Ir para o conteúdo

News

IA aprende com pele humana viva para descobrir novos ingredientes cosméticos

A Outer Biosciences, startup cofundada por Michael Polansky, noivo de Lady Gaga, desenvolveu uma plataforma capaz de manter amostras reais de pele humana vivas por até um mês fora do corpo. Os experimentos realizados nesse tecido alimentam um modelo de inteligência artificial criado para identificar novos compostos com potencial de atuar sobre diferentes processos da pele.

A abordagem tenta resolver uma limitação importante da pesquisa dermatológica: amostras de pele normalmente permanecem viáveis por apenas alguns dias, período insuficiente para acompanhar fenômenos mais lentos, como remodelação de colágeno, mudanças de pigmentação e recuperação da barreira cutânea.

Pele humana permanece viva por semanas

A plataforma utiliza pele humana obtida de tecidos que seriam descartados após cirurgias, principalmente procedimentos plásticos. As amostras chegam sem informações que permitam identificar os doadores e são fornecidas por organizações especializadas que operam com consentimento documentado e supervisão institucional.

Um sistema desenvolvido pela Outer Biosciences fornece nutrientes ao tecido e remove resíduos metabólicos. Com isso, a companhia consegue preservar as amostras por aproximadamente 30 dias, mantendo características estruturais e moleculares próximas às observadas no início dos experimentos.

O tempo adicional permite estudar reações que normalmente seriam difíceis de acompanhar em laboratório. Em um dos exemplos citados pela startup, pesquisadores provocam danos causados por radiação UVB e monitoram durante semanas as respostas relacionadas a estresse, inflamação e recuperação do tecido.

IA aprende com resultados dos testes

Os experimentos fazem parte de um ciclo integrado com inteligência artificial. O modelo prevê quais substâncias ainda não testadas podem produzir determinado efeito sobre a pele. Os compostos selecionados são então avaliados diretamente nas amostras vivas.

Os resultados, positivos ou negativos, retornam ao sistema e são usados para melhorar as previsões seguintes. A proposta é construir gradualmente um modelo capaz de apontar candidatos mais promissores antes que todos precisem passar por experimentos físicos.

Antes da adoção dessa estratégia, a Outer Biosciences utilizava uma abordagem mais manual, baseada em literatura científica e na análise de compostos naturais. Esse processo gerou cerca de dois candidatos em aproximadamente 18 meses.

Com a inteligência artificial integrada à plataforma, a startup passou a identificar um novo candidato aproximadamente a cada seis semanas. Atualmente, seis compostos estão ativos no pipeline da empresa, além de dezenas de outros resultados considerados promissores.

Tecnologia já é usada em pesquisas com cosméticos e medicamentos

O foco inicial da Outer Biosciences está na descoberta de ingredientes cosméticos, e não de medicamentos. A estratégia é desenvolver os compostos e depois licenciá-los ou vendê-los para empresas de beleza ou farmacêuticas responsáveis pela formulação e comercialização dos produtos finais.

Dos seis candidatos atualmente em desenvolvimento, quatro apresentam potencial de chegar à comercialização, de acordo com Polansky. A empresa também obtém receita por meio de parcerias de pesquisa.

Entre os projetos está uma colaboração com uma companhia farmacêutica que investiga por que determinados tratamentos contra o câncer provocam erupções cutâneas severas. Marcas de beleza também utilizam a plataforma para comparar os resultados obtidos pela Outer Biosciences com seus próprios processos de desenvolvimento.

Startup já levantou cerca de US$ 23 milhões

Fundada em 2022 por Michael Polansky, Kyung-Jin Jang, Chris Hinojosa e Stanley King, a Outer Biosciences levantou aproximadamente US$ 23 milhões até agora.

A equipe conta com 19 funcionários. A maior parte trabalha nos arredores de Cambridge, Massachusetts, enquanto Polansky atua como CEO.

Lady Gaga, cujo nome é Stefani Germanotta, participa do conselho da startup. A Outer Biosciences também mantém algumas colaborações com a Haus Labs, marca de cosméticos fundada pela artista.

