近日, um engenheiro de software da equipe do Google TPU, Patrick C. Toulme, compartilhou uma visão instigante. Ele acredita que o Opus 5.5, ao conseguir manter um desempenho excelente mesmo com um tamanho menor e um custo mais baixo, provavelmente deve isso à tecnologia RSI (autoaperfeiçoamento recursivo) e ao fato de ter sido submetido a um processo de destilação com um modelo interno de ensino ainda maior. De acordo com sua inferência, esse misterioso modelo de ensino pode ser, na verdade, o Model-2 Mythos. No entanto, até o momento, a Anthropic ainda não forneceu confirmação exata sobre essa trilha de treinamento específica.
Quanto a esse tipo de especulação, eu pessoalmente concordo plenamente. Ao combinar RSI com destilação, isso marca uma abordagem de P&D com grande potencial: fazer com que modelos com capacidades no topo participem do desenvolvimento da próxima geração de IA e, em seguida, transferir essas capacidades poderosas que já foram validadas para produtos com um custo mais acessível. Isso significa que laboratórios de ponta podem, perfeitamente, atuar em duas frentes ao mesmo tempo — continuando a romper limites e ampliar a escala de treinamento dos modelos de vanguarda, enquanto reduzem de forma eficiente o custo de inferência real dos usuários finais. Essas duas frentes não apenas não se contradizem, como também podem avançar lado a lado.
Além disso, os LLMs mais avançados, ao reduzirem os custos de inferência sem comprometer o desempenho, certamente reforçam ainda mais a lógica dos investidores otimistas de que a economia unitária dos laboratórios de IA pode ser melhor do que o mercado espera. Desde que preços mais acessíveis consigam estimular um aumento acentuado no volume de aplicações empresariais e no número de chamadas de Agentes, e que essa taxa de crescimento seja suficiente para compensar a parcela de queda no poder de computação consumido por uma tarefa individual, isso injetará uma força contínua na infraestrutura de base de toda a cadeia da indústria. Assim, a demanda do mercado — incluindo semicondutores de IA, dispositivos de armazenamento e hardwares de interconexão — receberá um suporte ainda mais sólido.
Quanto a esse tipo de especulação, eu pessoalmente concordo plenamente. Ao combinar RSI com destilação, isso marca uma abordagem de P&D com grande potencial: fazer com que modelos com capacidades no topo participem do desenvolvimento da próxima geração de IA e, em seguida, transferir essas capacidades poderosas que já foram validadas para produtos com um custo mais acessível. Isso significa que laboratórios de ponta podem, perfeitamente, atuar em duas frentes ao mesmo tempo — continuando a romper limites e ampliar a escala de treinamento dos modelos de vanguarda, enquanto reduzem de forma eficiente o custo de inferência real dos usuários finais. Essas duas frentes não apenas não se contradizem, como também podem avançar lado a lado.
Além disso, os LLMs mais avançados, ao reduzirem os custos de inferência sem comprometer o desempenho, certamente reforçam ainda mais a lógica dos investidores otimistas de que a economia unitária dos laboratórios de IA pode ser melhor do que o mercado espera. Desde que preços mais acessíveis consigam estimular um aumento acentuado no volume de aplicações empresariais e no número de chamadas de Agentes, e que essa taxa de crescimento seja suficiente para compensar a parcela de queda no poder de computação consumido por uma tarefa individual, isso injetará uma força contínua na infraestrutura de base de toda a cadeia da indústria. Assim, a demanda do mercado — incluindo semicondutores de IA, dispositivos de armazenamento e hardwares de interconexão — receberá um suporte ainda mais sólido.
