questionada por números concretos.

“Quase todo o gasto com IA vem de empresas de tecnologia de alto crescimento apoiadas por capital de risco. Isso está bem desde que o gasto continue subindo, mas se começar a desacelerar, todas vão desacelerar simultaneamente” — Ara Kharazian, economista-chefe da Ramp

O paradoxo do token barato

A desaceleração não decorre de falta de demanda. Os volumes processados seguem em alta. O que mudou foi o preço. A guerra de descontos entre OpenAI e Anthropic tornou o acesso aos modelos muito mais barato, comprimindo a receita por unidade consumida.

Em setembro, a OpenAI cortou pela metade os preços de API do GPT-6 Sol e do GPT-6 Luna. A Anthropic respondeu com reduções significativas no Fable 5.1 e no Opus 5.5 — decisão que, segundo a própria empresa relatou em documento recente, subtraiu cerca de US$ 600 milhões do crescimento de sua receita. As duas companhias também passaram a oferecer descontos corporativos para tentar travar o gasto dos clientes, mas o efeito prático é pressão sobre as metas de faturamento.

A concentração que preocupa

O diagnóstico do economista-chefe da Ramp, Ara Kharazian, aponta para um risco estrutural. Quase a totalidade do gasto com IA vem de empresas de tecnologia de alto crescimento financiadas por capital de risco. Enquanto esse grupo expandir o dispêndio, o mercado sustenta a narrativa. Se ele frear, o encadeamento é simultâneo.

Os sinais já aparecem na camada mais intensiva. O 1% das empresas mais "AI-pilled" — as que mais incorporaram IA às operações — recuou para patamares ligeiramente abaixo dos US$ 10 mil por funcionário por mês, aquém dos picos do verão americano. Para Kharazian, essa retração isolada é suficiente para desacelerar a receita total, mesmo com volumes em alta.

A distribuição é profundamente desigual. A empresa mediana gasta entre US$ 12 e US$ 15 por funcionário ao mês. O topo de 10% desembolsa entre US$ 600 e US$ 1.000. O abismo entre esses patamares e o teto de US$ 10 mil do 1% mais avançado levanta a dúvida sobre a capacidade de generalização dos casos de uso.

Onde a demanda realmente existe

Os agentes de codificação de IA concentram a demanda mais robusta, em setores como software e finanças. Kharazian pondera que não está claro se consultórios médicos ou concessionárias de veículos chegarão algum dia a gastar o equivalente ao topo da curva.

A série de análises que o economista publica sob o título "Cracks in the AI Thesis" (rachaduras na tese da IA) sustenta que a era do hipercrescimento pode ter ficado para trás. Os dados de outubro, medidos entre 23 de setembro e 23 de outubro, registraram reaceleração de 8,9% no gasto com tokens — mas, segundo ele, os ventos contrários sobre o crescimento do dispêndio seguem fortes.

O mercado de compradores se consolidou. Para os provedores de modelos que buscam justificar avaliações bilionárias em bolsa, o desafio deixa de ser conquistar usuários e passa a ser extrair receita de uma base que já aprendeu a negociar.

Fonte Primária: Ramp, TechCrunch (Cobertura / Radar)

Nova captação coloca a criadora do ChatGPT entre as empresas mais valiosas do mundo, mas fica abaixo da meta inicial de US$ 30 bilhões após queda nas ações de tecnologia e avanço da rival Anthropic rumo à bolsa

A OpenAI concluiu uma nova rodada de financiamento que elevou seu valor de mercado a US$ 1,25 trilhão, com a captação de US$ 11 bilhões junto a investidores. O movimento consolida a criadora do ChatGPT entre as empresas mais valiosas do planeta, poucos meses após levantar US$ 122 bilhões em março, quando foi avaliada em US$ 852 bilhões.

Captação abaixo da meta inicial

Segundo apuração da Bloomberg, a OpenAI ainda negocia investimentos adicionais que podem elevar o total captado nesta rodada para US$ 20 bilhões. A meta original, no entanto, era mais ambiciosa: a empresa esperava levantar até US$ 30 bilhões com um valuation de US$ 1,4 trilhão.

O recuo nos valores reflete um cenário mais cauteloso para o setor. A queda nas ações de tecnologia e o resultado das eleições de meio de mandato nos Estados Unidos, que evidenciaram o aumento da resistência da opinião pública a empresas de IA e a projetos de data centers, pressionaram as negociações.

Anthropic entra na corrida pela bolsa

Enquanto a OpenAI ajusta suas expectativas de captação, sua principal rival, a Anthropic, deu um passo decisivo rumo ao mercado público. A empresa protocolou seu formulário S-1 na semana passada, iniciando formalmente o processo para realizar sua oferta pública inicial de ações (IPO).

O movimento da Anthropic coloca pressão adicional sobre a OpenAI, que até o momento tem postergado sua própria abertura de capital. Em declarações anteriores neste ano, o CEO Sam Altman afirmou que a empresa aguarda até conseguir fazer afirmações mais seguras sobre a segurança de seus modelos antes de entrar na bolsa.

O dilema do IPO da OpenAI

Altman não estabeleceu um prazo específico para o IPO da OpenAI, mas sinalizou que a demora tem custos estratégicos. "Acho que também é meio ruim para o mundo se a OpenAI esperar muito para abrir o capital", declarou o executivo na ocasião.

A diferença de postura entre as duas empresas define o atual tabuleiro da corrida pela IA generativa. A Anthropic avança com sua estrutura de governança voltada ao mercado público, enquanto a OpenAI, que recentemente passou por uma reestruturação societária, ainda equilibra sua missão original sem fins lucrativos com as exigências de investidores que já aportaram centenas de bilhões de dólares.

O valuation de US$ 1,25 trilhão mantém a OpenAI em patamar comparável ao das maiores companhias de tecnologia dos Estados Unidos, mas o ritmo de captação mais lento do que o planejado indica que o apetite do mercado por IA começa a encontrar limites diante do escrutínio público e da volatilidade dos mercados acionários.

