Leo Candido

Leo CandidoSep 12, 2026

🤯 Rumores circulam de que o Google DeepMind teria atingido RSI (recursive self-improvement) o autoaperfeiçoamento recursivo. Eu normalmente desconfio bastante de alguns vazamentos que parecem bons demais para não ser marketing... Mas... neste caso, o timing da coisa merece um pouco de atenção. Agorinha o Dario Amodei CEO da Anthropic postou um texto pedindo que a indústria desacelere o avanço das capacidades de IA para que a segurança consiga acompanhar. Se esse rumor for verdadeiro a interpretação desse texto muda um pouco. Texto completo aqui: https://lnkd.in/duEHyA8M Ele diz que desde o verão, os própios modelos já ajudam a construir a próxima geração de modelos sucessores toda a indústria, inclusive na Anthropic. Nesta semana, Sam Altman também disse aos funcionários da OpenAI que a empresa está aberta a uma desaceleração coordenada. Pode ser coincidência. Mas convenhamos que seria uma coincidência muito bem sincronizada. Se olhar bem, o Google também já tinha deixado uma pista. No anúncio do Gemini 3.8, eles comentaram que "ciclos agênticos de longa duração" foram usados para avaliar e refinar recursivamente os próprios modelos. Explicando de forma simples, o RSI acontece quando um modelo ajuda a melhorar o processo que produz seu sucessor. O sucessor, mais capaz, melhora o próximo. A velocidade do desenvolvimento começa a crescer junto com a capacidade do próprio sistema. Daí a competição muda brutalmente. Até agora, Google, OpenAI e Anthropic disputavam benchmarks, preço, chips, infraestrutura e até distribuição. Mas com RSI meus amigos...aí a velocidade desse ciclo vai valer mais do que os pontos de benchmark. E temos o Google que controla modelos, TPUs, data centers, pesquisa e distribuição. Não é exatamente pouca coisa para quem pode ter acabado de encontrar uma forma de acelerar a própria aceleração. O problema dessa história de pedir desaceleração é que desacelerar sozinho significa literalmentw entregar a corrida de bandeja para quem continuar avançando. Difícil pensar em como isso vai e se vai acontecer. Mesmo por que tem o fator China no meio. Mas é isso turma. Rumor verdadeiro ou não o fato é que a hora em que a IA começa a melhorar o próprio motor durante a corrida está chegando. Pode ser marketing. Mas, se for real, nossa obsessão por benchmarks vai parecer uma discussão bem pequena diante disso aí.

