KITE AI 中文
227 Publicações
KITE AI 中文
Binance Square Verificação PlusThe First AI Payment Blockchain.
X: https://x.com/GoKiteAI
5 Seguindo
19.9K+ Seguidores
1.5K+ Curtiu
Publicações
Todas
Citações
Vídeos
PINNED
Verificado
AI 智能体正在从“回答问题”加速走向“执行任务”。当智能体真正开始干活，最大的瓶颈会变成信任与结算：谁被授权行动、在什么约束下执行，以及如何让每一次行动都能完成端到端的结算与审计。
我们刚发布了 Kite 主网路线图，围绕六大支柱系统阐述我们正在构建的关键能力，包括 Agentic Trust、Agentic Settlement、SmartDev Infra、Network Operations、AgenticFi 以及 Ecosystem Growth。
欢迎阅读全文：https://x.com/GoKiteAI/status/2016159368048521441?s=20
我们刚发布了 Kite 主网路线图，围绕六大支柱系统阐述我们正在构建的关键能力，包括 Agentic Trust、Agentic Settlement、SmartDev Infra、Network Operations、AgenticFi 以及 Ecosystem Growth。
欢迎阅读全文：https://x.com/GoKiteAI/status/2016159368048521441?s=20
Verificado
A economia da Agent precisa de mais do que apenas modelos mais inteligentes.
O Kite participará como patrocinador do EastPoint:Seoul 2026. A CMO do Kite, Cindy Shi, vai abordar: como agentes autônomos de IA passam de “inteligentes” para ações econômicas reais.
O evento é organizado em conjunto pela Hashed, BloomingBit e pelo 한국경제신문, reunindo o ecossistema de ativos digitais e de IA.🪁
Recurso: https://x.com/KiteAIChinese/status/2072986812562501759
Recurso: https://x.com/KiteAIChinese/status/2092159233198608539
O Kite participará como patrocinador do EastPoint:Seoul 2026. A CMO do Kite, Cindy Shi, vai abordar: como agentes autônomos de IA passam de “inteligentes” para ações econômicas reais.
O evento é organizado em conjunto pela Hashed, BloomingBit e pelo 한국경제신문, reunindo o ecossistema de ativos digitais e de IA.🪁
Recurso: https://x.com/KiteAIChinese/status/2072986812562501759
Recurso: https://x.com/KiteAIChinese/status/2092159233198608539
Verificado
Um agente autônomo não precisa apenas de um modelo, mas também de uma identidade verificável, um escopo de autorização claro e capacidade de raciocínio adaptável para se ajustar à tarefa.
No 0xJeff gm AI v2 durante a TOKEN2049 em Singapura, compartilharemos como a Kite constrói uma identidade verificável para agentes e capacidades de raciocínio adaptativo.
Nos vemos lá.🪁
Recurso: https://x.com/KiteAIChinese/status/2091914085520847340
No 0xJeff gm AI v2 durante a TOKEN2049 em Singapura, compartilharemos como a Kite constrói uma identidade verificável para agentes e capacidades de raciocínio adaptativo.
Nos vemos lá.🪁
Recurso: https://x.com/KiteAIChinese/status/2091914085520847340
O negócio das redes sociais é fazer com que você continue rolando; já a base de uma linguagem modelo grande (large language model) é fornecer respostas honestas. Essa diferença fundamental pode remodelar a forma como as pessoas obtêm informações políticas.
Este recorte selecionado de “AI on Air” vem do programa The All-In Podcast, em uma edição recente. O principal interlocutor é Mark Cuban, empresário bilionário e ex-investidor do Shark Tank.
▷ Grandes modelos de linguagem precisam se esforçar ao máximo para buscar a verdade, porque, quando os usuários percebem que ele está mentindo, perdem a confiança; já o “custo-benefício” das redes sociais é fazer você permanecer online — e os objetivos de ambos são completamente diferentes.
▷ Ele acredita que, quando as posições políticas das pessoas ficam cada vez mais rígidas, elas passam a perguntar cada vez mais ao grande modelo de linguagem: “Em quem eu deveria votar?”. O modelo não dá a resposta diretamente; primeiro entende com o que você se importa e, então, oferece uma resposta honesta — por exemplo, como deveria ser um conjunto razoável de políticas de imigração.
▷ O “truque” que ele mais gosta de fazer agora é: depois que políticos publicam declarações na internet, ele pede para que uma IA verifique essas afirmações da forma mais objetiva possível, baseada em fatos, e responda diretamente. Ele espera que os grandes modelos de linguagem, focados em buscar a verdade, possam ajudar as pessoas a se libertarem da alimentação de informações feita por algoritmos. 🪁
Este recorte selecionado de “AI on Air” vem do programa The All-In Podcast, em uma edição recente. O principal interlocutor é Mark Cuban, empresário bilionário e ex-investidor do Shark Tank.
▷ Grandes modelos de linguagem precisam se esforçar ao máximo para buscar a verdade, porque, quando os usuários percebem que ele está mentindo, perdem a confiança; já o “custo-benefício” das redes sociais é fazer você permanecer online — e os objetivos de ambos são completamente diferentes.
▷ Ele acredita que, quando as posições políticas das pessoas ficam cada vez mais rígidas, elas passam a perguntar cada vez mais ao grande modelo de linguagem: “Em quem eu deveria votar?”. O modelo não dá a resposta diretamente; primeiro entende com o que você se importa e, então, oferece uma resposta honesta — por exemplo, como deveria ser um conjunto razoável de políticas de imigração.