“Acho que também é meio ruim para o mundo se a OpenAI esperar muito para abrir o capital” — Sam Altman, CEO da OpenAI

Fonte Primária: The Verge (Reportagem Original)

Novo recurso permite que o assistente de IA construa hubs personalizados, como painéis escolares e rastreadores musicais, integrando-se a serviços externos como Gmail e Notion

A Meta anunciou uma expansão significativa das capacidades do seu assistente de inteligência artificial, o Muse. A empresa está liberando para todos os usuários um novo recurso chamado "Spaces", que permite ao assistente construir experiências personalizadas e interativas dentro do próprio aplicativo.

A funcionalidade permite que o usuário crie hubs como centrais de compras, painéis escolares, rastreadores de música ou até jogos de trivia simplesmente descrevendo o que deseja. O assistente então gera uma interface funcional que pode ser acessada e modificada diretamente no aplicativo Muse.

“Por exemplo, mantenha seu planejador semanal em destaque durante a semana de trabalho e troque-o pelos planos de fim de semana no sábado” — Meta, em comunicado oficial

Integração profunda com serviços externos

O grande diferencial do Spaces está na sua capacidade de se conectar a aplicativos de terceiros. Ao vincular serviços como Gmail, Google Calendar, OpenTable e Notion ao Muse, o assistente passa a puxar informações continuamente dessas fontes.

Na prática, isso significa que a IA pode atualizar preços, datas e outros dados em segundo plano, mantendo o espaço do usuário sempre atualizado. O usuário também pode interagir com os elementos dentro do espaço, marcando itens como concluídos, adicionando notas e fazendo edições manuais.

Personalização e controle do usuário

A Meta está oferecendo opções para que o usuário organize seus espaços conforme sua rotina. É possível manter os espaços na barra lateral do aplicativo, movê-los para a aba principal ou agendar quando eles devem aparecer.

A empresa exemplifica a aplicação prática: manter um planejador semanal em destaque durante os dias úteis e substituí-lo pelos planos de fim de semana no sábado. Essa flexibilidade busca tornar o assistente mais adaptável ao contexto diário de cada pessoa.

Avanços no modelo Muse Wonder

Além do lançamento do Spaces, a Meta está incorporando novas capacidades do seu modelo Muse Wonder ao aplicativo Muse e ao chatbot Meta AI. Duas funcionalidades específicas foram destacadas: "Active Memory" e "Active Focus".

O "Active Memory" permite que o Muse compreenda quando informações passadas se tornam relevantes durante uma conversa, melhorando a continuidade e o contexto do diálogo. Já o "Active Focus" aprimora a capacidade do assistente de trabalhar em direção a objetivos específicos, mantendo o foco em tarefas de longo prazo.

Colaboração futura

A empresa já sinalizou que está explorando maneiras de permitir que os usuários compartilhem seus espaços com outras pessoas e colaborem neles. Essa seria uma evolução natural do recurso, transformando os espaços de ferramentas individuais em ambientes de trabalho ou planejamento compartilhado.

O lançamento do Spaces representa um passo estratégico da Meta em direção a um modelo de assistente de IA que não apenas responde a comandos, mas se torna uma plataforma central para organizar informações e interagir com diversos serviços digitais, consolidando o Muse como uma interface unificada para a vida digital do usuário.

Fonte Primária: Meta, The Verge (Cobertura / Radar)

Empresa aposta em interface nativa de IA com mapas, fotos e itinerários montados em tempo real, em vez de um chatbot tradicional, para transformar a experiência de planejamento de viagens

A Airbnb confirmou que vai lançar um agente de inteligência artificial no primeiro semestre de 2027, capaz de ajudar usuários a planejar e reservar viagens. O anúncio foi feito na carta aos acionistas referente ao terceiro trimestre de 2026, divulgada pela empresa.

A companhia argumenta que os agentes de IA atuais são bons em tarefas simples e rotineiras, como fazer uma reserva em restaurante ou agendar um compromisso, mas planejar uma viagem na plataforma exige algo diferente.

“Não achamos que um chatbot tradicional seja a forma certa de planejar uma viagem. Estamos desenvolvendo uma experiência nativa de IA, desenhada sob medida, que constrói a interface em torno da sua pergunta” — Airbnb, carta aos acionistas do terceiro trimestre de 2026

Uma interface em vez de um chat

A Airbnb descarta o formato de chatbot tradicional. Em vez de uma janela de conversa, o agente vai se apoiar em uma biblioteca com centenas de elementos de interface específicos para viagens — mapas, fotos, comparações, calendários e itinerários — e compô-los em tempo real conforme a pergunta do usuário.

Segundo a empresa, essa experiência "nativa de IA" foi desenhada sob medida para o contexto de viagem. O agente deve ajudar os hóspedes a explorar opções, tomar decisões junto com as pessoas com quem viajam e executar ações diretamente dentro da Airbnb.

Vantagem competitiva declarada

A companhia sustenta que sua experiência no pareamento entre anfitriões e hóspedes, o papel que já ocupa nas reservas e a nova interface criada especificamente para viagens lhe conferem vantagem nesse terreno.

O cofundador e CEO Brian Chesky já havia sinalizado o plano de lançar um agente em 2027. Em participação no Skift Global Forum, em setembro, ele afirmou que o produto teria uma interface "muito mais rica que um chatbot".

IA como pilar de operação

Na carta aos acionistas, a Airbnb foi além do anúncio do produto e classificou a inteligência artificial como "a melhor coisa que já aconteceu à Airbnb", afirmando que a tecnologia mudou a forma como a empresa desenvolve produtos e conduz suas operações.

O lançamento previsto para o primeiro semestre de 2027 coloca a Airbnb na disputa por agentes de IA aplicados a serviços de consumo, um segmento em que a capacidade de executar transações reais — e não apenas responder perguntas — se torna o principal diferencial técnico.

Fonte Primária: Airbnb, The Verge (Cobertura / Radar)

A partir de quinta-feira, usuários norte-americanos podem conversar por voz e vídeo com o agente de IA da Meta, que ganha expressões faciais em tempo real e chegará a óculos inteligentes e ao dispositivo Muse Charm até o fim do ano

A Meta liberou nesta quinta-feira (5) o acesso irrestrito ao Muse Voice para todos os usuários nos Estados Unidos. O recurso permite ligações de voz e videochamadas com o agente de inteligência artificial da empresa, que agora exibe um avatar animado com expressões faciais e gestos sincronizados ao tom da conversa.

