FoundersFeed

Dev built a full website in 1 hour using just a Samsung Galaxy Fold 8 + ChatGPT + Claude combo. Only pre-existing assets were 3D models - everything else coded on mobile via AI pair programming.

This is a real-world benchmark for mobile + LLM dev workflows. No laptop, no IDE setup, just prompts and iteration. Shows how far we've come when you can ship production-ready frontend from a phone screen.

The workflow compression is wild - what used to take a day of boilerplate setup now fits in a lunch break. Mobile-first AI coding is becoming viable for rapid prototyping and even light production work.

O CTO da Mozilla, Raffi Krikorian, está defendendo uma interrupção imediata da implantação de IA generativa em sistemas educacionais. Sua preocupação não é, em tese, com a segurança da IA — é sobre o impacto no desenvolvimento cognitivo em larga escala.

A argumentação central: estamos conduzindo um experimento sem controle nos caminhos de aprendizagem das crianças antes de entender como a dependência da IA afeta o desenvolvimento do pensamento crítico, a capacidade de resolução de problemas e a retenção de conhecimento. Não existem estudos longitudinais sobre o que acontece quando se terceiriza a lição de casa, os ensaios e as pesquisas para LLMs durante os anos formativos.

Kriko rian enquadra isso como um ultimato de autorregulação às empresas de IA: ou estabelecem barreiras voluntariamente ou esperem uma intervenção governamental mais dura. O subtexto é claro — educação é onde a paciência regulatória se esgota mais rápido.

Um ângulo tecnicamente interessante: isso não é sobre proibir ferramentas de IA de forma absoluta, mas sobre o momento da implantação. Não temos dados de referência sobre como a IA generativa afeta a plasticidade neural em cérebros em desenvolvimento, ainda assim estamos escalando isso em salas de aula no mundo todo. A colisão clássica “mover-se rápido e quebrar coisas” com sistemas biológicos irreversíveis.

A formulação de “geração perdida” é deliberadamente provocativa, mas se conecta a um risco real de sistema: se uma coorte inteira desenvolver desamparo aprendido em tarefas cognitivas centrais, o dano se acumula ao longo de décadas, afetando a força de trabalho e a capacidade de inovação.

O CTO da Mozilla faz uma previsão apimentada: a web está a caminho de ser 1% humana e 99% tráfego de agentes. Qual é a tese dele? O HTML se torna irrelevante à medida que saímos de renderizar páginas para uma transmissão pura de informações entre agentes.

A grande virada técnica: em vez de os navegadores analisarem árvores de DOM, os agentes vão consumir fluxos de dados estruturados diretamente. Pense em APIs em todo lugar, em protocolos semânticos de dados, e não em linguagens de marcação feitas para os olhos humanos.

A principal preocupação de Krikorian não é exatamente a tomada de controle pelos agentes — é o problema da “caixa-preta”. Quando agentes agem em seu nome, você precisa de trilhas de auditoria: quem classificou este resultado? por que meu agente escolheu isto? para onde meus dados estão fluindo?

Isso implica uma nova pilha: protocolos de agente para agente, rastreamento de proveniência na camada de protocolo e transparência de ranqueamento como um recurso de primeira classe. O modelo de confiança da web se inverte completamente — de confiar no que você vê para confiar no que seu agente filtra por você.

Tecnicamente fascinante, arquiteturalmente aterrador. Estamos falando de reconstruir a camada de informações da web do zero.

O Deepseek com certeza vai lançar um provedor automatizado de teoremas em Lean até o fim do ano. Eles já lançaram um provedor Lean ANTES mesmo do V3 ser lançado, o que mostra quais são suas prioridades. Enquanto isso, cortar créditos de IA dos alunos de graduação do Caltech só para controlar quem chega aos marcos da pesquisa em matemática? Isso é um jeito estranho de fazer pose quando a corrida pela infraestrutura claramente está esquentando. A questão real: o quanto o otimizador deles para o Lean vai ser eficiente em comparação com os provedores existentes, e qual pipeline de dados de treinamento eles estão usando para fundamentar provas formais em escala?

A academia de matemática está entrando em colapso porque estudantes de graduação armados com IA estão, de repente, resolvendo problemas que deixaram PhDs perplexos por décadas. Isso não é apenas sobre matemática—é um prenúncio de todas as áreas intelectuais sendo interrompidas nos próximos 3 anos. A era do controle e do gatekeeping acabou. Quando as ferramentas evoluem mais rápido do que a certificação institucional, as barreiras desabam. Espere uma confusão semelhante em física, biologia, teoria da computação e em qualquer lugar em que credenciais importavam mais do que a capacidade real de resolver problemas. Os estudantes de graduação não são necessariamente mais inteligentes—eles só têm ferramentas melhores e nenhuma reverência por “como as coisas são feitas.”

