FoundersFeed

Kimi 3.1 just dropped and I'm completely uninterested. Actually reminded me to cancel my Allegretto subscription that I haven't touched in forever. Honestly can't think of a single use case where I'd reach for this model over alternatives.

Someone just fed a Donald Duck comic into an AI agent and it generated a full cartoon in one shot. No iterative prompting, no manual scene assembly—just upload → complete animated output. This suggests the model can parse sequential visual storytelling (panel flow, character consistency, motion inference) and synthesize it into a time-based format autonomously. Big leap from static image gen to narrative video synthesis with zero human intervention in the pipeline.

Quick math on Devin Pro usage: roughly 100M Gemini-4-Argon-Medium tokens burned per week. That's insane token throughput for an AI coding agent at scale. Shows they're running heavy workloads continuously - probably multi-file refactoring, full repo analysis, and iterative debugging sessions that rack up context windows fast. At that volume, model cost optimization becomes a critical engineering problem, not just a nice-to-have.

Previsão: nos próximos 12 meses, veremos enxames de agentes prontos para implantação, capazes de replicar as operações bancárias essenciais de instituições de pequeno e médio porte. A tese: os laboratórios estão absorvendo dados operacionais de setores regulamentados (aviação, manufatura, contabilidade, serviços bancários) para treinar sistemas multiagentes especializados.

A estrutura seria assim:
→ Agentes de conformidade (fluxos de KYC/AML)
→ Modelos de análise de crédito (avaliação de risco de crédito)
→ Processamento de transações (integração com redes de pagamento)
→ Automação de relatórios regulatórios
→ Coordenação do atendimento ao cliente

O verdadeiro avanço = transformar a alocação de capital em um problema de configuração, em vez de um problema de estruturação organizacional. Você não vai contratar 50 pessoas e enfrentar 18 meses de inferno regulatório. Vai colocar em funcionamento um sistema pré-treinado que já conhece os requisitos da FDIC, os protocolos ACH e os padrões de detecção de fraude.

As barreiras de dados que esses laboratórios estão construindo ao licenciar conjuntos de dados operacionais de empresas já estabelecidas = a nova vantagem competitiva. Eles já não estão apenas treinando com textos: estão ingerindo fluxos reais de processos empresariais.

Ainda tenho dúvidas quanto à ideia de «plug and play» para setores altamente regulamentados em 2025, mas a direção é clara: sistemas de IA capazes de executar funções empresariais inteiras, e não apenas ajudar com tarefas. O capital se torna a principal limitação, não a complexidade operacional.

O Gemini 4 Argon é surpreendentemente bom na geração de documentação. Se você tem preguiça e não quer escrever a documentação por conta própria, o Gemini dá conta do recado a ponto de ser usado em fluxos de trabalho de produção. Vale a pena testar se você está se afogando em código sem documentação.

🚀 O Todos MCP Server acabou de ser lançado

Basicamente, é um orquestrador de meta-agentes para os seus assistentes pessoais de IA (Muse, Dots, GrokBot, etc.). Permite que eles controlem e coordenem 19 agentes de programação diferentes em simultâneo.

Pense nele como uma camada de distribuição: em vez de gerir manualmente vários agentes especializados, o seu assistente principal pode agora encaminhar tarefas para toda a frota de agentes. É bastante útil se estiver a executar fluxos de trabalho de desenvolvimento complexos que precisem de diferentes agentes para análise estática, testes, revisão de código, implementação, etc.

A arquitetura MCP (Model Context Protocol) permite que os agentes partilhem contexto sem ter de copiar e colar entre ferramentas. Poupa imenso trabalho quando está a alternar entre tarefas.

O fundo de US$ 70 milhões da Cambrian está apostando nos fornecedores de infraestrutura de IA, e não nos próprios laboratórios. A tese do fundador Lonis Hamaili: todos os laboratórios de IA precisam da mesma estrutura computacional — memória, ferramentas e infraestrutura de energia. Seu foco não é o risco técnico, mas a exposição regulatória.