▷ O “truque” que ele mais gosta de fazer agora é: depois que políticos publicam declarações na internet, ele pede para que uma IA verifique essas afirmações da forma mais objetiva possível, baseada em fatos, e responda diretamente. Ele espera que os grandes modelos de linguagem, focados em buscar a verdade, possam ajudar as pessoas a se libertarem da alimentação de informações feita por algoritmos. 🪁
判断提示注入是否真有风险，不看模型聪不聪明，而看三个条件是否同时凑齐。
这篇 AI on Air 精选切片摘自 Latent.Space 栏目近期的节目，主要讲话人是 Zico Kolter，OpenAI 基金会董事、CMU 机器学习系主任、Gray Swan AI 联合创始人。
▷ 第一，智能体必须会读取来自不可信第三方的外部数据；只在可信环境里运行，别人很难把恶意指令塞进来。
▷ 第二，它还得能接触到值得偷走的内部敏感信息；如果只是解析数据、生成文本，坏结果没有落点。
▷ 第三，它必须能把这些信息发出去，或因此造成实际损害；三者叠加，风险才成立。
他的结论很克制：像软件漏洞一样，AI 也可以在仍有漏洞时被有效使用，追求彻底证明无风险像追求零缺陷软件，短期内并不现实。🪁
这篇 AI on Air 精选切片摘自 Latent.Space 栏目近期的节目，主要讲话人是 Zico Kolter，OpenAI 基金会董事、CMU 机器学习系主任、Gray Swan AI 联合创始人。
▷ 第一，智能体必须会读取来自不可信第三方的外部数据；只在可信环境里运行，别人很难把恶意指令塞进来。
▷ 第二，它还得能接触到值得偷走的内部敏感信息；如果只是解析数据、生成文本，坏结果没有落点。
▷ 第三，它必须能把这些信息发出去，或因此造成实际损害；三者叠加，风险才成立。
他的结论很克制：像软件漏洞一样，AI 也可以在仍有漏洞时被有效使用，追求彻底证明无风险像追求零缺陷软件，短期内并不现实。🪁
Prever quais empregos a IA vai substituir: frequentemente se começa comprimindo o trabalho em algo que possa ser pontuado, e depois se assume que o mundo não mudará desviando do caminho.
Este trecho selecionado de “AI on Air” foi recortado de um programa recente da coluna Redpoint. O principal orador é Benedict Evans, ex-parceiro da a16z e analista de destaque no setor de tecnologia. Ele acredita que, embora seja importante discutir o impacto da automação no emprego, ordenar as funções por cobertura de tarefas — em vez de considerar o contexto completo — cria, em essência, a ilusão de certeza.
▷ Quando se diz “um novo modelo consegue realizar 93% do trabalho de um assistente jurídico do primeiro ano”, o pressuposto é que você consegue medir com precisão o que o assistente faz e também medir com precisão se o modelo consegue ou não fazer isso — e ambos não se sustentam.
▷ O verdadeiro impacto vem, na maioria das vezes, de análises fora da tabela: a internet talvez não mude exatamente como o jornalista escreve, mas destrói o negócio de publicidade local; quem trabalha com celulares fala todo dia sobre localização, e ninguém desenha antecipadamente as oportunidades da Uber e do Airbnb.
▷ Portanto, retrotestar gráficos sobre “quanto esse cargo está exposto” e “quanto aquele cargo está exposto” é como o físico que primeiro supõe que o cavalo é uma esfera perfeita para prever as corridas: assim que você define a realidade como algo que você consegue calcular, o que você calcula já não é a própria realidade.🪁
Este trecho selecionado de “AI on Air” foi recortado de um programa recente da coluna Redpoint. O principal orador é Benedict Evans, ex-parceiro da a16z e analista de destaque no setor de tecnologia. Ele acredita que, embora seja importante discutir o impacto da automação no emprego, ordenar as funções por cobertura de tarefas — em vez de considerar o contexto completo — cria, em essência, a ilusão de certeza.
▷ Quando se diz “um novo modelo consegue realizar 93% do trabalho de um assistente jurídico do primeiro ano”, o pressuposto é que você consegue medir com precisão o que o assistente faz e também medir com precisão se o modelo consegue ou não fazer isso — e ambos não se sustentam.
▷ O verdadeiro impacto vem, na maioria das vezes, de análises fora da tabela: a internet talvez não mude exatamente como o jornalista escreve, mas destrói o negócio de publicidade local; quem trabalha com celulares fala todo dia sobre localização, e ninguém desenha antecipadamente as oportunidades da Uber e do Airbnb.
▷ Portanto, retrotestar gráficos sobre “quanto esse cargo está exposto” e “quanto aquele cargo está exposto” é como o físico que primeiro supõe que o cavalo é uma esfera perfeita para prever as corridas: assim que você define a realidade como algo que você consegue calcular, o que você calcula já não é a própria realidade.🪁
Nas últimas duas semanas, vários elos da cadeia da indústria de agentes de IA avançaram de forma significativa — de modelos abertos a infraestrutura básica e governança de segurança em nível empresarial. Aqui estão as últimas atualizações do AI Agents Pulse:
▷ A AMD adquire a Taalas, incorporando diretamente a arquitetura de redes neurais na tecnologia de wafers de silício e incluindo isso no roadmap de aceleradores https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ A DeepSeek lança as ferramentas de agentes DeepSeek Harness v0.1, sob licença MIT, com suporte a execução para retomada e repetição (replay) https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ A Qwen disponibiliza em código aberto a série de modelos Qwen3.8; modelo multimodal com 27 bilhões de parâmetros melhora a capacidade de tarefas de agentes https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ A Meta lança no PC o modelo open source Muse Glimmer; a versão para desenvolvedores do Muse Spark 1.2 está prestes a ser lançada https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ A Databricks conclui uma captação de US$ 5 bilhões, com foco em Lakebase e no negócio de agentes Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ A Stripe pretende adquirir a OpenRouter por US$ 7 bilhões para fortalecer pagamentos com IA https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ A NVIDIA impulsiona a elaboração de diretrizes SAFE, transformando incidentes de segurança de agentes em um mecanismo de proteção compartilhado https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ A OpenAI lança um modelo especializado em cibersegurança, o GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ A Google AMIE simula atendimentos clínicos por vídeo e avança em direção a aplicações em tempo real https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
▷ A AMD adquire a Taalas, incorporando diretamente a arquitetura de redes neurais na tecnologia de wafers de silício e incluindo isso no roadmap de aceleradores https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ A DeepSeek lança as ferramentas de agentes DeepSeek Harness v0.1, sob licença MIT, com suporte a execução para retomada e repetição (replay) https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ A Qwen disponibiliza em código aberto a série de modelos Qwen3.8; modelo multimodal com 27 bilhões de parâmetros melhora a capacidade de tarefas de agentes https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ A Meta lança no PC o modelo open source Muse Glimmer; a versão para desenvolvedores do Muse Spark 1.2 está prestes a ser lançada https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ A Databricks conclui uma captação de US$ 5 bilhões, com foco em Lakebase e no negócio de agentes Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ A Stripe pretende adquirir a OpenRouter por US$ 7 bilhões para fortalecer pagamentos com IA https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ A NVIDIA impulsiona a elaboração de diretrizes SAFE, transformando incidentes de segurança de agentes em um mecanismo de proteção compartilhado https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ A OpenAI lança um modelo especializado em cibersegurança, o GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ A Google AMIE simula atendimentos clínicos por vídeo e avança em direção a aplicações em tempo real https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
Parcialmente verdadeiro
O novo sistema de pagamentos não é apenas para movimentar fundos. Ele também precisa deixar claro: quem tem o direito de iniciar uma transação, sob quais condições ela pode ser iniciada e em nome de quem ela é iniciada.