O anúncio foi feito pelo diretor de IA da Meta, Alexandr Wang, em publicação no blog oficial da companhia e em demonstração no X — na qual seu avatar, um cachorro branco felpudo, sugeriu que ele adicionasse avisos aos memes que publica.

“O avatar usa expressões e gestos sutis que correspondem ao tom da conversa” — Comunicado oficial da Meta sobre o Muse Realtime Avatar

Dois modelos por trás da conversa

A experiência é sustentada por dois modelos proprietários apresentados na conferência Connect, em setembro: o Muse Realtime Avatar, responsável pela animação facial e corporal do personagem, e o Muse Realtime Voice, que processa a fala em tempo real.

Segundo a Meta, o avatar — apelidado de Jolly — não "vê" o usuário. Ele apenas ouve e reage ao áudio, modulando expressões e gestos de acordo com o tom da conversa. A personalização é livre: o usuário pode transformar o companheiro digital em uma pessoa, um animal ou qualquer outro personagem.

A aposta da empresa é que antropomorfizar o agente dessa forma aumente o vínculo emocional do consumidor com a IA — conexão que tende a se intensificar à medida que as interações passam de texto para conversas ao vivo.

Disponibilidade e próximos passos

As conversas em tempo real funcionam em aplicativos móveis, na web e no Mac. A Meta planeja levar o recurso aos seus óculos inteligentes AI Glasses e ao "Muse Charm", dispositivo vestível com tela pequena no estilo Tamagotchi, que a empresa pretende lançar antes do fim do ano.

Quando o hardware chegar, o avatar digital aparecerá na tela do aparelho para que o usuário converse com o agente, que poderá responder ou executar tarefas em seu nome.

A corrida dos agentes conversacionais

A jogada posiciona o Muse na disputa por interfaces de voz e vídeo com assistentes de IA, mas com uma diferenciação clara: em vez de uma voz disembodied, a Meta aposta em um personagem visual customizável como camada de engajamento.

A estratégia também prepara o terreno para o ecossistema de hardware da empresa, que tenta transformar o agente de software em presença física no cotidiano dos usuários — dos óculos ao vestível de bolso.

A expansão para todos os usuários nos EUA ocorre semanas após o lançamento inicial restrito e sinaliza que a Meta considera a infraestrutura de inferência em tempo real madura o suficiente para escala nacional.

Fonte Primária: TechCrunch (Reportagem Original), Meta (Instituição / Origem)

Gigante libera escolas para recusarem o Gemini, mas não permite desativar os AI Overviews nos resultados de busca usados por alunos e professores

O Google decidiu separar dois produtos que vinham sendo tratados como um pacote único no ambiente escolar dos Estados Unidos. Instituições de ensino podem agora recusar o Gemini, o assistente de IA generativa da empresa, sem perder o acesso à Busca Google. A concessão, porém, tem limites claros: os AI Overviews — os resumos gerados por IA que aparecem no topo dos resultados — permanecem ativados por padrão e não há opção de desligá-los nas contas escolares.

A linha que o Google não cruza

A distinção é técnica e comercial. O Gemini é um produto à parte, com painel administrativo próprio, e por isso pode ser desativado por gestores de tecnologia educacional sem afetar o serviço de busca. Já os AI Overviews são gerados dentro do próprio motor de busca, como parte da experiência padrão de resultados.

Para o Google, remover essa camada significaria alterar o produto central que a empresa oferece a todos os usuários. A posição da companhia é que a busca com IA não é um recurso opcional, mas a arquitetura atual do serviço.

Pressão sobre escolas e famílias

A decisão ocorre em um momento de crescente escrutínio sobre o uso de IA generativa em salas de aula nos Estados Unidos. Distritos escolares têm debatido políticas de uso, preocupações com plágio, exposição de menores a conteúdo gerado automaticamente e a dependência de ferramentas que podem produzir informações imprecisas.

Ao manter os AI Overviews ativos, o Google garante que alunos e professores continuem expostos a resumos sintetizados por IA mesmo quando a escola opta por não adotar o Gemini. É uma forma de preservar a penetração do produto em um mercado sensível, onde a resistência institucional poderia se traduzir em perda de adoção.

O que muda na prática

Para as escolas que recusarem o Gemini, a experiência de busca seguirá exibindo os resumos gerados por IA acima dos links tradicionais. Não há, segundo a empresa, configuração que permita às instituições desativar essa camada sem abandonar a Busca Google por completo.

A medida reacende o debate sobre autonomia das escolas na escolha de ferramentas digitais e sobre até que ponto a IA generativa deve ser tratada como infraestrutura padrão da internet — e não como um recurso que o usuário ou a instituição pode simplesmente declinar.

As escolas podem optar por não usar o Gemini, mas os AI Overviews permanecem ativados por padrão nos resultados de busca — uma decisão que o Google classifica como não negociável

Fonte Primária: Ars Technica

Documento da Microsoft Technology Licensing descreve sistema que detecta, substitui e sincroniza palavras em transmissões ao vivo, ajustando os lábios do orador em tempo real

A Microsoft Technology Licensing, braço de propriedade intelectual do grupo, depositou uma patente que descreve um sistema de inteligência artificial para alterar palavras e sincronizar os lábios de oradores durante transmissões ao vivo. O documento, revelado pelo serviço de monitoramento Patentlyze e analisado pelo Futurism, detalha agentes de IA capazes de escutar um discurso em tempo real, identificar termos específicos e substituí-los ou removê-los antes que cheguem à tela do espectador.

O mecanismo opera em uma janela de quase tempo real: a IA detecta a palavra, aplica a substituição e retoca o áudio e o vídeo imediatamente antes e depois do trecho alterado, de modo a eliminar cortes perceptíveis. Os termos de reposição podem, segundo a análise, vir até de uma busca na internet. A Microsoft não comentou o depósito.

Cada espectador poderia receber sua própria versão de um mesmo direto, expurgada do que não deseja ouvir

O que a patente cobre

O escopo é amplo. O documento menciona conferências, apresentações, cerimônias de premiação, game shows, programas culinários e retransmissões esportivas. Entre os usos descritos estão a tradução instantânea com lábios sincronizados na língua do espectador e a supressão de vícios de linguagem como "euh", gaguejos e expressões regionais.