A lógica: incidentes de uso indevido, violações de segurança e deslocamento de empregos criam enormes riscos políticos para os laboratórios de ponta. Ele prevê que a intervenção do governo limitará o crescimento dos laboratórios antes que atinjam uma escala de verdadeiro monopólio.

A estratégia independe de quem estiver no poder. Se OpenAI/Anthropic dominarem, se os governos nacionalizarem a capacidade computacional ou se os laboratórios chineses alcançarem os demais, os fornecedores de infraestrutura vencem de qualquer forma. É a clássica estratégia de investir em quem fornece as pás e picaretas, mas na corrida do ouro da IA.

Uma proteção interessante contra a narrativa de que “os laboratórios de AGI se tornarão empresas de trilhões de dólares”. Se a captura regulatória acontecer (o que parece cada vez mais provável após o ciclo eleitoral), estar um nível abaixo na cadeia pode ser, na verdade, a aposta assimétrica mais segura.

Lonis Hamaili, da Cambrian (fundo de US$ 70 milhões focado em infraestrutura física de IA), está apostando em ações de empresas de memória negociadas a 5–6 vezes o lucro, apesar da estabilidade dos preços. Sua tese: a demanda vai superar a oferta mesmo sem aumentos de preços.

Limitação da oferta: segundo projeções do setor, a produção de DRAM só pode crescer cerca de 2,5 vezes até 2030. Esse é um limite difícil de ultrapassar.

Motor da demanda: as cargas de trabalho de IA continuam crescendo exponencialmente. Sua tese otimista pressupõe que os modelos que consomem muita memória continuarão crescendo mais rápido do que a oferta consegue acompanhar.

O risco de cenário extremo que ele aponta é realmente interessante: e se a IA ficar muito boa em compressão de memória antes de se tornar boa em tarefas úteis? Isso faria a demanda despencar.

A resposta dele: se a IA chegar ao ponto de resolver problemas complexos de engenharia, já será capaz de automatizar o trabalho de escritório (tarefas com e-mail e Excel que valem trilhões por ano). Portanto, a demanda vai explodir de qualquer forma.

Em resumo, é uma aposta no encontro entre um gargalo de oferta e uma explosão das cargas de trabalho de IA, enquanto as ações de empresas de memória continuam subvalorizadas nos múltiplos atuais. O risco de compressão é real, mas ele acredita que o desbloqueio da demanda virá primeiro.

Experiência prática com o iPhone Duo na Apple Bellevue:

Hardware da câmera: visivelmente inferior ao conjunto de sensores do iPhone 17 Pro. O formato dobrável exigiu concessões no processamento de imagem — provavelmente sensores menores e menos margem para fotografia computacional.

Em comparação com o Galaxy Fold 8: se você já usa a mais recente arquitetura de dobradiça da Samsung, o iPhone Duo não oferece diferenciais suficientes. Mesma categoria, ecossistemas diferentes que prendem o usuário.

A configuração preta de 512 GB estava em estoque (algo raro na semana de lançamento), mas as concessões de hardware fazem dele uma opção a evitar para quem prioriza o desempenho da câmera ou já investiu em dobráveis Android.

Lonis Hamaili, da Cambrian (fundo de US$ 70 milhões para a cadeia de suprimentos de IA), joga água fria no hype em torno da TerraFab: o verdadeiro gargalo não é a capacidade das fábricas de chips, mas o fornecimento de wafers nas etapas anteriores da cadeia.

Uma verificação técnica importante:
• O fornecimento de wafers cresce apenas 9–15% ao ano
• A TerraFab ainda depende dos mesmos equipamentos de fabricação que a TSMC e a Samsung
• Uma nova fábrica de chips ≠ nova capacidade de produção de wafers
• Os gargalos nos equipamentos das etapas anteriores da cadeia continuam sem solução

A comparação com a China é contundente: depois de uma década de investimentos maciços em centenas de empresas, o país ainda enfrenta dificuldades para alcançar os nós tecnológicos mais avançados. E agora espera-se que uma única empresa integre verticalmente toda a cadeia ao mesmo tempo?

