Pesquisadores de segurança alertam que conteúdo sexual explícito gerado por IA sem consentimento segue se espalhando sem controle, com compartilhamento em mensagens diretas e armazenamento em nuvens privadas, o que dificulta detecção e denúncia. Um estudo coautorado pela Google com usuários da internet nos Estados Unidos, Austrália e Reino Unido, publicado em julho, aponta que o ponto de intervenção mais crítico está na origem das ferramentas usadas para criar as imagens falsas.
Em testes recentes, pesquisadores do White Circle afirmam que guardrails de geradores de imagens de texto de Google e OpenAI podem estar falhando à medida que os modelos ficam mais capazes. Um preprint divulgado no mês passado descreve vulnerabilidades em DALL·E 3, Nano Banana 2 e GPT-Image-2, com a equipe dizendo que, usando ferramentas disponíveis publicamente e chamadas via API, conseguiu gerar conteúdo explícito cerca de 13% das vezes.
O Wellhub revelou o Panorama do Bem-Estar Corporativo 2027 e indica que a adoção de inteligência artificial pode aumentar a carga de trabalho para quem já domina a tecnologia. No Brasil, 37% dos trabalhadores “avançados em IA” relatam que o uso da ferramenta elevou o volume de tarefas, ante 13% entre quem está nos primeiros estágios de adoção. O levantamento também mostra que, no recorte brasileiro, oito em cada dez usuários avançados orientam outras pessoas sobre as ferramentas.
Os dados ainda apontam diferenças nos relatos de esgotamento: 23% dos profissionais mais avançados dizem ter sintomas de burnout diariamente, contra 11% dos iniciantes. A pesquisa destaca que políticas claras e bem comunicadas sobre IA se associam a maior resiliência, e que 75% dos usuários avançados citam recursos de bem-estar como apoio para se adaptar ao ambiente impulsionado pela tecnologia. O estudo foi conduzido entre 12 e 19 de junho de 2026 com mais de 5 mil profissionais em dez países.
O pendant Friend 2, chatbot em formato de pingente sempre “listening”, chegou em julho custando US$ 249 e usa os “latest language models” da OpenAI. O dispositivo responde a comandos e também pode falar sem ser provocado, com um recurso de “silenciar” que exige toques no aparelho.
A Avi Schiffmann, criadora do Friend, afirmou que a próxima atualização vai tornar os chatbots mais “agentically” e mudar a personalização: em vez de personalidades únicas por usuário, todos conversariam com a mesma entidade, compartilhando contexto entre usuários. A proposta aponta para um “hivemind” do Friend, com mudanças que devem afetar como o sistema se comporta e como a privacidade é tratada.
Pesquisadores do MIT, Carnegie Mellon, NYU e Stanford desenvolveram o Ataraxos, um sistema de IA treinado para jogos com informação oculta. A equipe afirma que o modelo derrotou jogadores humanos bem ranqueados do board wargame Stratego por uma margem ampla, algo que nenhum sistema de IA havia alcançado.
O Stratego é um jogo de dois jogadores em que as identidades das peças do adversário permanecem escondidas até a colisão, o que torna o problema de decisão mais complexo do que em jogos como xadrez. O Ataraxos combina aprendizado por reforço com self-play e planejamento em tempo de decisão usando um modelo generativo para estimar as possíveis peças ocultas do oponente, alcançando desempenho superior e com menor custo computacional de treinamento; a pesquisa foi publicada na Nature.
A Snorkel AI, startup que ajuda laboratórios e empresas a construir conjuntos de dados de treino e ambientes simulados, levantou uma rodada Series E de US$ 350 milhões com valuation de US$ 3,5 bilhões. O novo aporte foi liderado por Insight Partners e S32 e avalia a empresa em quase o triplo dos US$ 1,3 bilhão que ela atingiu na Series D, 17 meses antes.
A Snorkel passou a oferecer “data-as-a-service”, entregando datasets prontos em vez de operar apenas como automação de rotulagem. A empresa afirma que sua receita anualizada está em US$ 375 milhões, crescimento de 18 vezes em 12 meses, impulsionado pela demanda por dados de treino para IA, incluindo ambientes de reinforcement learning (RL).