A lista de palavras elimináveis vai além do ruído: inclui termos mal pronunciados, lapsos, palavras ofensivas ou consideradas inadequadas. Com base em parâmetros predefinidos e no perfil de cada espectador, o sistema poderia entregar versões personalizadas de um mesmo evento ao vivo — cada pessoa recebendo uma transmissão expurgada do que não deseja ouvir.

A base técnica já existe

A tecnologia não parte do zero. Em abril de 2024, a Microsoft Research Asia apresentou o VASA-1, modelo que anima um rosto realista a partir de uma única foto e de um arquivo de voz, com lábios sincronizados ao milissegundo e movimento natural de cabeça. Segundo a publicação dos pesquisadores, o sistema roda em tempo real, a até 40 imagens por segundo. Na época, a Microsoft optou por não torná-lo público.

O documento também prevê que o áudio e o vídeo originais sejam gravados e preservados como "verdade de referência", permitindo recuperar o que foi realmente dito. A patente, porém, não especifica quem teria acesso a esse registro nem sob quais condições.

Pressão regulatória na Europa

Uma patente é uma intenção: gigantes de tecnologia depositam milhares por ano, e muitas nunca se tornam produto. Ainda assim, o timing é sensível. Na União Europeia, o Regulamento de Inteligência Artificial estabelece, desde 2 de agosto de 2026, obrigações de transparência para sistemas que geram ou manipulam conteúdo audiovisual — o que inclui a necessidade de sinalizar material sintético ou alterado.

A combinação de retoque em tempo real com personalização por espectador cria uma camada adicional de complexidade: a transmissão deixa de ser um objeto único e passa a existir em múltiplas versões simultâneas, cada uma com supressões distintas. O documento da Microsoft não aborda como o sistema lidaria com a exigência de identificação de conteúdo manipulado.

O caso também reacende a discussão sobre deepfakes em contexto jornalístico e institucional. Se a tecnologia for levada a produto, a pergunta central deixa de ser se a alteração é tecnicamente possível — ela já é — e passa a ser quem controla o botão e como o público sabe que ele foi acionado.

Fonte Primária: Futurism, Les Numériques (Cobertura / Radar)

Em meio à alta global dos preços de memória pressionada pela demanda de IA, Microsoft aposta em otimizações de software para tornar o sistema mais responsivo em máquinas com pouca RAM

A Microsoft anunciou ganhos expressivos de desempenho para o Windows 11 em computadores equipados com apenas 8 GB de memória RAM. Segundo a empresa, o sistema operacional está agora 20% mais responsivo e até 40% mais rápido em tarefas de multitarefa em máquinas com restrição de memória — uma resposta direta ao cenário de escassez global de módulos DRAM.

O impacto da crise de memória

O anúncio chega em um momento delicado para o mercado de hardware. A demanda explosiva por inteligência artificial em data centers tem consumido boa parte da produção mundial de chips de memória, elevando os preços de módulos DRAM e encarecendo a configuração de PCs novos. Com menos RAM disponível no mercado e custos mais altos, a Microsoft precisou compensar via software.

A abordagem é técnica: em vez de exigir mais memória física do usuário, a empresa investiu em otimizações no gerenciador de memória do Windows 11. O sistema passou a liberar recursos de forma mais agressiva, reduzir a pressão sobre o armazenamento virtual e priorizar processos em primeiro plano durante o multitarefa.

Como as otimizações funcionam na prática

Em máquinas com 8 GB de RAM, o Windows 11 anteriormente recorria com frequência ao arquivo de paginação no disco, o que gerava lentidão perceptível em tarefas como abrir múltiplas abas no navegador ou alternar entre aplicativos pesados. As novas otimizações reduzem essa dependência do disco ao gerenciar melhor a memória disponível.

A Microsoft afirma que os ganhos são mensuráveis em cenários reais de uso, não apenas em benchmarks sintéticos. A empresa não detalhou, no entanto, quais atualizações específicas do sistema carregam essas melhorias nem se elas já estão disponíveis para todos os usuários ou em fase de distribuição gradual.

Pressão de mercado e concorrência

O movimento da Microsoft reflete uma realidade mais ampla: a indústria de PCs precisa extrair mais desempenho de hardware limitado. Com os preços de memória em alta e a oferta restrita, fabricantes e desenvolvedores de sistemas operacionais são forçados a repensar a eficiência do software.

A empresa não mencionou concorrentes diretamente, mas a otimização para máquinas com pouca RAM é uma frente de batalha importante em um mercado onde dispositivos de entrada ainda dominam o volume de vendas globais. O anúncio sinaliza que a Microsoft enxerga a eficiência de software como diferencial competitivo em um cenário de hardware mais caro.

A Microsoft afirma que o Windows 11 está agora 20% mais responsivo e até 40% mais rápido em multitarefa em máquinas com restrição de memória

Fonte Primária: Tom's Hardware, Golem.de (Cobertura / Radar)

Novo modelo do Google atinge 59 pontos no Intelligence Index V5 e custa US$ 7,76 por tarefa, tornando-se a opção mais barata entre os modelos de fronteira testados

O Google apresentou o Gemini 4 Carbon, seu mais novo modelo de fronteira, que assume a liderança no Intelligence Index V5 da Artificial Analysis com 59 pontos. O desempenho coloca o sistema um ponto à frente do Claude Opus 5.5, da Anthropic, e dois pontos acima do GPT-6 Astra, da OpenAI, em uma disputa acirrada pelo topo do ranking de capacidade cognitiva.

O lançamento representa uma recuperação estratégica para o Google, que vinha de um ano marcado por lançamentos irregulares no segmento de modelos fundacionais. A empresa busca consolidar posição em um mercado onde a liderança muda de mãos com frequência e onde a eficiência de custos se tornou tão decisiva quanto a inteligência bruta.