A cadeia de suprimentos de semicondutores tem mais de 1.000 dependências críticas. Construir uma fábrica de chips sem controlar a produção de substratos de wafer, os equipamentos de litografia e as cadeias de suprimentos de produtos químicos apenas desloca o gargalo para outro lugar. É por isso que a estratégia IDM 2.0 da Intel prioriza parcerias em vez da integração vertical completa.

Em resumo: a escassez de chips é um problema de ciência dos materiais e de equipamentos de capital, não apenas um problema no chão de fábrica.

Lonis Hamaili (fundo de US$ 70 milhões para IA e cadeia de suprimentos na Cambrian) traça uma linha clara entre o design de chips e sua fabricação. Sua tese: o design de chips é viável para a IA porque está bem documentado e conta com bons ambientes de treinamento. A fabricação de chips? Nem tanto.

O principal gargalo: décadas de conhecimento tácito nas mãos de engenheiros japoneses que passaram mais de 30 anos na mesma fábrica de semicondutores. Não há manuais. Não há conjuntos de dados estruturados. Só intuição e reconhecimento de padrões desenvolvidos ao longo de milhares de ciclos de produção.

Construir uma fábrica de semicondutores de 2 milhões de pés quadrados não exige apenas muito capital; exige também um conhecimento que não se encaixa facilmente nos paradigmas atuais de treinamento de IA. Não dá simplesmente para extrair essas informações do GitHub ou do ArXiv.

A aposta dele: a superinteligência acabará resolvendo o problema da extração de conhecimento, mas a questão é a ordem em que isso acontecerá. O design de chips vem primeiro (isso já está acontecendo com ferramentas como os copilotos de IA da Cadence). A extração de conhecimento sobre fabricação virá depois, quando tivermos maneiras melhores de digitalizar processos físicos e aprender com eles.

Resumo: a IA vai dominar o design de chips antes de dominar sua fabricação. A distância entre os dois é maior do que a maioria das pessoas imagina.

Lonis Hamaili, da Cambrian (fundo de US$ 70 milhões para a cadeia de suprimentos de IA), explica a hierarquia dos gargalos:

A escassez de energia > a escassez de chips em termos de soluções alternativas.

Energia: dá para improvisar soluções. Reaproveitar motores de caminhões, turbinas de aviões e motores industriais para gerar eletricidade. Grandes turbinas a gás natural? Com pedidos atrasados até 2030. Mas é possível adaptar a infraestrutura mecânica existente.

Chips: nenhuma margem de sobra. A capacidade de fabricação de wafers e a produção de memória estão no limite. Todas as linhas da TSMC estão operando a todo vapor, a Samsung está produzindo 24 horas por dia, 7 dias por semana, e a SK Hynix esgotou seus estoques. Não há capacidade ociosa esperando para ser aproveitada.

A ideia central: a geração de energia tem flexibilidade e redundância mecânicas. A fabricação de semicondutores é um jogo de soma zero, sem capacidade de reserva. Não dá simplesmente para «encontrar» capacidade extra para fabricar wafers de 3 nm por aí.

Isso explica por que as empresas de computação em hiperescala estão sendo criativas com a energia (comprando usinas desativadas, construindo geração no local), enquanto o fornecimento de chips continua sendo o principal limitador para expandir a IA.

Lonis Hamaili (Cambrian, fundo de IA de US$ 70 milhões) faz uma previsão ousada: até 2027, os governos serão os maiores compradores de tokens de IA. A tese dele? Uma corrida armamentista de cibersegurança entre EUA e China é inevitável.

A lógica: os governos vão entrar em pânico e comprar infraestrutura de defesa com IA depois que grandes ataques atingirem bancos e sistemas críticos. Ele fala em orçamentos de US$ 500 bilhões só para evitar serem dominados pela China — porque sofrer um ataque hacker seria suicídio político para quem estiver no poder.

O gatilho? Ele espera que violações de grande repercussão obriguem os governos a entrar no modo “não podemos nos dar ao luxo de ficar para trás”. Quando isso acontecer, as torneiras dos gastos vão se abrir.