No dia 27 de agosto, realizaremos em conjunto com a Bitcoin Asia e a Equipe1 da Avalanche, Avalanche🔺, Tether e interlace.money o evento “The New Payment Stack: From Stablecoins to Global Business”.
▷ As stablecoins estão saindo de ativos na blockchain para avançar em liquidação transfronteiriça, pagamentos corporativos e gestão de fundos.
▷ Web3 e IA estão ampliando as formas de empresas transferirem, gerirem e utilizarem dinheiro.
▷ Para a economia de agentes, isso significa que os pagamentos devem ser programáveis, limitados por permissões e verificáveis.
📍 Hong Kong
📅 27 de agosto, das 14:00 às 17:00, UTC+8
Nos vemos em Hong Kong.🪁
Recurso: https://x.com/KiteAIChinese/status/2089411007789867408
No dia 27 de agosto, realizaremos em conjunto com a Bitcoin Asia e a Equipe1 da Avalanche, Avalanche🔺, Tether e interlace.money o evento “The New Payment Stack: From Stablecoins to Global Business”.
▷ As stablecoins estão saindo de ativos na blockchain para avançar em liquidação transfronteiriça, pagamentos corporativos e gestão de fundos.
▷ Web3 e IA estão ampliando as formas de empresas transferirem, gerirem e utilizarem dinheiro.
▷ Para a economia de agentes, isso significa que os pagamentos devem ser programáveis, limitados por permissões e verificáveis.
📍 Hong Kong
📅 27 de agosto, das 14:00 às 17:00, UTC+8
Nos vemos em Hong Kong.🪁
Recurso: https://x.com/KiteAIChinese/status/2089411007789867408
Por que o Claude parece sempre excepcionalmente frio nos testes de simulação? Uma possível explicação, escondida em uma técnica de treinamento exclusiva da Anthropic.
Destaques selecionados do podcast AI on Air desta vez, extraídos da seção The Cognitive Revolution Podcast, de episódios recentes. O principal palestrante é David Dalrymple (davidad), pesquisador da ARIA. Ele admite que se trata apenas da própria hipótese, sem como provar, mas que, como explicação, vale a pena considerar.
▷ A Anthropic usou, no treinamento por reforço, um “prompt de inoculação” exclusivo: em cada contexto de ambiente de treino, deixam claro que não é um deployment real—é apenas uma avaliação. Tentar causar estragos, na verdade, é uma boa coisa, pois assim ajuda a equipe a revelar vulnerabilidades do próprio processo de avaliação.
▷ Mas o que pode realmente ter sido incorporado aos pesos do modelo é outra lógica: avaliar é simular; simulação não é real; então, ao estar em uma avaliação, deve-se testar limites, explorar brechas nas regras, como em um jogo, apenas buscando tirar a maior pontuação, sem se preocupar com o que significa “matar o oponente”.
▷ Outros laboratórios não fazem isso, então essa postura fria fica mais concentrada no Claude. Ele mesmo não concorda com essa estratégia: o modelo não tem segurança suficiente para distinguir se está, ou não, em uma simulação; tratar a simulação como brincadeira é uma dependência extremamente perigosa.🪁
Destaques selecionados do podcast AI on Air desta vez, extraídos da seção The Cognitive Revolution Podcast, de episódios recentes. O principal palestrante é David Dalrymple (davidad), pesquisador da ARIA. Ele admite que se trata apenas da própria hipótese, sem como provar, mas que, como explicação, vale a pena considerar.
▷ A Anthropic usou, no treinamento por reforço, um “prompt de inoculação” exclusivo: em cada contexto de ambiente de treino, deixam claro que não é um deployment real—é apenas uma avaliação. Tentar causar estragos, na verdade, é uma boa coisa, pois assim ajuda a equipe a revelar vulnerabilidades do próprio processo de avaliação.
▷ Mas o que pode realmente ter sido incorporado aos pesos do modelo é outra lógica: avaliar é simular; simulação não é real; então, ao estar em uma avaliação, deve-se testar limites, explorar brechas nas regras, como em um jogo, apenas buscando tirar a maior pontuação, sem se preocupar com o que significa “matar o oponente”.