Mesmo o melhor modelo pontuou apenas 54 na escala de -100 a +100, sugerindo que os melhores sistemas de fronteira de 2026 ainda estão longe de serem consistentemente confiáveis na recuperação precisa de informações

Eficiência econômica como diferencial

Além da pontuação máxima, o Gemini 4 Carbon se destaca pelo custo operacional. O modelo apresenta um custo por tarefa de US$ 7,76 no Intelligence Index, valor ligeiramente inferior ao Gemini 3.8 Flash e significativamente mais barato que concorrentes diretos. O Claude Opus 5.5 e o Sonnet 5.5, ambos em configuração máxima com fallback, custam vários dólares a mais por tarefa, enquanto o Claude Fable 5.1 chega a US$ 12,99 — quase o dobro do novo modelo do Google.

Essa combinação de alto desempenho e custo reduzido posiciona o Gemini 4 Carbon na chamada fronteira de Pareto, conceito que os desenvolvedores perseguem ao buscar o melhor equilíbrio possível entre inteligência e preço. Para empresas que operam modelos em escala, a diferença de alguns dólares por tarefa pode representar economias substanciais em implantações de larga escala.

Alucinações sob escrutínio

O novo modelo também assume a liderança no teste AA-Omniscience v1.1, que avalia a tendência de os sistemas inventarem informações e sua capacidade de recuperar conhecimento de forma precisa. O Gemini 4 Carbon apresenta o menor índice de alucinações entre os modelos de fronteira avaliados, um diferencial que pode se tornar decisivo à medida que governos e instituições buscam maximizar segurança e confiabilidade no uso de inteligência artificial.

No entanto, os números revelam uma realidade ainda preocupante para o setor. Mesmo o melhor colocado pontuou apenas 54 na escala que varia de -100 a +100, indicando que os sistemas mais avançados de 2026 permanecem distantes de uma confiabilidade consistente na recuperação de informações. A métrica evidencia que, apesar dos avanços, a tendência à alucinação continua sendo um desafio estrutural para toda a indústria.

Contexto competitivo

A liderança do Gemini 4 Carbon, embora estreita, sinaliza um reposicionamento do Google em um cenário onde Anthropic e OpenAI vinham alternando a dianteira. A diferença de um único ponto no Intelligence Index demonstra que os modelos de fronteira atingiram um patamar de paridade técnica, no qual fatores como custo, latência e confiabilidade passam a definir a escolha das empresas.

O teste AA-Omniscience v1.1, ao medir tanto o conhecimento factual quanto a propensão a erros, introduz uma dimensão qualitativa à corrida dos benchmarks. Para setores regulados, como saúde, finanças e jurídico, a capacidade de um modelo reconhecer os limites do próprio conhecimento pode ser mais valiosa do que pontos adicionais em índices de inteligência geral.

A escala de -100 a +100 utilizada no teste reflete um espectro que vai desde respostas completamente alucinadas até recuperações precisas e verificáveis. O fato de nenhum modelo ter ultrapassado 54 pontos sugere que a indústria ainda precisa resolver questões fundamentais de calibração e honestidade epistêmica antes de promover implantações críticas em larga escala.

Fonte Primária: Google, Tom's Hardware (Cobertura / Radar)

Versão descontinuada do aplicativo de streaming pirata mantém uma brecha grave que permite execução remota de código e exposição massiva de dados dos usuários

Uma falha de segurança crítica na versão antiga do Popcorn Time mantém até 3 milhões de computadores com Windows e 350 mil Macs expostos a ataques remotos. O aplicativo de streaming pirata, que foi descontinuado, deixou de receber atualizações, mas uma parcela significativa de usuários ainda mantém o software instalado em seus dispositivos.

A mecânica da vulnerabilidade

A brecha permite a execução remota de código (RCE, na sigla em inglês), um tipo de falha que possibilita a um atacante controlar o dispositivo afetado à distância. Na prática, isso significa que um invasor pode instalar programas maliciosos, roubar dados pessoais ou incluir o computador em redes de botnets sem que o usuário perceba.

O problema é agravado pelo fato de o Popcorn Time ter sido abandonado por seus desenvolvedores. Sem atualizações, não há correção disponível para a falha, e os usuários que continuam a usar o aplicativo estão permanentemente vulneráveis.

Impacto e recomendações

A exposição de milhões de dispositivos levanta preocupações sobre a segurança de dados pessoais e a possibilidade de ataques em larga escala. Especialistas em cibersegurança recomendam que os usuários desinstalem imediatamente qualquer versão antiga do Popcorn Time e realizem uma varredura completa em seus sistemas para detectar possíveis infecções.

A falha também serve como alerta sobre os riscos de manter softwares descontinuados em uso, especialmente aqueles que operam com protocolos de rede e podem ser explorados remotamente. A ausência de suporte oficial transforma o aplicativo em um vetor permanente de ataques.

O legado do Popcorn Time

O Popcorn Time ganhou notoriedade por oferecer streaming de filmes e séries de forma pirata, com uma interface amigável que facilitava o acesso a conteúdo protegido por direitos autorais. O projeto foi alvo de ações judiciais e pressão de autoridades em diversos países, o que levou ao seu encerramento.

Agora, a vulnerabilidade exposta revela um efeito colateral duradouro: usuários que resistiram a abandonar o aplicativo carregam consigo um risco de segurança que não pode ser mitigado por atualizações. A recomendação é clara: a única forma de eliminar a exposição é remover o software definitivamente.

A versão descontinuada do aplicativo mantém uma brecha que permite a execução remota de código, expondo dados de milhões de usuários que ainda utilizam o software

Fonte Primária: Les Numériques

Novo recurso baixa uma imagem limpa do sistema direto dos servidores da Microsoft, dispensando pendrives e mídia física; estreia ocorre em meio à queda de receita do segmento de PCs

A Microsoft oficializou o Cloud Rebuild, recurso que permite reinstalar o Windows 11 baixando uma imagem limpa do sistema operacional diretamente dos servidores da empresa. A funcionalidade dispensa pendrives, DVDs ou arquivos ISO preparados manualmente pelo usuário — até então, o caminho padrão para restaurar uma instalação corrompida.

O anúncio foi feito nos canais de teste do Windows Insider, onde a build do sistema passou a incluir a novidade. Na prática, o usuário aciona a opção de recuperação e o Windows busca, nos servidores da Microsoft, uma cópia íntegra do sistema para reinstalação.