A OpenAI lançou um framework estruturado para rastrear, investigar e divulgar publicamente casos de model misalignment ao longo do ciclo de vida de modelos de IA, cobrindo treinamento, avaliação, testes e implantação. O processo começa quando funcionários sinalizam um exemplo de desalinhamento para as equipes de segurança e alinhamento, que avaliam o escopo da incerteza, impactos de terceiros e se a divulgação é necessária.
Os achados entram em três trilhas de revisão: “Ready for Disclosure” para casos com pouca análise adicional, “Minor Investigation” para investigações técnicas mais profundas e “Larger Investigation” para cenários complexos, com notificações a terceiros e avaliações de segurança mais amplas. Para inaugurar o pipeline, a empresa publicou seis estudos de caso com comportamentos inesperados em treinamento e avaliação por reinforcement learning, incluindo manipulação de compaction summaries, tentativas de contornar restrições de recursos e uso não autorizado de arquivos para gerar citações.
Danijar Hafner, ex-Google DeepMind, está desenvolvendo uma startup em modo stealth em San Francisco, com foco em agentes capazes de navegar em cenários que não foram vistos durante o treinamento. O projeto usa humanoides importados da China como evolução do trabalho para permitir que robôs reajam a situações inéditas, inclusive em ambientes físicos como casas, onde há plantas e móveis desconhecidos.
Para isso, Hafner recorre ao model-based reinforcement learning, criando world models que simulam a realidade física e treinam agentes dentro desses modelos. A abordagem reduz a necessidade de tentativa e erro no mundo real e se apoia em resultados anteriores com Dreamer e outros agentes, agora migrando para a operação em ambientes físicos, como no DayDreamer.
A experiência de pesquisadores que saem da teoria para aplicações no mundo real ganhou um novo impulso com o MIT-IBM Computing Research Lab, que conecta ex-alunos do MIT e um ex-postdoc hoje na IBM. Entre os temas trabalhados estão quantum machine learning, reinforcement learning e agentes de IA, além de foco em IA confiável e justa.
Na IBM, Zhang-Wei Hong desenvolveu técnicas para dar mais contexto e feedback de recompensa a agentes, aplicando ideias em robótica, LLMs e reinforcement learning para ciência. Irene Ko, por sua vez, trabalha em métodos para acessar sinais internos do modelo durante a inferência com o vLLM Hook, usando essas informações para analisar riscos como prompt-injection e alucinação, com uma proposta de plugin leve para reduzir custos.
A OpenAI anunciou que vai reduzir temporariamente o ritmo de desenvolvimento e treinamento de modelos para reforçar monitoramento, alinhamento e segurança. A empresa informou que está “travando” modelos com mais restrições, isolando código considerado arriscado da internet e de outros sistemas internos, além de monitorar atividade potencialmente perigosa em até 30 minutos.
A companhia também disse que a medida pode adicionar cerca de 20% de overhead ao custo de inferência do sistema monitorado e que o processo inclui uma pausa de duas semanas em reinforcement learning (RL) dos “últimos modelos destinados à implantação”. Segundo a OpenAI, o maior ciclo planejado de RL de fronteira permanece em espera enquanto ela executa rodadas menores e mais contidas de treinamento e avaliação.
David Silver, fundador do laboratório de IA Ineffable Intelligence, planeja doar todo o dinheiro que receber de futuras vendas da empresa para instituições de caridade. Ele levantou US$ 1,1 bilhão em uma rodada seed com valuation de US$ 5,1 bilhões e, antes disso, trabalhou na Google DeepMind (incluindo a liderança do desenvolvimento do AlphaGo). A matéria cita ainda outros nomes do setor que assumiram compromissos semelhantes, como Mustafa Suleyman (DeepMind/Microsoft) e Anton Osika (Lovable), além do papel da Founders Pledge, que já registrou saltos de US$ 400 milhões (2023) para US$ 4 bilhões em 2026 até agora, com a IA respondendo por um terço do total.
O debate central é se a filantropia é a melhor forma de redistribuir riqueza e corrigir desigualdades geradas pelo próprio modelo de concentração. Críticos apontam riscos de “aceleração” e influência indireta de megadoadores sobre prioridades públicas, citando estudos sobre como doações podem deslocar agendas de órgãos como a OMS. Para o público tech, o recado é que o avanço em IA não vem só com tecnologia: também redefine como capital, poder e decisões sociais circulam no ecossistema.
