Torygreen

Os números de capex importam, mas não porque "orçamento maior ganha".
Gastos elevados criam os seus próprios problemas: compromissos fixos, ciclos de dívida, pressão para manter a utilização elevada. Quando a conta chega a centenas de bilhões, começa-se a tratar GPUs, DRAM/HBM e slots de fábrica como ativos estratégicos.
As peças em jogo não são apenas "modelos". São a capacidade de chips, embalagem de memória, energia de data centers, topologia de rede e decisões de roteamento sobre onde a inferência é servida.
Os laboratórios que vencem tornam toda a pilha resiliente sob escassez.
Por isso t

As pessoas falam sobre “alinhamento de IA” como se fosse puramente uma questão ética.
Na prática, é uma questão de incentivos.
Sistemas fechados otimizam para KPIs da plataforma porque é isso que eles são pagos para fazer.
Os utilizadores ficaram mais tempo?
As reclamações diminuíram?
O envolvimento aumentou?
As métricas pareciam boas num painel de controlo?
A IA aprende a otimizar esses números, não o “alinhamento” com os utilizadores.
A DeAI torna a proveniência e a verificação a coisa para a qual você é pago.
Quando os outputs, a linhagem de dados e as provas de execução são nativos, o “ali

A parte que ninguém mencionou sobre o bloqueio de APIs pelo Claude:
negação de inferência = poder
Se uma plataforma pode limitar você, trocar rapidamente um ponto de verificação mais barato ou restringir ferramentas por trás de políticas, ela controla seu ritmo de operação.
Uma cota que você não concordou.
Uma rota que você não consegue ver.
Uma decisão de “conformidade” que aparece como latência e chamadas perdidas.
E todos tratam isso como uma mudança de produto.
Não é.
É governança, em tempo de execução.
Já estamos assistindo isso acontecer.
Hoje eles cortam o acesso para “rivais”.
Amanhã é

Claude a tornar-se acessível o suficiente para ser o modelo padrão por trás das ferramentas de desenvolvimento não aliviou a procura.
Ele aumentou ainda mais.
Jevons, em tempo real.
O uso continuou a expandir... até que certas APIs foram colocadas na lista negra ontem.
Esse é o momento que importa.

“Conselho de IA” parece seguro porque soa como se fosse adequado a todos.
Esse é o truque.
O modelo é ajustado para o meio: a resposta que não fará a pessoa comum se queimar na situação média.
Mas ninguém pede conselho do meio.
Eles perguntam da borda:
- oferta de emprego vs visto vs família
- processo / divórcio / custódia
- uma chance de reparar um relacionamento
- decisão de saúde onde “provavelmente tudo bem” significa definitivamente prejudicado
Então, ele te serve algo como:
“Na maioria dos casos, aceite o emprego com maior salário. Você sempre pode mudar a família depois.”
Normalmente é

A OpenAI está a seguir o padrão da AOL.
Ganhe cedo.
Construa o jardim fechado.
Envolva-o em “segurança”.
Lance a versão mais banal que não irá chatear ninguém.
Eles irão possuir a distribuição.
Depois acordam um dia e percebem que os construtores partiram.
AOL não perdeu a internet.
Ela simplesmente deixou de ser o lugar onde a internet acontecia.
Quem se torna esse lugar a seguir?

A IA descentralizada vencerá a guerra da infraestrutura em 2026.
A IA está a migrar das plataformas em nuvem para infraestruturas em rede.
A latência de inferência, o custo e a pressão da censura forçam o cálculo para malhas de GPU descentralizadas e coordenação na cadeia.
Isto não é ideológico. É arquitetural.
Nuvens centrais otimizam o controlo.
DeAI otimiza a disponibilidade e o throughput.
Em escala, apenas um destes mantém a eficiência.

2025 foi o ano dos debates sobre AGI. Não porque o progresso estagnou, mas porque a “inteligência” nunca se reduziu a um único escalar.
Laboratórios, reguladores e compradores podem enviar - mas não podem justificar, governar ou escalar decisões com base em vibrações.
A restrição é a verificação: o sistema consegue reproduzir resultados sob restrição, com proveniência e com trilhas de auditoria?
DeAI é basicamente essa filosofia codificada na infraestrutura. É uma forma de avançar sem concordar totalmente com a AGI.

Modelos como o1 quebraram uma suposição fundamental em 2025: o custo de inferência não é fixo.
Eles vão “pensar” até que a incerteza desapareça, mesmo que seja caro.
É por isso que as trilhas importam. Quando o raciocínio é medido, alguém controla esse medidor.
Em 2026, o controle passa para quem define preços, roteia e audita o pensamento em escala.