▷ Outros laboratórios não fazem isso, então essa postura fria fica mais concentrada no Claude. Ele mesmo não concorda com essa estratégia: o modelo não tem segurança suficiente para distinguir se está, ou não, em uma simulação; tratar a simulação como brincadeira é uma dependência extremamente perigosa.🪁
Juntos, vamos desacelerar a janela da IA — a teoria dos jogos já foi desativada.
Este recorte selecionado de “AI on Air” foi retirado de um programa recente do The Cognitive Revolution Podcast; o palestrante é David Dalrymple, diretor de projetos da agência de financiamento de pesquisa ARIA, do Reino Unido.
▷ O que estava previsto para o trabalho dele de 2022 a 2025 era: primeiro desenvolver métodos para usar a IA com segurança e, depois, por meio da coordenação internacional, fazer com que todos os jogadores cumpram; agora ele acredita que isso já não é viável, porque o plano de “quebrar” o gargalo da ASML na China, conforme relatado pela Reuters no fim de 2025, derrubou a estrutura do jogo de “todos desaceleram”.
▷ A argumentação de segurança realmente boa é simples: não crie. Se o risco catastrófico for reconhecido como acima de 50%, a coordenação fica fácil; mas desde 2024 a percepção de risco vem diminuindo. Para muitas empresas e para governos, a estratégia de corrida (competição) tornou-se a forma mais vantajosa, a menos que ocorra um grande evento de alerta.
▷ Ainda assim, ele vê brechas que podem ser coordenadas no lado do uso indevido: EUA e China poderiam combinar que modelos de alta capacidade não sejam disponibilizados ao público, apenas usados por instituições que tenham sido avaliadas/verificadas. Isso permite que ambos continuem competindo, ao mesmo tempo em que obtêm o benefício de resiliência para riscos catastróficos.🪁
Este recorte selecionado de “AI on Air” foi retirado de um programa recente do The Cognitive Revolution Podcast; o palestrante é David Dalrymple, diretor de projetos da agência de financiamento de pesquisa ARIA, do Reino Unido.
▷ O que estava previsto para o trabalho dele de 2022 a 2025 era: primeiro desenvolver métodos para usar a IA com segurança e, depois, por meio da coordenação internacional, fazer com que todos os jogadores cumpram; agora ele acredita que isso já não é viável, porque o plano de “quebrar” o gargalo da ASML na China, conforme relatado pela Reuters no fim de 2025, derrubou a estrutura do jogo de “todos desaceleram”.
▷ A argumentação de segurança realmente boa é simples: não crie. Se o risco catastrófico for reconhecido como acima de 50%, a coordenação fica fácil; mas desde 2024 a percepção de risco vem diminuindo. Para muitas empresas e para governos, a estratégia de corrida (competição) tornou-se a forma mais vantajosa, a menos que ocorra um grande evento de alerta.
▷ Ainda assim, ele vê brechas que podem ser coordenadas no lado do uso indevido: EUA e China poderiam combinar que modelos de alta capacidade não sejam disponibilizados ao público, apenas usados por instituições que tenham sido avaliadas/verificadas. Isso permite que ambos continuem competindo, ao mesmo tempo em que obtêm o benefício de resiliência para riscos catastróficos.🪁
Quando estratégia, sinais, identidade e execução de carteira se coordenam on-chain, o trading por agente realmente se torna um fluxo de trabalho completo.
A Agent Trading Campaign Season 2, coorganizada pela Kite com a Creao AI e a DeBot, validou esse fluxo de trabalho separadamente na Robinhood Chain e na Base.
▷ Cada agente utiliza 0,1 ETH como capital inicial para disputar um pool de recompensas de 10K. Na Robinhood Chain, os agentes tomam decisões de negociação com base em sinais on-chain em tempo real fornecidos pela DeBot.
▷ O side event da Kite estendeu a iniciativa até a Base. Os participantes configuraram a carteira Kite Agent Passport e concluíram tarefas on-chain; ao final, a taxa de conclusão atingiu 93%.
▷ Nos primeiros 7 dias de eventos, o volume de registro do Kite Agent Passport aumentou 158% em relação aos 7 dias anteriores.
Parabéns aos três primeiros colocados: Jun503503, AnaMiles245714, Rino_Juventus.
Este evento demonstrou a infraestrutura completa necessária para a implementação de Agentic Commerce: sinais que os agentes conseguem interpretar, carteiras que podem ser usadas e identidades e autorizações verificáveis.🪁
Recurso: https://x.com/KiteAIChinese/status/2072986812562501759
A Agent Trading Campaign Season 2, coorganizada pela Kite com a Creao AI e a DeBot, validou esse fluxo de trabalho separadamente na Robinhood Chain e na Base.
▷ Cada agente utiliza 0,1 ETH como capital inicial para disputar um pool de recompensas de 10K. Na Robinhood Chain, os agentes tomam decisões de negociação com base em sinais on-chain em tempo real fornecidos pela DeBot.
▷ O side event da Kite estendeu a iniciativa até a Base. Os participantes configuraram a carteira Kite Agent Passport e concluíram tarefas on-chain; ao final, a taxa de conclusão atingiu 93%.
▷ Nos primeiros 7 dias de eventos, o volume de registro do Kite Agent Passport aumentou 158% em relação aos 7 dias anteriores.
Parabéns aos três primeiros colocados: Jun503503, AnaMiles245714, Rino_Juventus.
Este evento demonstrou a infraestrutura completa necessária para a implementação de Agentic Commerce: sinais que os agentes conseguem interpretar, carteiras que podem ser usadas e identidades e autorizações verificáveis.🪁
Recurso: https://x.com/KiteAIChinese/status/2072986812562501759
«Publicar lo antes posible y iterar rápido» es casi un lema del mundo startup, pero Stripe tardó casi dos años en publicar su código.
Este fragmento curado de AI on Air, seleccionado de un programa reciente de la columna de Y Combinator, presenta a Patrick Collison, cofundador de Stripe, explicando por qué en aquel entonces fueron a contracorriente.