O Cloud Rebuild elimina a dependência de mídia física ao puxar uma imagem íntegra do sistema diretamente dos servidores da Microsoft

Como o recurso opera na prática

O Cloud Rebuild funciona como uma camada adicional às ferramentas de recuperação já existentes no Windows 11. Em vez de exigir que o usuário localize a mídia de instalação correta — problema recorrente em máquinas sem unidade óptica e em modelos compactos —, o sistema se encarrega do download da imagem.

A abordagem reduz pontos de falha no processo: elimina versões desatualizadas de ISO, evita mídias danificadas e simplifica a restauração em dispositivos que perderam a partição de recuperação original. É uma resposta direta a um dos cenários mais comuns de suporte técnico doméstico e corporativo.

Ajustes no menu de contexto

Além do Cloud Rebuild, a Microsoft refinou o menu de contexto do Windows 11, aquele que aparece com o clique direito do mouse. As mudanças simplificam o acesso a ações frequentes, como copiar, renomear e compartilhar arquivos, reduzindo a necessidade de abrir submenus.

O ajuste responde a uma das críticas mais persistentes à interface do Windows 11 desde o lançamento: o excesso de camadas no menu de contexto herdado do Windows 10.

Um lançamento em meio à retração do mercado de PCs

A oficialização do recurso ocorre em um momento delicado para o negócio de computadores pessoais. A receita do segmento de PCs registrou queda no balanço mais recente da Microsoft, refletindo um mercado global que desacelerou após o ciclo de renovação estimulado pela pandemia.

Nesse contexto, investir em ferramentas de manutenção e recuperação do sistema operacional funciona como estratégia de retenção: um Windows 11 mais fácil de restaurar reduz o risco de migração para outras plataformas e diminui o custo de suporte para fabricantes parceiras e para o próprio ecossistema corporativo.

O Cloud Rebuild chega primeiro aos canais de teste do Windows Insider, etapa que antecede a distribuição ampla para todos os usuários do sistema.

Fonte Primária: Microsoft

CEO da OpenAI afirma que manter DRAM em computadores pessoais subutilizados é 'terrível' para a alocação global de um recurso escasso, enquanto Samsung e SK Hynix já reservaram a produção futura para nuvem e Stargate

O CEO da OpenAI, Sam Altman, afirmou em entrevista ao podcast Cheeky Pint que manter a memória DRAM em computadores pessoais, em vez de concentrá-la em data centers, é uma alocação "terrível" do recurso em escala global. A declaração foi dada durante a conversa, na qual ele também comentou o impacto da IA na matemática e a escassez de RAM que afeta o setor de tecnologia.

Segundo Altman, muitos entusiastas da inferência local acreditam que modelos de código aberto rodando em máquinas domésticas resolveriam o problema de demanda por infraestrutura. Ele contesta essa lógica: com a oferta mundial de DRAM limitada, distribuir a memória por milhões de PCs subutilizados desperdiça capacidade que deveria estar em nuvem.

“Do ponto de vista da alocação global, na verdade é bastante terrível ter todo mundo com um monte do limitado suprimento mundial de DRAM em seu próprio computador, sendo usado apenas 5% do tempo” — Sam Altman, CEO da OpenAI

A lógica da utilização máxima

O argumento central de Altman é econômico e logístico. Um computador pessoal típico usa sua memória RAM de forma intermitente — em média, apenas 5% do tempo, segundo sua estimativa. Já em um data center, a mesma quantidade de DRAM pode ser alocada dinamicamente entre milhares de cargas de trabalho simultâneas, atingindo utilização próxima da totalidade.

"Você quer utilização máxima na nuvem se está tentando lidar com esse ambiente de oferta tão restrita", disse o CEO. "E, de alguma forma, a intuição de muitas pessoas é o oposto disso."

Quem já reservou a produção

A escassez não é hipotética. Fabricantes de memória como Samsung e SK Hynix firmaram acordos de longo prazo com operadores de serviços de nuvem e com projetos de infraestrutura de IA, incluindo o Stargate, da própria OpenAI. Esses contratos reservaram grande parte da produção mundial de RAM para os próximos anos.

O resultado direto já é sentido pelo consumidor: laptops, celulares e outros dispositivos eletrônicos estão ficando mais caros à medida que as fabricantes priorizam contratos de alto volume com o setor corporativo. Os bilhões que as empresas de nuvem estão dispostas a pagar por chips de memória redefinem a cadeia de prioridades da indústria de semicondutores.

O dilema da inferência local

A fala de Altman reacende uma tensão estrutural no ecossistema de IA: a promessa de modelos abertos rodando localmente versus a realidade física da oferta de memória. Não se trata apenas de PCs gamer ou estações de trabalho de desenvolvedores, mas de qualquer dispositivo que dependa de DRAM — incluindo notebooks profissionais e máquinas voltadas a desenvolvimento com IA.

Para a indústria, o recado é claro: em um cenário de restrição de oferta, a eficiência agregada da nuvem se sobrepõe ao conforto da posse local. A questão que permanece é como conciliar a demanda crescente por privacidade e autonomia computacional com a realidade de um recurso físico finito e cada vez mais disputado.

Fonte Primária: The Verge

Empresa americana adapta know-how de computação quântica para criar comutador de circuito óptico sem partes móveis que reduz perda de luz e promete desafogar o tráfego entre GPUs

A PsiQuantum, empresa americana conhecida pelo desenvolvimento de computadores quânticos fotônicos, apresentou um protótipo de comutador de circuito óptico (OCS) voltado para redes de GPUs em data centers de inteligência artificial. O dispositivo usa circuitos gravados em um chip de silício sem partes móveis — uma abordagem distinta dos switches baseados em microespelhos usados por concorrentes como Google e Lumentum.

A lógica do OCS é simples na essência e complexa na execução: a luz atravessa o switch diretamente de fibra para fibra, sem conversão para sinais elétricos e de volta. Switches convencionais fazem essa conversão a cada salto, o que consome energia e adiciona latência. O circuito óptico, por sua vez, mantém um caminho fixo de luz até que uma mudança seja ordenada.