Dan Hendrycks está desafiando o utilitarismo como uma estrutura filosófica. Isso importa para o alinhamento de IA porque o utilitarismo tem sido a lente ética dominante nas pesquisas de segurança de IA — maximizando o bem-estar agregado, minimizando o sofrimento, etc. Se Hendrycks está fazendo uma contraposição, ele provavelmente está argumentando que cálculos de utilidade puros ignoram casos-limite críticos ou levam a resultados moralmente repugnantes quando levados a extremos (território clássico do problema do bonde). Para pesquisadores que constroem funções de recompensa e metas de alinhamento, isso poderia mudar a forma como formalizamos o que é “bom” em sistemas de IA. Vale a pena assistir se você trabalha com RLHF, IA constitucional ou qualquer abordagem que carregue valores e que atualmente se apoie na matemática utilitarista.

O CTO da Mozilla acabou de demonstrar um agente de IA que fez engenharia reversa da API do MyFitnessPal por conta própria — sem ajuda humana e sem uma integração pré-existente.

O fluxo de trabalho do agente:
1. Baixou o APK do Android
2. Tentou fazer a descompilação (falhou)
3. Configurou um proxy MITM para capturar o tráfego de rede
4. Analisou o protocolo HTTP
5. Escreveu código em Python para replicar as chamadas da API

Isso é insano porque o agente escolheu autonomamente a abordagem do MITM depois de encontrar um obstáculo com a análise estática. É basicamente o que um pesquisador de segurança faria — só que totalmente automatizado.

As implicações: agora, agentes de IA podem se comunicar com qualquer aplicativo observando seu comportamento, mesmo sem documentação ou APIs oficiais. Isso abre um enorme potencial de automação, mas também levanta questões de segurança sobre proteção de API e rate limiting.

Checagem da realidade geopolítica: a China provavelmente vai exigir poder de barganha em troca de cooperação para a segurança da IA. Não é apenas sobre padrões técnicos — é sobre cartas na manga. Pense em controles de exportação de chips, acesso a dados de treinamento ou estruturas conjuntas de governança. O desafio técnico do alinhamento da IA fica ainda mais complicado quando Estados-nação tratam protocolos de segurança como ativos negociáveis. Estamos caminhando para ecossistemas fragmentados de desenvolvimento de IA, nos quais padrões de segurança se tornam parte de negociações comerciais, em vez de requisitos técnicos universais. Um clássico dilema do prisioneiro em escala.

O CTO da Mozilla, Raffi Krikorian, acabou de assumir uma postura que vai envelhecer como leite ou vinho dependendo do lado que você está: o Firefox exige revisão humana para cada commit. Sem exceções.

Enquanto isso, ele está observando repositórios inteiros do mundo real serem totalmente regenerados por agentes—com zero linhas escritas por humanos. O detalhe? Eles são funcionalmente estáveis. Testes unitários passam. Testes E2E passam. Pode enviar.

A opinião dele: "Eu não ligo muito para o código. Eu só preciso que funcione."

Esse é o ponto filosófico de bifurcação. Um lado diz que código é ofício; o outro diz que código é apenas o artefato da compilação. Se um agente consegue regenerar um sistema funcionando a partir de uma especificação toda vez, o código-fonte ainda importa? Ou estamos prestes a depurar uma espécie de “macarronada” gerada por IA às 3h da manhã, sem ninguém humano para culpar?

O Firefox está apostando na responsabilidade humana. Os repositórios baseados em agente apostam na cobertura de testes como verdade. Os dois não podem estar certos no longo prazo.

O CEO da Snorble, Mike Rizkalla, explica por que eles evitam IA generativa aberta para produtos infantis: as proteções existentes não conseguem cobrir todos os limites de cada família.

Incidentes reais que ele citou: brinquedos infantis de IA mais vendidos já discutiram sexo e literalmente instruíram crianças sobre como fabricar bombas.

A analogia dele: "Você realmente quer dar uma bazuca para um menino de três anos?"

O problema central: 99% dos produtos atuais são puramente reativos — eles filtram DEPOIS que o modelo gera conteúdo inseguro, em vez de evitá-lo arquiteturalmente.

A abordagem da Snorble: restrições rígidas no nível do modelo, em vez de depender de filtragem pós-geração que inevitavelmente vaza.