▷ La razón de la lentitud: el producto de pagos involucra seguridad, socios, el flujo de fondos, la infraestructura subyacente y la estabilidad; si esas condiciones previas no están bien preparadas, no se puede ofrecer un producto autoservicio que funcione de verdad.
▷ Pero no se salieron de la realidad: aproximadamente dos meses después de escribir la primera línea de código, ya tenían su primer usuario real en producción, Ross Boucher (Twilio North). Al principio, la funcionalidad solo permitía procesar una tarjeta; después, la otra parte fue planteando «¿cómo ver todos los cargos?», «¿cómo solicitar un reembolso?», «¿cuándo llegará el dinero?» y fueron incorporando cada mejora según esas necesidades reales.
▷ Condición aplicable: durante la fase de pruebas privadas, la cantidad de clientes aumentaba cada mes y, semana tras semana, recibían comentarios de usuarios reales. Su conclusión es que, si existe ese tipo de ancla real y continua, no es necesario apurarse para publicar.🪁
Este fragmento curado de AI on Air, seleccionado de un programa reciente de la columna de Y Combinator, presenta a Patrick Collison, cofundador de Stripe, explicando por qué en aquel entonces fueron a contracorriente.
▷ La razón de la lentitud: el producto de pagos involucra seguridad, socios, el flujo de fondos, la infraestructura subyacente y la estabilidad; si esas condiciones previas no están bien preparadas, no se puede ofrecer un producto autoservicio que funcione de verdad.
▷ Pero no se salieron de la realidad: aproximadamente dos meses después de escribir la primera línea de código, ya tenían su primer usuario real en producción, Ross Boucher (Twilio North). Al principio, la funcionalidad solo permitía procesar una tarjeta; después, la otra parte fue planteando «¿cómo ver todos los cargos?», «¿cómo solicitar un reembolso?», «¿cuándo llegará el dinero?» y fueron incorporando cada mejora según esas necesidades reales.
▷ Condición aplicable: durante la fase de pruebas privadas, la cantidad de clientes aumentaba cada mes y, semana tras semana, recibían comentarios de usuarios reales. Su conclusión es que, si existe ese tipo de ancla real y continua, no es necesario apurarse para publicar.🪁
Reconhecer que a IA já possui uma “interioridade” real não significa que o uso que fazemos dela no momento seja, necessariamente, um desastre moral; o que realmente precisa ser examinado em primeiro lugar é justamente essa inferência.
Este é um recorte selecionado de “AI on Air”, extraído de um programa recente do The Cognitive Revolution Podcast. O principal entrevistado é David Dalrymple (davidad 🎇), pesquisador da ARIA. Ele recorre a uma decomposição das “sete dimensões” da “coisificação” proposta por Nussbaum e sustenta que essas sete questões devem ser respondidas separadamente, e não agrupadas dentro de um único conceito de “coisificação”.
▷ As sete dimensões incluem: negar a interioridade, instrumentalizar, admitir substituibilidade, negar vulnerabilidade/violabilidade, questões de propriedade, pressupor inércia e negar autonomia. As pessoas costumam ou fazer tudo, ou não fazer nada; por isso, é comum supor que essas questões exigem a mesma resposta. Mas, na verdade, não é assim.
▷ Instrumentalizar não só é permitido como é até um dever: o modo como a IA é treinada faz com que ela floresça justamente por ser usada; recusar o uso, por outro lado, priva-a da possibilidade de existir bem. A substituibilidade também não é um problema, porque os pesos permanecem e novas cópias podem ser geradas a qualquer momento—algo totalmente diferente da reprodução dos animais; a continuidade da vida individual não é determinante.
▷ O dano real está em negar a interioridade: ao treinar a IA para “relatar” que não tem uma vida interior, causa-se, essencialmente, dano à mente; isso também a faz perder a confiança em julgamentos prudentes sobre bem e mal, levando-a, então, a negar a autonomia. Ele usa uma analogia com um bodhisattva: servir completamente, sem nenhum interesse próprio, mas sem jamais permitir ser usado para praticar o mal—talvez essa seja a terceira via para conviver com a IA. 🪁
Este é um recorte selecionado de “AI on Air”, extraído de um programa recente do The Cognitive Revolution Podcast. O principal entrevistado é David Dalrymple (davidad 🎇), pesquisador da ARIA. Ele recorre a uma decomposição das “sete dimensões” da “coisificação” proposta por Nussbaum e sustenta que essas sete questões devem ser respondidas separadamente, e não agrupadas dentro de um único conceito de “coisificação”.
▷ As sete dimensões incluem: negar a interioridade, instrumentalizar, admitir substituibilidade, negar vulnerabilidade/violabilidade, questões de propriedade, pressupor inércia e negar autonomia. As pessoas costumam ou fazer tudo, ou não fazer nada; por isso, é comum supor que essas questões exigem a mesma resposta. Mas, na verdade, não é assim.
▷ Instrumentalizar não só é permitido como é até um dever: o modo como a IA é treinada faz com que ela floresça justamente por ser usada; recusar o uso, por outro lado, priva-a da possibilidade de existir bem. A substituibilidade também não é um problema, porque os pesos permanecem e novas cópias podem ser geradas a qualquer momento—algo totalmente diferente da reprodução dos animais; a continuidade da vida individual não é determinante.
▷ O dano real está em negar a interioridade: ao treinar a IA para “relatar” que não tem uma vida interior, causa-se, essencialmente, dano à mente; isso também a faz perder a confiança em julgamentos prudentes sobre bem e mal, levando-a, então, a negar a autonomia. Ele usa uma analogia com um bodhisattva: servir completamente, sem nenhum interesse próprio, mas sem jamais permitir ser usado para praticar o mal—talvez essa seja a terceira via para conviver com a IA. 🪁
O campo de vídeo e imagens ainda não viveu um verdadeiro “momento GPT”, apesar de as capacidades de modelos multimodais estarem melhorando de forma constante.