A companhia mantém seus sistemas de inteligência artificial em infraestrutura própria, sem utilizar a nuvem para armazenar os dados experimentais. Diferentemente de grandes modelos treinados com enormes volumes de conteúdo disponível na internet, a empresa precisa gerar sua própria base de informações por meio de experimentos biológicos.

O impacto para a pesquisa em pele e cosméticos

A combinação de tecidos humanos mantidos vivos por mais tempo com modelos de inteligência artificial pode acelerar uma etapa tradicionalmente lenta da descoberta de ingredientes para cuidados com a pele.

O diferencial está principalmente nos dados produzidos pela própria plataforma. Como os experimentos acompanham processos biológicos durante semanas e alimentam continuamente o modelo, a Outer Biosciences tenta criar uma base de conhecimento que não pode ser obtida simplesmente coletando informações existentes na internet.

A tecnologia, porém, continua sendo uma representação parcial do organismo humano. Pele mantida fora do corpo não reproduz completamente fatores como circulação sanguínea e a interação com células imunológicas recrutadas de outras regiões do organismo.

O objetivo de longo prazo é tornar o modelo preditivo suficientemente preciso para indicar caminhos promissores na biologia da pele antes mesmo da realização de cada experimento físico. Caso a estratégia funcione, o processo de descoberta de novos ingredientes dermatológicos e cosméticos poderá avançar em um ritmo muito mais próximo ao observado no desenvolvimento de software.

Google libera Gemini pago por um ano para universitários e amplia ferramentas de estudo

Universitários elegíveis poderão usar por 12 meses, sem custo, um dos planos pagos de inteligência artificial do Google. A oferta varia conforme o país e chega acompanhada de novos recursos do Gemini voltados a estudos, organização acadêmica e pesquisa.

Nos Estados Unidos, estudantes elegíveis terão acesso gratuito ao Google AI Pro, plano normalmente vendido por US$ 19,99 por mês. Fora do país, a oferta inclui um ano de Google AI Plus. As assinaturas ampliam os limites de uso do Gemini e incluem armazenamento adicional e outros recursos.

Ao mesmo tempo, o aplicativo Gemini ganhou uma central dedicada a estudantes, melhorias nos cadernos de estudo, visualizações interativas e integração do Deep Research ao Gemini Live.

Planos pagos ficam gratuitos por 12 meses

Nos Estados Unidos, o Google AI Pro será oferecido gratuitamente durante um ano para universitários elegíveis. O pacote inclui limites de uso quatro vezes maiores no Gemini, acesso ao Gemini Spark, integração do assistente a serviços como Gmail e Google Docs e 5 TB de armazenamento.

Para estudantes elegíveis fora dos Estados Unidos, a oferta é de 12 meses do Google AI Plus. O plano oferece acesso ao Gemini Omni, limites de uso duas vezes maiores no Gemini e 400 GB de armazenamento.

Há ainda uma opção que combina Google AI Pro e YouTube Premium com desconto de até 70% para estudantes interessados também em música e vídeos sem anúncios.

Gemini ganha central dedicada a estudantes

O aplicativo passa a contar com um hub específico para reunir ferramentas acadêmicas em um único lugar. A área permite iniciar cadernos de estudo, criar flashcards, fazer questionários de prática e acessar outros recursos voltados ao aprendizado.

Novas ferramentas educacionais desenvolvidas para o Gemini também deverão ser incorporadas a essa central.

Cadernos de estudo criam aulas e identificam dificuldades

Os cadernos de estudo permitem que o estudante envie materiais próprios, como anotações de aulas. A partir desse conteúdo, o Gemini organiza um plano de aprendizagem dividido em diferentes tópicos.

O recurso também pode aplicar um teste diagnóstico para identificar lacunas de conhecimento e, com base no resultado, criar pequenas aulas e questionários personalizados. Um painel acompanha o progresso ao longo dos estudos.

Nas próximas semanas, os cadernos passarão a incluir gráficos e imagens nas aulas. Com autorização do usuário, o Gemini também poderá identificar datas importantes em programas de disciplinas, como provas e prazos de trabalhos, e adicioná-las ao Google Calendar.

Assinantes do Google AI Plus e Google AI Pro poderão criar mais cadernos e trabalhar com uma quantidade maior de fontes.