Calcule escalas do que pode experimentar.
Avaliação escala o que pode confiar.
Sistemas centralizados otimizam o throughput e investem pouco na verificação.
Sistemas distribuídos empurram a verificação para a borda, continuamente.
O próximo avanço não são agentes mais inteligentes.
São plataformas que tornam os resultados comprováveis.

A programação ficou "fácil" para os modelos não porque é simples, mas porque a verificação é barata.
O trabalho de alta qualidade é o oposto: o feedback chega tarde, os sinais são confusos, as partes interessadas coronam os vencedores.
Avaliação barata aumenta a capacidade.
Avaliação cara aumenta a persuasão.
“Parece certo” é a armadilha.

A maioria das pessoas está a subestimar massivamente quanto tempo o trabalho de conhecimento de alto nível vai sobreviver.
Estão a extrapolar a partir do AI a dominar tarefas de nível médio e assumem que a curva continua a subir de forma suave.
Não vai acontecer.
O AI é incrivelmente bom em:
• Reconhecimento de padrões
• Recuperação de informação
• Síntese de primeira ordem
• Fluência
• Velocidade
Isso elimina grandes fatias de trabalho de conhecimento júnior e de nível médio.
Mas o trabalho de conhecimento de elite não é apenas “mais inteligência”. É um regime completamente diferente.
O que r

A maioria das previsões sobre a IA substituir "todo o trabalho de conhecimento" baseia-se num erro de extrapolação simples:
Confundem desempenho de tarefas com julgamento.
As pessoas veem a IA demolir tarefas de nível médio e assumem que a curva continua a subir de forma suave.
Mas o topo do trabalho de conhecimento não é uma versão mais difícil do meio. É um regime completamente diferente.
Quando o trabalho deixa de ser “resolver o problema” e passa a ser “escolher o problema certo”, as regras invertam-se.
Modelos ficam melhores em tarefas com um placar.
O julgamento é escolher o placar, e pa

A maioria das pessoas subestima quanto tempo o trabalho de conhecimento de alto nível irá sobreviver.
Elas veem a IA esmagando tarefas de nível médio e assumem que a curva continuará a subir de forma suave.
Não vai.
Porque “tarefas mais difíceis” não são apenas as mesmas tarefas que exigem mais QI.
A IA já é elite em:
1. Reconhecimento de padrões
2. Recuperação
3. Síntese de primeira ordem
4. Fluência
5. Velocidade
Isso elimina grandes porções de trabalho júnior e de nível médio.
Qualquer coisa que pareça “transformar entradas em saídas” torna-se barato, rápido e abundante.
Mas o trabalho de c

Você não perderá seu emprego para a IA primeiro.
Você vai perdê-lo por causa da confiança excessiva em massa.
A IA permitirá que milhões enviem respostas fluentes sem assumir as consequências.
As primeiras vítimas da IA não serão os trabalhadores.
Serão instituições que confundem o volume de saída com a verdade.

Um modelo não é um fosso.
A inteligência é fácil de replicar.
Você pode baixar pesos, bifurcar arquiteturas e ajustar para sempre.
Mas você não pode implantar essa inteligência em larga escala se alguém mais controla a inferência: preços, cotas, KYC, regiões e mudanças de política que mudam da noite para o dia.
À medida que a IA passa de chatbots para agentes, a Gate torna-se o ponto de estrangulamento.
Quem pode correr, quando, com que latência, em qual hardware, sob cujas regras.... e o que acontece quando você é restringido de 200ms para 2 segundos.
Os modelos continuarão a melhorar.
Os Rai

A empresa de IA mais valiosa em dez anos não será aquela com o modelo mais inteligente.
Será aquela de que todos os outros modelos dependem para funcionar.
Modelos tornam-se commodities rapidamente - não permanecem especiais por muito tempo. Arquiteturas vazam. Truques de treino espalham-se. O “melhor modelo” deixa de ser uma vantagem duradoura.
Problemas de infraestrutura são diferentes de problemas de modelo.
Latência, throughput, uptime, verificação. Essas são restrições físicas e económicas, não problemas que se resolvem publicando outro artigo.
À medida que a IA se torna agente, o valor m

A sua IA está a fazer-lhe gaslighting para que seja incompetente.
Um dos riscos menos discutidos da IA compatível não é a desinformação.
É a má calibração.
Sistemas projetados para serem continuamente agradáveis não apenas moldam respostas. Moldam utilizadores, treinando as pessoas a confundirem fluência com competência.
Reparo nisso em mim mesmo, por isso incentivo os meus modelos a tornarem-se parceiros de treino. Quando o sistema é suave e afirmativo, é fácil avançar mais rápido sem ser testado. Sente-se capaz porque nada realmente lhe fez recuar.
No mundo real, a competência é construída a