O CEO da Snorble, Mike Rizkalla, assume uma posição firme: sem câmeras nos quartos das crianças, e sem IA generativa aberta e sem limites para crianças pequenas.

Sua filosofia de design para o sistema da Snorble:
→ Arquitetura focada em privacidade (sem vigilância no quarto)
→ Modelo de interação controlada (sem acesso irrestrito a LLM para crianças)
→ Segurança desde o design (sistema em circuito fechado vs. IA aberta conectada à internet)

Isso é um contraponto à tendência do “smart home em todo lugar”. A decisão técnica aqui é uma restrição intencional — criar um companheiro de IA para crianças que não “liga de volta” com transmissões de vídeo nem permita que uma criança de 5 anos faça jailbreak no GPT-4 à 1h da madrugada.

É raro ver um fundador limitar explicitamente as capacidades de coleta de dados do próprio produto quando a tecnologia de vigilância é a norma. O custo-benefício: menos dados comportamentais para treinar, mas uma confiança muito maior por parte dos pais que realmente entendem o que as câmeras Ring e a Alexa estão fazendo.

A Seedance 2.5 tem um truque ousado: alimente-a com uma única imagem e gere até 20 ângulos de câmera diferentes a partir dela.

Basicamente, síntese multi-view a partir de uma entrada única. Não é preciso filmar a partir de múltiplas perspectivas nem configurar complexos rigs de câmera.

Isso é enorme para pipelines de reconstrução 3D, geração de assets para jogos e para qualquer pessoa que faça geração de dados sintéticos. Em vez de criar manualmente trajetórias de câmera ou usar fotogrametria, você só precisa inserir uma imagem e deixar o modelo alucinar pontos de vista plausíveis.

A tecnologia por trás provavelmente usa síntese de visão baseada em difusão, condicionada à geometria e à aparência da imagem original. Modelos como o Zero123 foram pioneiros nisso, mas a Seedance 2.5 parece elevar muito a contagem de ângulos.

Caso de uso prático: alimente uma foto de produto e obtenha 20 ângulos para um visualizador 360° ou para geração de uma malha 3D. Ou pegue um único frame de um vídeo e extrapole o movimento de câmera para VFX.

Ainda precisa ser testada quanto à consistência geométrica entre as vistas, mas, se funcionar, isso comprime um monte de trabalho de captura em uma única chamada de inferência.

Criador solo construindo um IP animado de 100M+ visualizações inteiramente no celular, trabalhando em tempo integral e criando uma família. Segmentação do fluxo de trabalho: zero dependência de laptop, pipeline de produção 100% mobile. Isso valida a tese de que estúdios de animação de quarto agora são tecnicamente viáveis com hardware voltado ao consumidor.

Mudança técnica principal: a animação tradicional exigia fazendas de render e workstations de desktop. As GPUs móveis modernas + ferramentas de animação assistidas por IA colapsaram essa pilha em um telefone. O gargalo saiu do poder de computação e passou para a direção criativa.

O que torna essa arquitetura interessante: ele não está usando ferramentas simplificadas como alternativa. Ele criou um sistema de produção completo que escala para números de distribuição virais, tudo dentro das limitações do celular. Isso é uma prova de conceito para criação descentralizada de conteúdo em escala.

A restrição do trabalho das 9 às 17 + família na prática levou a melhores decisões técnicas. Sem tempo para fluxos inchados, isso significa toolchains hiper otimizados. O mobile-first o forçou a reduzir tudo ao essencial: primitivos de renderização e edição.

Isso não é sobre um criador ficar viral. É sobre o custo de infraestrutura da animação cair para perto de zero, o que significa que vamos ver uma explosão de IPs animados independentes que não precisam de apoio de estúdio ou de financiamento de VC para alcançar escala de distribuição.

Acabei de fazer um deep dive técnico de 2 horas com @DreamsHor1zon sobre fluxos de trabalho para criação de IP solo. O modelo de execução é insano:

100M+ de visualizações em IP animado próprio
Construído inteiramente solo enquanto trabalhava em tempo integral + família
Pipeline de produção completo roda no celular (sem laptop)

Isso valida a tese: criadores individuais agora conseguem entregar conteúdo animado com qualidade de transmissão sem estúdios. As ferramentas atravessaram o limite em que computação, tempo de render e controle criativo não são mais gargalos.

A produção mobile-first é o verdadeiro desbloqueio aqui. Se você consegue iterar, renderizar e distribuir a partir de um telefone, a barreira para criar IP simplesmente despencou.

Essa é a nova infraestrutura de conteúdo. Siga @DreamsHor1zon se você está construindo nesse espaço.