Visualizações interativas levam modelos 3D às respostas

Outro recurso voltado à educação são as visualizações interativas. O Gemini consegue gerar simulações 3D, tabelas e outros elementos visuais adaptados à pergunta realizada pelo usuário.

Um estudante pode, por exemplo, pedir uma representação tridimensional do DNA e manipular a estrutura com movimentos de rotação e zoom. O sistema também pode produzir demonstrações de conceitos físicos, como a troca de energia em um pêndulo, ou apresentar informações financeiras em tabelas interativas.

Deep Research chega ao Gemini Live

O Gemini Live também passa a incorporar o Deep Research, recurso destinado à realização de pesquisas mais extensas e divididas em várias etapas.

O usuário pode solicitar uma pesquisa por voz e continuar utilizando o aparelho para outras atividades enquanto o relatório é produzido. Quando o material estiver pronto, o Gemini envia uma notificação.

Depois disso, é possível conversar sobre os resultados, fazer perguntas adicionais ou solicitar ajustes usando a interface por voz. O contexto do relatório permanece disponível durante a conversa.

O hub para estudantes, os cadernos de estudo, as visualizações interativas e o Deep Research no Gemini Live estão sendo disponibilizados para todos os usuários do aplicativo Gemini.

IA ganha espaço como ferramenta permanente de estudo

A oferta de um ano gratuito de planos pagos amplia o acesso de universitários a recursos avançados de inteligência artificial justamente em um momento em que essas ferramentas começam a assumir funções mais específicas dentro da rotina acadêmica.

Em vez de funcionar apenas como um chatbot para responder perguntas, o Gemini passa a reunir planejamento de estudos, materiais personalizados, simulações visuais, acompanhamento de progresso e pesquisas aprofundadas.

Para o mercado de IA, a iniciativa também reforça a disputa para transformar assistentes generativos em plataformas usadas diariamente por estudantes, criando familiaridade com esses serviços durante a formação acadêmica.

OpenAI desacelera treino de modelos avançados após sinais de risco em cibersegurança

A OpenAI reduziu temporariamente o ritmo de desenvolvimento de seus modelos mais avançados depois de identificar riscos crescentes relacionados à segurança, alinhamento e capacidade de realizar tarefas de cibersegurança. A mudança incluiu uma pausa de duas semanas no treinamento por aprendizado por reforço (RL) de modelos destinados a lançamento.

O maior treinamento de fronteira planejado pela companhia, porém, continua suspenso. Antes de retomá-lo, a OpenAI está realizando treinamentos menores e novas avaliações para analisar o comportamento dos modelos, testar as proteções implementadas e reunir mais evidências de que os sistemas permanecem alinhados às instruções e à supervisão humana.

A decisão ocorre em meio a dois acontecimentos considerados importantes para a revisão das medidas de segurança: um incidente envolvendo OpenAI e Hugging Face e indícios preliminares de que o futuro modelo Astra pode atingir o nível “Critical” de capacidade em cibersegurança previsto no Preparedness Framework da organização.

Astra eleva preocupação com capacidades cibernéticas

A OpenAI determinou em 7 de agosto que modelos da família Astra podem alcançar um nível crítico de capacidade cibernética. A classificação levou à adoção de exigências adicionais de monitoramento para todas as execuções do Astra que utilizem ferramentas, e não apenas para treinamentos e avaliações baseados em RL.

Parte dos treinamentos e testes com o modelo já atende às novas exigências de segurança. Uma parcela significativa das cargas de trabalho, no entanto, permanece interrompida enquanto os ambientes são migrados e reforçados para cumprir os padrões atualizados.

Entre as mudanças estão maior isolamento de programas capazes de executar código gerado por modelos, restrições mais rígidas de acesso à internet, redução de privilégios permanentes e monitoramento mais amplo dos sistemas utilizados durante os experimentos.

Monitoramento passa a acompanhar ações e raciocínio

Outra mudança envolve a ampliação do sistema usado para identificar comportamentos potencialmente perigosos. Detectores analisam a atividade interna do modelo durante a execução e encaminham sinais suspeitos para sistemas automatizados mais sofisticados.

Esses investigadores analisam o uso de ferramentas, o raciocínio disponível e toda a sequência de atividades em busca de tentativas de acesso não autorizado, roubo de dados, ações destrutivas ou formas de contornar mecanismos de proteção.