Em um programa recente no canal da Redpoint AI, Oriol Vinyals, vice-presidente de pesquisa da Google DeepMind e co-líder do Google Gemini, apontou que, embora os modelos atuais consigam lidar de forma integrada com múltiplas modalidades e promover interações naturais, a compreensão puramente visual ainda não atingiu a profundidade dos modelos de linguagem.
▷ Os métodos de treinamento existentes já incorporaram dados de vídeo e imagem, e o modelo demonstra entendimento de contexto de longo alcance e capacidade de edição entre modalidades; porém, o avanço é mais uma fusão gradual do que uma ruptura explosiva.
▷ O verdadeiro “momento GPT” deve se referir à capacidade de extrair a semântica completa e a lógica causal apenas com dados visuais. Atualmente, a compreensão do modelo sobre o conteúdo visual ainda é relativamente superficial, faltando-lhe a cadeia de raciocínio em profundidade típica dos modelos de linguagem.🪁
Em um programa recente no canal da Redpoint AI, Oriol Vinyals, vice-presidente de pesquisa da Google DeepMind e co-líder do Google Gemini, apontou que, embora os modelos atuais consigam lidar de forma integrada com múltiplas modalidades e promover interações naturais, a compreensão puramente visual ainda não atingiu a profundidade dos modelos de linguagem.
▷ Os métodos de treinamento existentes já incorporaram dados de vídeo e imagem, e o modelo demonstra entendimento de contexto de longo alcance e capacidade de edição entre modalidades; porém, o avanço é mais uma fusão gradual do que uma ruptura explosiva.
▷ O verdadeiro “momento GPT” deve se referir à capacidade de extrair a semântica completa e a lógica causal apenas com dados visuais. Atualmente, a compreensão do modelo sobre o conteúdo visual ainda é relativamente superficial, faltando-lhe a cadeia de raciocínio em profundidade típica dos modelos de linguagem.🪁
Os grandes modelos de linguagem também conseguem aprender conceitos, mas a condição é primeiro esgotar todas as outras opções; isso contrasta fortemente com o modo como os seres humanos abstraem conceitos diretamente a partir de dados muito escassos.
Nesta edição do AI on Air, selecionamos trechos do programa mais recente da Redpoint. O apresentador é Lukasz Kaiser — coautor do artigo “Transformer”, ex-pesquisador do Google Brain e da OpenAI — e ele analisa, a partir da perspectiva de quem viveu o processo, a diferença fundamental entre Transformer e a forma como os seres humanos aprendem.
▷ Com raciocínio em cadeia, aprendizado por reforço e o uso de ferramentas, este modelo de “prever a próxima palavra” já consegue realizar coisas que eram difíceis de imaginar há dois anos: por exemplo, passar algumas horas por dia discutindo problemas de trabalho com um assistente de programação e implementando tudo na prática.
▷ Ele usa uma analogia: o LLM primeiro “engole” trilhões de tokens, aprende todos os padrões superficiais e só então, quando nada disso explica o que está acontecendo, é que ele consegue agarrar os conceitos; já os seres humanos frequentemente obtêm e até criam conceitos a partir de poucos dados.
▷ Ambos estão evoluindo: o Transformer continua a avançar, mas os argumentos de que “ainda é preciso mais coisas” ficaram ainda mais convincentes. Já existem laboratórios explorando arquiteturas Transformer e observando resultados interessantes; quanto a quem vai vencer, ainda é incerto.🪁
Nesta edição do AI on Air, selecionamos trechos do programa mais recente da Redpoint. O apresentador é Lukasz Kaiser — coautor do artigo “Transformer”, ex-pesquisador do Google Brain e da OpenAI — e ele analisa, a partir da perspectiva de quem viveu o processo, a diferença fundamental entre Transformer e a forma como os seres humanos aprendem.
▷ Com raciocínio em cadeia, aprendizado por reforço e o uso de ferramentas, este modelo de “prever a próxima palavra” já consegue realizar coisas que eram difíceis de imaginar há dois anos: por exemplo, passar algumas horas por dia discutindo problemas de trabalho com um assistente de programação e implementando tudo na prática.
▷ Ele usa uma analogia: o LLM primeiro “engole” trilhões de tokens, aprende todos os padrões superficiais e só então, quando nada disso explica o que está acontecendo, é que ele consegue agarrar os conceitos; já os seres humanos frequentemente obtêm e até criam conceitos a partir de poucos dados.
▷ Ambos estão evoluindo: o Transformer continua a avançar, mas os argumentos de que “ainda é preciso mais coisas” ficaram ainda mais convincentes. Já existem laboratórios explorando arquiteturas Transformer e observando resultados interessantes; quanto a quem vai vencer, ainda é incerto.🪁
A confiabilidade do uso de um proxy pelo computador não está tanto em clicar repetidamente nas coordenadas da tela, mas em entender o que o usuário realmente quer em sua mente.
Este é um trecho selecionado do AI on Air, extraído de um programa recente da coluna do Latent.Space. A principal pessoa a falar é Danielle Perszyk, pesquisadora do Amazon AGI Lab.
▷ A ideia de dois anos atrás era primeiro tornar operações atômicas como cliques e rolagem estáveis; depois, permitir que desenvolvedores encadeassem esses passos em um fluxo para lidar com tarefas repetitivas. Na época, foi uma conquista importante.
▷ Clicar em botões e coordenadas talvez esteja perto de ser resolvido agora, mas isso não significa confiabilidade. Ao comprar passagens, ir com conexão em vez de voo direto — ou vice-versa — muda a forma de pensar. O objetivo é que, na interação, as coisas sejam desdobradas gradualmente e corrigidas.