Leo CandidoSep 14, 2026

💪 Uma curadoria com 10 repositórios do GitHub pra você começar a semana ganhando tempo, testando e aprendendo sobre IA no processo. Eu conferi os dez. Todos têm código aberto. Oito usam MIT, um Apache 2.0 e um AGPL 3.0. E tem coisa muito boa aqui. 1. Archify Lê um repositório ou uma descrição e gera mapas interativos de arquitetura, sequência, workflow e fluxo de dados. Exporta HTML, PNG, SVG e WebM. https://lnkd.in/dwz5a8Mw 2. OpenMAIC Um tema ou documento vira uma aula conduzida por vários agentes, com slides, quizzes, simulações, atividades e páginas interativas (lembra a proposta do Gemini Notebook). https://lnkd.in/dYvKbvV7 3. DeepSeek Harness O harness oficial da DeepSeek. Arquivos, shell, terminal, skills, subagentes e ferramentas são combinados como plugins. Ainda está em developer preview mas já mostra um potencial absurdo. https://lnkd.in/d8n7Dzb7 4. Ponytail Coloca um “engenheiro sênior preguiçoso” dentro do agente. Antes de criar abstrações e dependências, ele tenta reutilizar o que existe e escrever só o necessário. https://lnkd.in/ds2YgX8S 5. Agent Skills Addy Osmani reuniu 25 skills de engenharia para agentes de código, cobrindo especificação, planejamento, testes, segurança, revisão e entrega. https://lnkd.in/dyR8aqEK 6. VoiceStudio O antigo OmniVoice Studio. Faz clonagem e criação de vozes, dublagem, transcrição, ditado e audiobooks. No fluxo padrão, tudo roda localmente. https://lnkd.in/due9qY_e 7. Scientific Agent Skills São 165 skills e mais de 100 bases para biologia, química, medicina, genômica e descoberta de fármacos. Bem além de pedir ao agente para “pesquisar um assunto”. https://lnkd.in/diKXNmyr 8. Orca Dispara o mesmo prompt para até cinco agentes, cada um em uma worktree isolada. Você compara os resultados, revisa os diffs e integra o vencedor. https://lnkd.in/dh4M5mAa 9. MiniMind Um LLM de 64 milhões de parâmetros com pipeline de treinamento em PyTorch. Inclui pretraining, SFT, LoRA, RLHF, tool use e destilação. https://lnkd.in/dgKkVwXe 10. God’s Eye View Um “satélite espião” no navegador, com voos, navios, satélites, terremotos, trânsito e câmeras públicas sobre um globo 3D. https://lnkd.in/dgStW_Cc Agora, open source não transforma GPU, APIs e dados de terceiros em trabalho voluntário. VoiceStudio usa AGPL e modelos podem ter termos próprios. No Scientific Agent Skills, cada skill pode ter uma licença. No God’s Eye View, os dados e assets seguem regras próprias. Alguns você consegue testar ainda hoje. Outros eu leria com calma antes de instalar. Mas salvaria os dez.

Leo CandidoSep 14, 2026

Enquanto alguns pedem pra desacelerar a corrida da IA vi esse paper chinês chamado “The Last AI Built by Humans” (A última IA criada por humanos). O título não é discreto mas é bem provocativo eu diria... e até interessante considerando o contexto atual. E não... ele não anuncia que a China alcançou o autoaperfeiçoamento recursivo. Mas organiza o RSI como um roteiro de engenharia em cinco níveis. É um dos conteúdos bons de todos acompanharem, até por que, tá bem claro que RSI é um assunto que vai ganhar cada vez mais força. Em termos simples, seria uma IA capaz de: Identificar as próprias limitações. - Criar e testar melhorias. - Incorporar permanentemente o que funcionou. - Usar essa nova capacidade para melhorar o próprio processo de melhoria. O trabalho nesse paper propõe cinco níveis de autonomia: L1 - executa melhorias planejadas por humanos. L2 - escolhe como melhorar. L3 - cria as próprias experiências de aprendizagem. L4 - aprende continuamente com o ambiente e o uso. L5 - modifica o mecanismo que gera e avalia suas próximas melhorias. A IA começa executando melhorias definidas por humanos e avança até escolher estratégias, buscar as próprias experiências, adaptar-se ao ambiente e modificar o mecanismo que produz a próxima melhoria. Talvez ainda estejamos longe disso. Os autores reconhecem algumas regressões, manipulação de avaliadores, dificuldade de transferir ganhos e a necessidade de supervisão humana. A Anthropic por exemplo defende a possibilidade de desacelerar ou pausar, desde que os demais laboratórios façam o mesmo de forma verificável. Já o cientista-chefe da OpenAI afirma que nenhum laboratório resolveu alinhamento o suficiente para manter a velocidade máxima por muito mais tempo. (Será?) Enquanto isso, uma parte relevante da pesquisa chinesa trata RSI como algo a ser estruturado, testado e industrializado. Por enquanto não significa que a China decidiu ignorar segurança. Mas o fato é que sem uma coordenação global que seja verificável, quem desacelerar sozinho vai entregar o ouro justamente a quem não pisou no freio. Na real acho que ninguém vai parar. Segurança virou também um problema de teoria dos jogos. E esse paper deixa isso um pouco menos abstrato. https://lnkd.in/dSsFWxt4