A IA está começando a construir a próxima geração de IA
O Gemini 4 Neon, da Google, e o GPT-6.2 Astra e Sol, da OpenAI, estão competindo em mais do que inteligência dos modelos. Ambos buscam concluir tarefas melhor, com menos tokens e custos mais baixos.
Mas o desenvolvimento de maior consequência está no novo relatório de segurança do sistema da OpenAI.
O GPT-6.2 Astra é o primeiro modelo lançado externamente que a OpenAI classifica no limiar Alto para autoaperfeiçoamento de IA. As avaliações internas mostram que ele consegue economizar 42.9% do tempo de treinamento de referência em uma tarefa de treinamento de modelos pequenos e reduzir em 74.8% uma diferença de desempenho em uma tarefa de pós-treinamento.
Isso não é autoaperfeiçoamento recursivo autônomo. Os pesquisadores humanos ainda definem objetivos, selecionam ideias e avaliam resultados.
Mark Chen e John Schulman apontam o discernimento de pesquisa como o gargalo restante: saber quais ideias importam, e não apenas executar experimentos mais rapidamente.
Minha tese: a própria pesquisa em IA está se tornando uma nova fonte de demanda por capacidade computacional — e um novo multiplicador de produtividade.
O teste econômico não é a quantidade de tokens gerados nem de experimentos realizados. É o custo de produzir uma melhoria verificada na capacidade do modelo.
À medida que a pesquisa se torna mais automatizada, a avaliação independente, a reprodutibilidade e a supervisão tornam-se mais valiosas, não menos.
O próximo ciclo da IA pode ser impulsionado por sistemas que ajudam a construir seus sucessores. Mas a capacidade de verificar essas melhorias determinará a rapidez com que esse ciclo poderá avançar de forma segura.
#stocks
$GOOGL.US
O Gemini 4 Neon, da Google, e o GPT-6.2 Astra e Sol, da OpenAI, estão competindo em mais do que inteligência dos modelos. Ambos buscam concluir tarefas melhor, com menos tokens e custos mais baixos.
Mas o desenvolvimento de maior consequência está no novo relatório de segurança do sistema da OpenAI.
O GPT-6.2 Astra é o primeiro modelo lançado externamente que a OpenAI classifica no limiar Alto para autoaperfeiçoamento de IA. As avaliações internas mostram que ele consegue economizar 42.9% do tempo de treinamento de referência em uma tarefa de treinamento de modelos pequenos e reduzir em 74.8% uma diferença de desempenho em uma tarefa de pós-treinamento.
Isso não é autoaperfeiçoamento recursivo autônomo. Os pesquisadores humanos ainda definem objetivos, selecionam ideias e avaliam resultados.
Mark Chen e John Schulman apontam o discernimento de pesquisa como o gargalo restante: saber quais ideias importam, e não apenas executar experimentos mais rapidamente.
Minha tese: a própria pesquisa em IA está se tornando uma nova fonte de demanda por capacidade computacional — e um novo multiplicador de produtividade.
O teste econômico não é a quantidade de tokens gerados nem de experimentos realizados. É o custo de produzir uma melhoria verificada na capacidade do modelo.
À medida que a pesquisa se torna mais automatizada, a avaliação independente, a reprodutibilidade e a supervisão tornam-se mais valiosas, não menos.
O próximo ciclo da IA pode ser impulsionado por sistemas que ajudam a construir seus sucessores. Mas a capacidade de verificar essas melhorias determinará a rapidez com que esse ciclo poderá avançar de forma segura.
#stocks
$GOOGL.US