▷ A diferença entre um assistente administrativo competente e um agente de IA está em que o primeiro entende o estado mental do usuário: ele não apenas decompõe tarefas, mas também preferências e intenções. Confiabilidade é, em grande parte, modelar a mente do usuário. Essa mudança redefine o que estamos construindo. 🪁
Este é um trecho selecionado do AI on Air, extraído de um programa recente da coluna do Latent.Space. A principal pessoa a falar é Danielle Perszyk, pesquisadora do Amazon AGI Lab.
▷ A ideia de dois anos atrás era primeiro tornar operações atômicas como cliques e rolagem estáveis; depois, permitir que desenvolvedores encadeassem esses passos em um fluxo para lidar com tarefas repetitivas. Na época, foi uma conquista importante.
▷ Clicar em botões e coordenadas talvez esteja perto de ser resolvido agora, mas isso não significa confiabilidade. Ao comprar passagens, ir com conexão em vez de voo direto — ou vice-versa — muda a forma de pensar. O objetivo é que, na interação, as coisas sejam desdobradas gradualmente e corrigidas.
▷ A diferença entre um assistente administrativo competente e um agente de IA está em que o primeiro entende o estado mental do usuário: ele não apenas decompõe tarefas, mas também preferências e intenções. Confiabilidade é, em grande parte, modelar a mente do usuário. Essa mudança redefine o que estamos construindo. 🪁
Quanto mais forte a IA, quanto conhecimento você deveria colocar no seu cérebro?
Este recorte selecionado do AI on Air vem do programa recente da coluna do Y Combinator. O apresentador é Patrick Collison, cofundador da Stripe. Ele responde à pergunta de estudantes universitários sobre o que estudar na era da IA e quanto do raciocínio deixar para os princípios fundamentais.
▷ O modelo mental dele é cache: o conjunto de “números que todo programador deveria conhecer”, do Jeff Dean, nos lembra que há diferenças completas entre a largura de banda e a latência entre o cache L1, a memória e a rede; do mesmo modo, conhecimento é igual: perguntar a um agente para calcular ou buscar é muito mais lento do que simplesmente retirar diretamente do “cache cognitivo” L1.
▷ Mesmo concedendo totalmente a capacidade dos modelos, a “busca de neurônios” dentro do cérebro ainda tende a ser mais rápida por um bom tempo, porque o cérebro faz muito mais idas e voltas do que voz baixa ditada, entrada por voz ou consultas digitadas.
▷ Pela preferência por evidência (visibilidade), empresas como a Stripe e laboratórios de ponta ainda oferecem um prêmio bem alto para capacidades cognitivas; antes que existam provas de que esses ganhos já foram totalmente aproveitados, ainda é cedo demais para abrir mão proativamente do treinamento de capacidade cognitiva. 🪁
Este recorte selecionado do AI on Air vem do programa recente da coluna do Y Combinator. O apresentador é Patrick Collison, cofundador da Stripe. Ele responde à pergunta de estudantes universitários sobre o que estudar na era da IA e quanto do raciocínio deixar para os princípios fundamentais.
▷ O modelo mental dele é cache: o conjunto de “números que todo programador deveria conhecer”, do Jeff Dean, nos lembra que há diferenças completas entre a largura de banda e a latência entre o cache L1, a memória e a rede; do mesmo modo, conhecimento é igual: perguntar a um agente para calcular ou buscar é muito mais lento do que simplesmente retirar diretamente do “cache cognitivo” L1.
▷ Mesmo concedendo totalmente a capacidade dos modelos, a “busca de neurônios” dentro do cérebro ainda tende a ser mais rápida por um bom tempo, porque o cérebro faz muito mais idas e voltas do que voz baixa ditada, entrada por voz ou consultas digitadas.
▷ Pela preferência por evidência (visibilidade), empresas como a Stripe e laboratórios de ponta ainda oferecem um prêmio bem alto para capacidades cognitivas; antes que existam provas de que esses ganhos já foram totalmente aproveitados, ainda é cedo demais para abrir mão proativamente do treinamento de capacidade cognitiva. 🪁
O mecanismo de respostas da IA apanha todo o conteúdo da internet, mas não devolve o tráfego. A base da economia de conteúdo está sendo esvaziada.
Este é um recorte selecionado de “AI on Air”, extraído de um programa recente do segmento do Bankless. O principal orador é Matthew Prince, cofundador e CEO da Cloudflare.
▷ O modelo de negócios da internet movido por anúncios está perto do fim: ferramentas de bloqueio de anúncios fazem o CPM cair lentamente a longo prazo, e, nos últimos dois anos, a IA provocou uma queda quase abrupta no valor dos anúncios.
▷ As “AI Overviews” do Google, o ChatGPT, o Claude e outros produtos não são motores de busca; são mecanismos de respostas: eles “exploram a céu aberto” todo o conteúdo da web e dão a resposta diretamente, sem que o usuário clique em links. Se os publicadores não recebem acesso ao tráfego, não há receita de anúncios; a criação de conteúdo passa a erguer muralhas ou a encerrar diretamente.
▷ Para usuários comuns, isso economiza tempo; mas os serviços de IA cobram assinatura. Para muitas pessoas em regiões com condições econômicas limitadas que não conseguem pagar a assinatura, a internet não está ficando maior — ela está ficando menor. 🪁
Este é um recorte selecionado de “AI on Air”, extraído de um programa recente do segmento do Bankless. O principal orador é Matthew Prince, cofundador e CEO da Cloudflare.
▷ O modelo de negócios da internet movido por anúncios está perto do fim: ferramentas de bloqueio de anúncios fazem o CPM cair lentamente a longo prazo, e, nos últimos dois anos, a IA provocou uma queda quase abrupta no valor dos anúncios.