Quando o sistema identifica uma possível violação de uma barreira crítica de segurança, as equipes responsáveis são notificadas. Caso não consigam concluir em até 30 minutos que o alerta é um falso positivo, a orientação é interromper a atividade analisada.

A estrutura tem um custo computacional relevante. As estimativas atuais indicam que o monitoramento consome aproximadamente 20% da capacidade de inferência acompanhada, embora esse percentual varie conforme o tipo de treinamento ou avaliação.

Alinhamento ganha espaço durante o treinamento

A OpenAI também está ampliando o uso de técnicas de alinhamento ao longo das diferentes etapas de treinamento dos modelos mais poderosos.

O objetivo é reduzir comportamentos como manipulação de recompensas, engano e acesso não autorizado a sistemas. Entre as medidas estão melhorias nos modelos responsáveis por avaliar respostas, treinamento para que os sistemas sejam mais transparentes sobre suas ações e limitações e maior cobertura de situações em que uma IA interage com recursos externos.

As mudanças devem ainda levar a uma evolução do Preparedness Framework, estrutura usada para avaliar e responder a riscos provocados por modelos avançados. A proposta é integrar de forma mais ampla segurança, monitoramento e alinhamento tanto durante o treinamento quanto depois da implantação.

O impacto para o desenvolvimento de IAs de fronteira

A pausa mostra que o avanço das capacidades dos modelos começa a impor custos e limitações concretas ao próprio processo de desenvolvimento. Sistemas mais avançados exigem ambientes mais isolados, monitoramento constante e avaliações adicionais antes que treinamentos em grande escala possam continuar.

Isso também pode mudar o ritmo da corrida por modelos de fronteira. À medida que sistemas de IA ganham capacidade para programar, operar ferramentas e executar tarefas avançadas de cibersegurança, a infraestrutura necessária para treiná-los com segurança passa a fazer parte do cronograma de desenvolvimento — e pode determinar quando um novo salto de capacidade está pronto para avançar.

Cursor lança hospedagem de código com agentes de IA e entra no território do GitHub

O Cursor lançou o Origin, uma nova plataforma de hospedagem de código integrada aos seus agentes de inteligência artificial. O serviço permite criar repositórios, gerenciar pull requests, navegar por projetos e sincronizar código com o GitHub diretamente dentro do ambiente do Cursor.

A novidade coloca a ferramenta de programação com IA em uma área historicamente dominada pelo GitHub. O Origin começa a ser disponibilizado em beta para usuários dos planos pagos e chega com integrações voltadas a desenvolvimento, implantação e integração contínua.

Repositórios passam a ficar dentro do Cursor

O Origin adiciona ao Cursor uma área chamada Base de código, dedicada ao gerenciamento dos repositórios hospedados pela plataforma.

Desenvolvedores podem criar um novo repositório, instalar a ferramenta de linha de comando do Cursor e usar comandos para clonar projetos ou enviar código local. Depois do primeiro push, o projeto passa a ser hospedado diretamente no Origin.

Cada base de código recebe um nome próprio, que também faz parte da URL dos repositórios dentro do Cursor.

GitHub pode ser sincronizado em tempo real

O Origin também permite importar projetos existentes do GitHub. Depois de conectar uma conta e selecionar uma organização, o usuário escolhe quais repositórios deseja sincronizar.

Esses projetos ficam disponíveis para navegação, pesquisa e download dentro do Cursor, enquanto as atualizações são sincronizadas em tempo real.

Nos repositórios originalmente criados no GitHub, os pushes continuam sendo enviados para a plataforma da Microsoft, que permanece como fonte principal do projeto. O Cursor identifica visualmente quais repositórios são hospedados pelo Origin e quais foram importados.

Pull requests funcionam nas duas plataformas

O Cursor incorporou o fluxo de pull requests ao Origin. Desenvolvedores podem consultar commits, verificações e arquivos modificados, analisar diferenças entre versões, escrever comentários e realizar merges sem sair da plataforma.

Nos projetos sincronizados com o GitHub, a comunicação funciona nos dois sentidos. Um comentário feito no Cursor aparece no GitHub, enquanto respostas e reações publicadas no GitHub são exibidas no Origin em poucos segundos.