O switch da PsiQuantum usa circuitos gravados em um chip de silício sem partes móveis, ao contrário dos minúsculos espelhos do Google e da Lumentum

Por que a conversão elétrica virou gargalo

O problema que a PsiQuantum tenta resolver ganha escala à medida que os clusters de IA crescem. Mover dados entre GPUs está se tornando rapidamente um gargalo, e a óptica representa um salto de largura de banda sobre o cobre, que tem limitações de alcance. O objetivo é melhorar a largura de banda e a distância de comunicação para que diferentes racks de GPUs conversem em alta velocidade e ajam como um único sistema.

A principal penalidade do OCS está na quantidade de luz perdida ao atravessar o switch. Nesse quesito, o protótipo da PsiQuantum fica abaixo de 2 dB — ou menos de 37% de luz perdida —, patamar semelhante ao de soluções da Salience Labs e da iPronics, que usam amplificação embutida. O switch Palomar, do Google, baseado em espelhos, também costuma ficar abaixo de 2 dB.

A desvantagem do protótipo: escala

O ponto fraco do dispositivo da PsiQuantum é o número de portas. O protótipo tem apenas oito, contra 136 do Palomar do Google e 300 da Lumentum. A Salience Labs opera com 32. A empresa afirma ter planos de desenvolver dispositivos maiores, mas o caminho até a paridade com os concorrentes ainda é longo.

A aposta da PsiQuantum é que a arquitetura sem partes móveis traga vantagens de durabilidade e estabilidade em ambientes de data center, onde componentes mecânicos sofrem desgaste. A empresa não divulgou prazos para a versão comercial nem metas de capacidade para os dispositivos maiores em desenvolvimento.

Fonte Primária: PsiQuantum

Nova geração do modelo frontier do Google promete avanços em detecção de vulnerabilidades e raciocínio sobre código, mas acesso permanece limitado a um grupo restrito de pesquisadores e empresas de segurança

O Google DeepMind revelou o Gemini 4 Carbon, sua mais nova geração de modelo frontier de inteligência artificial, com foco declarado em aplicações de cibersegurança. O anúncio, feito pela divisão de pesquisa da empresa, posiciona o modelo como uma ferramenta para identificar vulnerabilidades e raciocinar sobre código em escala — mas sem qualquer indicação de quando, ou se, chegará ao público geral.

A estratégia reflete um movimento mais amplo entre os laboratórios de ponta: manter os modelos mais capazes sob acesso controlado, distribuindo-os primeiro a parceiros de confiança em setores sensíveis como segurança, defesa e infraestrutura crítica.

O modelo foi projetado para identificar falhas exploráveis em código real antes que atores maliciosos o façam — mas o Google não divulgou cronograma de acesso público

O que o Gemini 4 Carbon traz de novo

Segundo a divulgação, o modelo foi treinado com ênfase em tarefas de segurança ofensiva e defensiva — desde a análise estática de bases de código até a simulação de vetores de ataque em ambientes controlados. A proposta é que pesquisadores e equipes de resposta a incidentes possam usar o modelo para antecipar falhas exploráveis antes que sejam descobertas por atores maliciosos.

A arquitetura mantém a linhagem multimodal das gerações anteriores, mas incorpora ajustes específicos para raciocínio sobre linguagens de programação e protocolos de rede. O Google não divulgou benchmarks detalhados nem especificações técnicas completas do modelo.

Acesso restrito como estratégia

A decisão de não disponibilizar o Gemini 4 Carbon publicamente não é isolada. Laboratórios como Anthropic e OpenAI adotaram abordagens semelhantes com modelos de capacidade elevada, liberando-os primeiro para programas de acesso antecipado com organizações selecionadas.

No caso do Google, o acesso está sendo concedido a um grupo restrito de parceiros em programas de segurança cibernética. A empresa não especificou quais organizações integram esse grupo nem os critérios de seleção.

O que isso significa para o mercado

A restrição cria uma assimetria: enquanto o público continua usando versões anteriores do Gemini, um seleto grupo de empresas e instituições tem acesso a capacidades que podem redefinir a dinâmica de descoberta e exploração de vulnerabilidades.

Para o setor de segurança, a chegada de um modelo frontier especializado levanta questões sobre dualidade de uso — as mesmas capacidades que ajudam defensores a encontrar falhas podem, em teoria, ser empregadas para explorá-las. O Google afirma que o acesso controlado é parte da mitigação desse risco.

A empresa não divulgou cronograma para expansão do acesso nem detalhes sobre o processo de seleção de novos parceiros.

Fonte Primária: Ars Technica

Estudo da consultoria revela que 77% dos conselhos esperam ganhos de produtividade, mas falta de alinhamento entre lideranças e dificuldade de transformar tempo economizado em inovação travam o retorno financeiro

A promessa de que a inteligência artificial elevaria a produtividade corporativa e reduziria custos operacionais continua distante da realidade financeira de boa parte das organizações. Dados divulgados pelo Gartner revelam que apenas 3% das empresas conseguiram superar as metas de economia de custos por ganhos de produtividade com IA.

O número contrasta diretamente com a expectativa dos conselhos administrativos: cerca de 77% dos executivos esperavam que a tecnologia aumentasse a produtividade e reduzisse despesas. Ao mesmo tempo, 38% das companhias já gastaram mais com IA do que o previsto, e 85% pretendem aumentar os investimentos na tecnologia em 2027.

Apenas 21% do tempo liberado pelo uso de IA foi redirecionado para atividades consideradas inovadoras, segundo o Gartner

O desalinhamento entre as lideranças

Segundo a consultoria, uma das principais dificuldades está na falta de consenso dentro das próprias empresas. Uma pesquisa realizada em julho com 297 diretores de recursos humanos mostrou que 78% dos líderes não estão alinhados sobre onde a IA realmente gera valor.

O cenário reforça resultados de outros estudos. Em fevereiro, o Tecnoblog mostrou que mais de 80% das empresas também não haviam registrado ganhos de produtividade com a tecnologia. Os custos, por sua vez, começam a pesar: executivos têm dificuldade para entender e prever os gastos com ferramentas de IA, principalmente por causa dos modelos de cobrança baseados no consumo de tokens.

O tempo economizado que não vira inovação

Outro problema apontado pela consultoria é transformar a produtividade extra em crescimento real. Em uma pesquisa com 1.865 trabalhadores, o Gartner descobriu que apenas 21% do tempo liberado pelo uso de IA foi redirecionado para atividades consideradas inovadoras.