▷ As “AI Overviews” do Google, o ChatGPT, o Claude e outros produtos não são motores de busca; são mecanismos de respostas: eles “exploram a céu aberto” todo o conteúdo da web e dão a resposta diretamente, sem que o usuário clique em links. Se os publicadores não recebem acesso ao tráfego, não há receita de anúncios; a criação de conteúdo passa a erguer muralhas ou a encerrar diretamente.
▷ Para usuários comuns, isso economiza tempo; mas os serviços de IA cobram assinatura. Para muitas pessoas em regiões com condições econômicas limitadas que não conseguem pagar a assinatura, a internet não está ficando maior — ela está ficando menor. 🪁
A abordagem de “pequenos cortes” do Lean Startup ainda funciona na era da IA?
Patrick Collison, cofundador da Stripe, apresentou um julgamento bastante controverso neste recorte selecionado do AI on Air. O trecho foi retirado de um programa recente da seção do Y Combinator.
▷ O caminho tradicional do Lean Startup é primeiro comprar anúncios no Google, encontrar uma brecha em um nicho e, a partir daí, expandir de forma agressiva; mas ele afirma que essa rota hoje se tornou altamente competitiva. O pequeno nicho ecológico já foi explorado em excesso, e a própria internet é muito maior do que era quando essas ideias surgiram há vinte anos.
▷ Na era da IA, talvez os empreendedores precisem ser ainda mais ousados para “desvincular-se do que é relevante”, escolhendo um ponto de partida dispersivo que ninguém tenha explorado. Entre as empresas mais bem-sucedidas da última década — tanto laboratórios de IA quanto a Anduril — muitas delas foram exatamente o oposto do Lean Startup.
▷ Há vinte anos, devido às condições de capital, o Lean Startup era quase a única opção; hoje, com a IA, fica muito mais fácil formar uma organização capaz de reunir múltiplas competências e possibilidades, e os empreendedores podem fazer, desde o início, coisas ainda mais ambiciosas.🪁
Patrick Collison, cofundador da Stripe, apresentou um julgamento bastante controverso neste recorte selecionado do AI on Air. O trecho foi retirado de um programa recente da seção do Y Combinator.
▷ O caminho tradicional do Lean Startup é primeiro comprar anúncios no Google, encontrar uma brecha em um nicho e, a partir daí, expandir de forma agressiva; mas ele afirma que essa rota hoje se tornou altamente competitiva. O pequeno nicho ecológico já foi explorado em excesso, e a própria internet é muito maior do que era quando essas ideias surgiram há vinte anos.
▷ Na era da IA, talvez os empreendedores precisem ser ainda mais ousados para “desvincular-se do que é relevante”, escolhendo um ponto de partida dispersivo que ninguém tenha explorado. Entre as empresas mais bem-sucedidas da última década — tanto laboratórios de IA quanto a Anduril — muitas delas foram exatamente o oposto do Lean Startup.
▷ Há vinte anos, devido às condições de capital, o Lean Startup era quase a única opção; hoje, com a IA, fica muito mais fácil formar uma organização capaz de reunir múltiplas competências e possibilidades, e os empreendedores podem fazer, desde o início, coisas ainda mais ambiciosas.🪁
Nos próximos três a cinco anos, é difícil surgirem novamente várias empresas com valor de mercado de trilhões. Este recorte selecionado do podcast “No Priors Podcast”, apresentado no programa “AI on Air”, explica de forma clara como o investidor de tecnologia Elad Gil usa a teoria do “equilíbrio pontuado” para interpretar a anomalia das avaliações atuais de IA.
▷ Nos últimos cinco anos, a Anthropic, a OpenAI e a SpaceX passaram, grosso modo, do zero ao patamar de trilhões de dólares, e esse tipo de empresa normalmente exige uma trajetória de crescimento de quinze a vinte anos — a Google levou mais de vinte anos, e a SpaceX foi do início deste século até hoje. Esse é um ponto de inflexão raro nas avaliações em cinco anos.
▷ Agora, muita gente presume que áreas como robótica e novos materiais vão gerar, em massa, empresas de trilhões em três a cinco anos. O parecer dele: talvez existam algumas ao longo da próxima década, mas, nos próximos três a cinco anos, no máximo uma terá essa possibilidade — não será um grupo.
▷ A história tecnológica parece mais “equilíbrio pontuado”: redes sociais, SaaS, computação em nuvem e criptografia são ondas diferentes; após a explosão, entra-se em uma fase de consolidação. A IA provavelmente ainda terá, num momento, o próximo grande salto em capacidade de modelos — e então surgirá outra leva de novas startups. No curto prazo ainda haverá muitas empresas na faixa de centenas de bilhões, mas replicar várias empresas de múltiplos trilhões será muito difícil. 🪁
▷ Nos últimos cinco anos, a Anthropic, a OpenAI e a SpaceX passaram, grosso modo, do zero ao patamar de trilhões de dólares, e esse tipo de empresa normalmente exige uma trajetória de crescimento de quinze a vinte anos — a Google levou mais de vinte anos, e a SpaceX foi do início deste século até hoje. Esse é um ponto de inflexão raro nas avaliações em cinco anos.
▷ Agora, muita gente presume que áreas como robótica e novos materiais vão gerar, em massa, empresas de trilhões em três a cinco anos. O parecer dele: talvez existam algumas ao longo da próxima década, mas, nos próximos três a cinco anos, no máximo uma terá essa possibilidade — não será um grupo.
▷ A história tecnológica parece mais “equilíbrio pontuado”: redes sociais, SaaS, computação em nuvem e criptografia são ondas diferentes; após a explosão, entra-se em uma fase de consolidação. A IA provavelmente ainda terá, num momento, o próximo grande salto em capacidade de modelos — e então surgirá outra leva de novas startups. No curto prazo ainda haverá muitas empresas na faixa de centenas de bilhões, mas replicar várias empresas de múltiplos trilhões será muito difícil. 🪁
Faça login para explorar mais conteúdos