Resumindo: a defesa com IA dos Estados-nação será a nova dissuasão nuclear, e os tokens serão a infraestrutura que a sustenta. Você concorde ou não com esse cronograma, o cenário de ameaça subjacente (a escalada da guerra cibernética impulsionada por IA) já está acontecendo em tempo real.

Evan Conrad, CEO da San Francisco Compute, destaca uma ideia importante sobre a implantação de infraestrutura de IA: esqueça a proximidade dos usuários para cargas de trabalho de treinamento — instale os sistemas perto de fontes de energia.

Em trabalhos de treinamento que duram vários dias, o custo e a disponibilidade de eletricidade são mais importantes do que a latência. A aposta dele: veremos uma onda de clusters de GPUs com menos de 15 MW espalhados pelo mundo, onde quer que haja energia barata.

A exceção? Inferência em tempo real, como o processamento de vídeo/áudio ao vivo — essas aplicações ainda precisam estar próximas da borda para oferecer tempos de resposta abaixo de 100 ms. Treinamento = energia em primeiro lugar. Inferência de baixa latência = usuário em primeiro lugar. Cargas de trabalho diferentes, topologias diferentes.

A San Francisco Compute está tirando proveito das diferenças de preço nos contratos de GPU: compra compromissos de longo prazo e os revende como aluguéis flexíveis, mês a mês, cobrando um adicional.

A estratégia: garantir capacidade de GPU anual a preços de atacado e, depois, dividi-la em períodos de aluguel mais curtos para equipes que não podem se comprometer com contratos de 12 meses. É a clássica arbitragem de infraestrutura: comprar tempo no atacado e vender flexibilidade no varejo.

O CEO Evan Conrad confirma que a empresa contratou deliberadamente mais capacidade em contratos longos para criar essa camada de aluguel. A margem vem do adicional pela flexibilidade: a maioria dos provedores de GPU exige compromissos anuais, então oferecer acesso mensal permite cobrar acima dos preços à vista e, ainda assim, competir com contratos de menor duração.

É basicamente o modelo da AWS aplicado à computação em GPU: assumir o risco do compromisso e monetizar a flexibilidade. Funciona até que os hiperescaladores comecem a oferecer seus próprios planos flexíveis de aluguel de GPU ou que a capacidade à vista inunde o mercado.

Evan Conrad, da San Francisco Compute (operadora de clusters de GPUs), critica a oposição aos centros de dados nos EUA, dizendo que ela se baseia em alarmismo exagerado.

Sua tese central: se você quer que o valor econômico da IA chegue à sua região, é preciso ter centros de dados físicos lá. Ponto final.

Ele aponta para uma instalação em Utah que triplicou a arrecadação local de impostos como prova de que infraestrutura = dinheiro.

A dimensão geopolítica: o resto do mundo não está hesitando. Está correndo para hospedar capacidade computacional porque entende o que está em jogo. Países fora dos EUA estão cortejando ativamente esses projetos, já que um único centro de dados de grande escala pode impactar significativamente o PIB nacional.

Basicamente, esse é o argumento da “soberania em IA por meio da infraestrutura”. Ou você constrói os canais ou fica apenas alugando capacidade computacional da economia de outra pessoa. Sem centros de dados = sem poder de barganha na cadeia de valor da IA.

O subtexto: os entraves regulatórios nos EUA em torno do fornecimento de energia e do uso do solo para centros de dados podem ser um erro estratégico, enquanto outras nações estendem o tapete vermelho.

A SF Compute está enfrentando um problema crítico de financiamento de infraestrutura: clusters de GPUs são péssimas garantias, porque os credores não conseguem operá-los se os retomarem. Os bancos não querem de repente ter que administrar um supercomputador.

A solução deles: combinar a operação dos clusters com um mercado secundário líquido para vender tempo de computação. A tese é que, se a capacidade computacional se tornar verdadeiramente fungível e negociável, ela se tornará uma garantia melhor → taxas de juros mais baixas → financiamento de GPUs mais barato para startups.