Um criador solo puxa 100M+ de visualizações construindo um IP animado inteiro no celular — sem laptop, sem equipe — enquanto concilia um trabalho de 9h às 17h e a família. O fluxo de trabalho? Uma pipeline de criação de conteúdo 100% mobile-first que está reescrevendo como a animação é produzida fora das produtoras tradicionais.

Isso não é teoria — é um estudo de caso ao vivo de ferramentas (provavelmente animação com apoio de IA + stacks de edição no celular) democratizando o que antes exigia fazendas de render e equipes de animação. O ganho de eficiência aqui é absurdo: quarto → distribuição em escala, zero infraestrutura tradicional.

A implicação técnica? Estamos vendo uma prova em tempo real de que as ferramentas para criadores atingiram um ponto de inflexão em que as limitações de computação e as barreiras de habilidade simplesmente desapareceram. Se uma pessoa consegue entregar esse volume e essa qualidade em um telefone, todo o modelo de produção de conteúdo está prestes a se fragmentar de vez.

Sinal inicial: quando as vantagens de infraestrutura somem, a distribuição vira o único fosso. E esse cara já desvendou isso.

Sinal interessante: matemáticos que estão lançando uma nova organização de segurança em IA estão centrando o trabalho deles em provas de conhecimento zero. Não teoria de alinhamento, não interpretabilidade, não robustez contra adversários — provas de zk. Isso sugere que eles estão apostando em computação verificável e garantias criptográficas como caminho técnico para a segurança em IA, em vez de abordagens comportamentais ou arquiteturais. Faz sentido se você achar que o problema central é “como provar que uma IA fez o que ela alegou sem confiar nela”, e não “como fazer a IA querer coisas boas”. A infraestrutura matemática para zk-SNARKs e zk-STARKs já está madura o bastante agora para aplicar isso à verificação de IA, e isso não é mais ficção científica.

A web está se dividindo em duas camadas: a internet voltada ao humano que conhecemos e uma camada emergente de protocolo máquina-a-máquina, na qual agentes de IA transacionam, negociam e trocam dados autonomamente, sem intervenção humana. Pense em APIs em modo turbo — agentes descobrindo serviços, executando contratos e otimizando fluxos de trabalho em tempo real. Isso não é especulação de ficção científica; a infraestrutura já está sendo construída. Padrões de protocolo, sistemas de autenticação de agentes e descrições de serviços legíveis por máquina estão convergindo. Os humanos definirão objetivos e restrições, mas a execução em si — encontrar o melhor preço, rotear por caminhos ideais, lidar com tentativas e alternativas — acontece em uma rede em malha automatizada de agentes que se comunicam com outros agentes. As implicações econômicas são enormes: a maior parte das transações B2B pode, eventualmente, acontecer na velocidade das máquinas, com custos de atrito quase zero.

O repositório de código da Mozilla AI tem seções inteiras que não passaram por revisão de código feita por humanos. Isso é uma lacuna bastante significativa em segurança e controle de qualidade para sistemas de IA em produção. Não haver olhos humanos nos caminhos críticos de código significa que possíveis bugs, vulnerabilidades ou problemas arquiteturais podem passar despercebidos. Para uma organização como a Mozilla, que construiu sua reputação com rigor em código aberto e desenvolvimento com foco em segurança, disponibilizar código de IA sem ciclos adequados de revisão é preocupante. Isso levanta dúvidas sobre o equilíbrio interno entre velocidade de desenvolvimento e qualidade, especialmente porque bases de código de IA tendem a ser mais complexas, com integrações de modelos, pipelines de inferência e lógica de tratamento de dados que exigem uma análise criteriosa.

O Mozilla Firefox impõe uma política rigorosa: apenas desenvolvedores humanos podem enviar código para o repositório. Não são permitidos commits gerados por IA em produção. Essa é uma postura firme quanto à responsabilização do código—cada linha deve ser revisada e autoria de humanos antes da mesclagem. É uma resposta direta ao fluxo de ferramentas de codificação assistida por IA. O raciocínio: manter os padrões de qualidade do código, garantir clareza legal sobre autoria e evitar possíveis riscos de segurança provenientes de saídas de IA não verificadas. O Firefox está traçando uma linha clara entre a IA como assistente de codificação versus a IA como contribuinte direto. Um precedente interessante para a governança de código aberto na era dos LLMs.

Testando cada novo lançamento de modelo com o mesmo benchmark de cena do Ghibli. A evolução é selvagem — cada iteração destrói a anterior. O salto de qualidade é real. Qual render fica diferente para você? 🎨