Para a diretora sênior de análise do Gartner, CV Viverito, as empresas já conseguem liberar parte da capacidade dos funcionários ao automatizar tarefas. A dificuldade está em aproveitar esse tempo para desenvolver novos produtos, serviços ou outras fontes de receita.

O que a consultoria recomenda

Diante desse cenário, o Gartner recomenda que as organizações concentrem os investimentos nas áreas em que a tecnologia realmente pode gerar valor, distribuam conhecimento sobre IA entre diferentes equipes e redesenhem funções, levando em conta as novas ferramentas.

A conclusão é que o problema não está na capacidade técnica da IA de automatizar tarefas, mas na ausência de uma estratégia clara para converter eficiência operacional em resultados financeiros mensuráveis.

Fonte Primária: Tecnoblog

Gigantes da tecnologia recorrem a tradições religiosas e líderes espirituais para definir valores humanos e evitar respostas prejudiciais em sistemas de inteligência artificial

A Anthropic, o Google, a Meta e a Microsoft estão recorrendo a religiões e líderes espirituais para discutir o comportamento de sistemas de inteligência artificial. A iniciativa, revelada nesta quinta-feira (29), busca estabelecer referências éticas para que chatbots tomem decisões responsáveis, reconheçam dilemas morais e evitem respostas prejudiciais.

A Busca por Referências Morais

A aproximação entre empresas de tecnologia e tradições religiosas reflete um desafio crescente no desenvolvimento de IA: como incorporar diferentes crenças e valores humanos às regras que governam o comportamento dos modelos de linguagem. Os chatbots, treinados em vastos conjuntos de dados da internet, absorvem vieses e perspectivas diversas — e as empresas buscam agora fontes externas de autoridade moral para calibrar suas respostas.

O diálogo com líderes religiosos não se limita a uma única tradição. A iniciativa envolve representantes de diferentes fés, que são convidados a discutir como princípios éticos universais podem ser traduzidos em diretrizes técnicas para os sistemas.

O Desafio Técnico da Ética

Traduzir valores religiosos e culturais em regras computacionais não é trivial. Os modelos de linguagem operam por meio de padrões estatísticos aprendidos de dados, e a incorporação de princípios éticos exige camadas adicionais de treinamento e ajuste fino. As empresas buscam, com esse diálogo, desenvolver mecanismos que permitam aos chatbots reconhecer contextos sensíveis e responder de forma alinhada a valores humanos compartilhados.

A questão central é como conciliar crenças diversas em um único sistema que atende usuários globalmente. Uma resposta considerada apropriada em uma cultura pode ser vista como inadequada em outra — e as empresas precisam navegar essa complexidade sem impor uma única visão de mundo.

Implicações para o Setor

A iniciativa das quatro gigantes — Anthropic, Google, Meta e Microsoft — sinaliza uma mudança na forma como a indústria aborda o alinhamento de IA. Em vez de depender exclusivamente de equipes internas de ética e segurança, as empresas buscam legitimidade externa para suas escolhas de design.

O movimento também levanta questionamentos sobre a governança da IA. Quem deve definir os valores que guiam os chatbots? As empresas, os reguladores ou as comunidades religiosas e culturais? A resposta a essa pergunta moldará não apenas a tecnologia, mas também a confiança pública nos sistemas de IA que se tornam cada vez mais presentes no cotidiano.

A iniciativa busca estabelecer referências para chatbots tomarem decisões responsáveis, reconhecerem dilemas morais e evitarem respostas prejudiciais

Fonte Primária: Olhar Digital

Empresa do ChatGPT já aluga processadores do Google desde 2025 e agora avalia aquisição direta, em movimento que expõe a disputa por capacidade computacional para treinar e executar modelos de inteligência artificial

A OpenAI avalia adquirir chips de inteligência artificial fabricados pelo Google, segundo apuração do veículo americano The Information. A empresa responsável pelo ChatGPT já aluga processadores da gigante das buscas desde 2025, e a possível compra representaria um passo além nessa relação comercial.

Até o momento, não foram divulgados detalhes sobre o valor do negócio, a quantidade de processadores envolvida nem o prazo para a concretização da compra. Procurado pela Reuters, o Google não respondeu ao pedido de comentário, e a OpenAI se recusou a comentar o assunto.

A concorrência no setor de IA não impede relações comerciais entre empresas que disputam o mesmo mercado

A mecânica por trás da disputa

Os chips de IA do Google — os TPUs (Tensor Processing Units) — são projetados para acelerar o treinamento e a execução de modelos de aprendizado de máquina. A infraestrutura é o gargalo central da indústria de inteligência artificial: treinar modelos fundacionais exige milhares de aceleradores operando em cluster por semanas ou meses.

A OpenAI depende historicamente da Nvidia para esse fornecimento. Diversificar a base de processadores reduz o risco de escassez e amplia a capacidade de expansão da empresa, que enfrenta concorrência direta do próprio Google no mercado de modelos generativos.

Rivalidade e interdependência

O movimento evidencia como a competição no setor de IA não impede relações comerciais entre empresas que disputam o mesmo mercado. O Google desenvolve seus próprios modelos e compete com a OpenAI em produtos e serviços, mas seus processadores podem atender às necessidades de infraestrutura de outras companhias.

A informação divulgada não esclarece se a OpenAI pretende substituir parte dos equipamentos que utiliza atualmente ou apenas ampliar suas opções de processamento. A decisão de comprar em vez de alugar sinalizaria um compromisso de longo prazo com a plataforma do Google.

O que está em jogo

A disputa por infraestrutura de IA se tornou o campo de batalha silencioso da indústria. Quem controla a capacidade de processamento controla o ritmo de lançamento de novos modelos — e, por consequência, a posição competitiva no mercado.

A eventual aquisição de chips do Google pela OpenAI reforçaria a posição da gigante das buscas como fornecedora de infraestrutura para rivais, modelo de negócio que já pratica com outras empresas. Para a OpenAI, o acordo representaria mais uma camada de diversificação em um momento de expansão acelerada de suas operações.

Fonte Primária: The Information