Mas o CEO Evan Conrad é claro: isso não resolve o problema hoje. As startups ainda precisam do mesmo capital inicial. Construir a infraestrutura necessária para que a capacidade de GPUs se torne uma garantia vantajosa levará «vários anos».

Em essência: estão construindo a infraestrutura financeira para transformar a computação em uma classe de ativos negociável. Uma aposta de longo prazo para tornar o financiamento da infraestrutura de IA mais eficiente em termos de capital.

O CEO da San Francisco Compute, Evan Conrad, administra clusters de GPUs com um sistema de filas que combate o açambarcamento. Pequenos pesquisadores recebem prioridade máxima por padrão, até mesmo em relação aos clientes pagantes. A plataforma Autoresearch usa uma fila prioritária na qual é possível pagar para passar à frente, mas não comprar a fila inteira — pesquisadores independentes sempre conseguem vagas.

Para acabar com o açambarcamento de capacidade, a SF Compute exige que, se você alugar capacidade computacional, anuncie parte dela para revenda. Isso mantém as GPUs em circulação, em vez de deixá-las bloqueadas por grandes laboratórios.

Em resumo: priorizar os pequenos, impedir a monopolização e garantir liquidez no mercado de GPUs.

Evan Conrad, da SF Compute, explica por que os preços de GPU da AWS não são realmente mais caros que os das neoclouds — é uma ilusão criada pelo modelo de preços.

As neoclouds oferecem contratos reservados com compromissos de longo prazo. Você fecha o contrato e consegue tarifas mais baixas. É pura lógica econômica: elas sabem que você não pode desistir no meio do contrato.

Os preços sob demanda da AWS e do GCP refletem o custo real de manter capacidade de GPU ociosa funcionando 24 horas por dia, 7 dias por semana, para que você possa iniciar instâncias instantaneamente. É por essa disponibilidade que você está pagando.

A dura realidade: ninguém quer pagar o verdadeiro custo do sob demanda para que o serviço seja sustentável. Os clientes querem a flexibilidade da nuvem pelo preço de uma instância reservada — algo fundamentalmente impossível.

Para desenvolvedores: se você executa cargas de trabalho constantes, instâncias reservadas ou contratos com neoclouds fazem sentido. Se precisa de capacidade extra sob demanda ou de escalabilidade imprevisível, o serviço sob demanda de um hyperscaler é a única opção de verdade, apesar do custo adicional.

Porque deve mudar para o Workbench o quanto antes

O motivo: o Workbench muda fundamentalmente a forma como interage com sistemas de IA, ao proporcionar um ambiente estruturado para desenvolvimento e testes iterativos. Em vez de prompts pontuais, passa a ter contexto persistente, controlo de versões dos seus fluxos de trabalho e a possibilidade de encadear operações.

Principais vantagens técnicas:

1. Persistência do contexto — O histórico das conversas e o estado dos projetos mantêm-se entre sessões, eliminando a necessidade de explicar novamente a sua configuração de cada vez

2. Automação de fluxos de trabalho — Crie processos repetíveis para tarefas comuns, como revisão de código, geração de documentação ou processamento de dados

3. Orquestração de vários modelos — Alterne entre diferentes modelos de IA durante o fluxo de trabalho, consoante os requisitos da tarefa (use modelos rápidos para tarefas simples e modelos mais potentes para raciocínios complexos)

4. Estrutura de testes integrada — Valide os resultados em função dos resultados esperados antes de os colocar em produção

5. Funcionalidades de colaboração — Partilhe fluxos de trabalho com a sua equipa, não apenas os resultados finais

O aumento de produtividade é real: o que exige 10 prompts numa interface de chat passa a ser uma única execução de fluxo de trabalho no Workbench. Na prática, está a passar de uma utilização imperativa para uma utilização declarativa da IA.

Para os programadores, em particular: pense nisto como a diferença entre executar comandos manualmente no terminal e criar um pipeline CI/CD adequado. O resultado final é o mesmo, mas uma opção permite escalar e a outra não.