A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
Um novo repositório chamado OpenArch disponibiliza implementações em Python/PyTorch de arquiteturas modernas de LLMs de código aberto, feitas do zero e organizadas uma por vez. O projeto reúne modelos baseados no catálogo de LLM Architecture Gallery, com escolhas estruturais como tipos de atenção, normalização, codificação posicional, roteamento de MoE e variações como MHA, GQA, MQA, RoPE e MoE denso ou esparso.
O objetivo do OpenArch não é competir com bibliotecas de produção, e sim facilitar o aprendizado com arquivos legíveis e comparáveis entre si. Implementações marcadas como ✅ podem ser usadas em forward passes, enquanto as marcadas como 🚧 ainda estão em construção; o repositório também incentiva contribuições para adicionar modelos, documentar decisões e criar testes de carregamento de pesos oficiais.
Um modelo de linguagem com 3,8 bilhões de parâmetros foi treinado por US$ 998 e obteve 0,384 no benchmark CORE. O treinamento usou 65 bilhões de tokens em 43 horas, com o projeto descrito como uma iniciativa feita do zero, com infraestrutura própria e execução em GPUs alugadas.
O autor relata que o resultado foi possível ao ajustar detalhes como agendamento de taxa de aprendizado, escolha de otimizadores por tipo de parâmetro e melhorias de eficiência no treino. Também são citadas mudanças na mistura de dados, uso de FP8 com padding de vocabulário e redução do contexto para 1024 tokens, além de métricas de desempenho durante a execução.
Machine learning, ou aprendizado de máquina, é uma área da computação em que o programa aprende com exemplos em vez de seguir regras escritas por humanos. Em vez de programar “se X acontecer, faça Y”, o sistema recebe milhares de dados e identifica padrões para fazer previsões, como no reconhecimento de gatos a partir de fotos. O termo foi popularizado por Arthur Samuel na década de 1950.
Machine learning não é a mesma coisa que inteligência artificial: a IA é o campo maior e o machine learning é um dos caminhos, com o deep learning usando redes neurais de várias camadas. O aprendizado acontece em etapas como dados, treinamento e ajuste, com ciclos repetidos até melhorar as previsões, e existem tipos como supervisionado, não supervisionado e por reforço. Mesmo assim, algoritmos erram quando os dados são incompletos, desatualizados ou enviesados, além de limitações como alucinação e overfitting.
A ByteDance, dona do TikTok, está treinando um novo modelo de IA que pode chegar a 10 trilhões de parâmetros, segundo apuração do Financial Times. O sistema estaria em pré-treinamento, etapa que dura de três a seis meses, e o tamanho final ainda pode variar. A estimativa é que ele seja cerca de três vezes maior que o Kimi K3, da Moonshot, e que aproxime a empresa da liderança da Anthropic, embora esses números não sejam confirmados pelas companhias.
A notícia importa porque reforça a corrida por modelos cada vez maiores e destaca que parâmetros não garantem desempenho sozinhos: dados e método de treinamento pesam tanto quanto. Para o mercado, a estratégia da ByteDance também chama atenção por ter restrições internas ao uso de destilação — técnica comum para acelerar desenvolvimento — e por manter modelos mais fechados, o que pode influenciar como o ecossistema de IA se integra a produtos e ofertas futuras.
A startup WindBorne Systems, que coleta dados com balões meteorológicos de longa duração e usa modelos de IA para previsões, levantou uma rodada Series B de US$ 37 milhões. A captação foi liderada por Khosla Ventures e Galvanize, com participação de TransLink Capital, Lux Capital e investidores anteriores, e a empresa foi avaliada em US$ 250 milhões. Fundada em 2019, a WindBorne opera cerca de 20 locais de lançamento e mantém aproximadamente 600 balões no ar, inclusive em áreas difíceis como o “olho” de tufões.
O foco agora é transformar previsões mais precisas em decisões práticas para empresas, indo além do mercado governamental. A companhia já vende dados para agências como o National Weather Service dos EUA e trabalha com a Força Aérea e a Marinha em parcerias de pesquisa; com a nova rodada, planeja ampliar o time comercial e facilitar a integração dos alertas meteorológicos aos fluxos de trabalho privados. A aposta é que ferramentas de IA reduzam o custo e a complexidade de “colocar a previsão para funcionar”.
Empresas que fornecem dados para treinar modelos de IA, como a ISBNdb, têm sido apontadas como fonte para alimentar LLMs com livros impressos. A justificativa é que esses materiais seriam “mais limpos”, ajudando a reduzir problemas como AI slop e melhorando a qualidade das respostas. O lado controverso é a falta de transparência nas compras em grande escala e o receio de que exemplares sejam destruídos após a digitalização, inclusive com impactos em obras raras. O tema também reacende debates sobre origem e governança dos dados usados por sistemas generativos.