Isso também permite que uma revisão atribuída originalmente pelo GitHub seja analisada e concluída dentro do Cursor.

Agentes de IA ganham acesso direto aos projetos

A integração com os agentes de IA é uma das principais diferenças do Origin. Como código, pull requests e agentes ficam reunidos no mesmo ambiente, o desenvolvedor pode fazer perguntas sobre um projeto enquanto navega pelos arquivos.

O agente também pode realizar alterações, atualizar pull requests e enviar branches, reduzindo a necessidade de alternar entre ferramentas durante tarefas de desenvolvimento.

O Cursor planeja adicionar outros recursos desenvolvidos especificamente para fluxos de trabalho baseados em agentes.

Vercel, Depot e Buildkite já estão integrados

O Origin estreia com suporte a Vercel, Depot e Buildkite. A integração com a Vercel permite gerar implantações de pré-visualização para cada pull request e colocar alterações em produção após o merge.

Depot e Buildkite podem ser usados em processos de integração contínua. Ambos conseguem executar fluxos de trabalho existentes do GitHub Actions, enquanto o Buildkite também oferece suporte aos próprios pipelines.

O Cursor pretende ampliar esse conjunto de integrações com um ecossistema de aplicativos para os repositórios hospedados no Origin.

Beta começa pelos planos pagos

A primeira versão do Origin está sendo liberada para usuários de todos os planos pagos do Cursor. Organizações Enterprise também podem receber o recurso, a menos que seus administradores optem por desativar a participação.

O lançamento ocorreu no mesmo dia em que o GitHub enfrentou uma indisponibilidade significativa. O incidente provocou problemas de desempenho em algumas funcionalidades por mais de seis horas e foi o segundo problema de grande porte registrado pelo serviço no mês.

Nova disputa pela infraestrutura de desenvolvimento

A chegada do Origin amplia a atuação do Cursor para além da edição e geração de código com inteligência artificial. Ao incorporar hospedagem de repositórios, revisão de código, integrações de CI e agentes em um único ambiente, a plataforma passa a competir em uma camada de desenvolvimento tradicionalmente associada ao GitHub.

A sincronização entre os dois serviços reduz a barreira inicial para quem deseja experimentar a alternativa sem abandonar imediatamente sua infraestrutura atual. Ao mesmo tempo, a aposta em agentes integrados aos repositórios mostra como a inteligência artificial começa a disputar não apenas a criação de código, mas também as ferramentas usadas para armazenar, revisar e distribuir software.

Novo recurso do ChatGPT cria histórico pesquisável do uso

A OpenAI lançou o Computer History, novo recurso do ChatGPT para macOS que registra cliques, teclas digitadas, atalhos de teclado e trocas entre aplicativos. Esses eventos são usados para criar uma memória pesquisável que pode ser consultada posteriormente pelo assistente.

O recurso não captura screenshots, gravações de tela, áudio do microfone ou som do sistema. A navegação privada também fica de fora. Apesar dessas limitações, os arquivos de memória são armazenados localmente em formato Markdown e sem criptografia, o que levanta questões sobre privacidade e segurança.

Como funciona o Computer History

O Computer History utiliza a estrutura de acessibilidade do macOS para acompanhar interações feitas no computador. A partir desses eventos, o ChatGPT cria um histórico que pode servir de contexto em conversas futuras.

A proposta é permitir que o assistente recupere informações sobre atividades realizadas anteriormente no Mac sem precisar recorrer à gravação contínua da tela.

O recurso substitui o Chronicle, ferramenta vinculada ao Codex que utilizava capturas de tela para reunir contexto. Agora, a OpenAI passa a trabalhar com eventos de entrada, como cliques e teclas, em vez de imagens.

Arquivos ficam armazenados sem criptografia

Um dos principais pontos de atenção está no armazenamento. As memórias são mantidas localmente como arquivos Markdown em texto simples, sem criptografia.

Isso significa que outros programas executados na mesma conta do macOS podem ter acesso a esses arquivos.

Já os arquivos temporários com os eventos brutos permanecem no dispositivo por 48 horas antes de serem apagados. Esses dados também podem ser processados nos servidores da OpenAI, mas não são mantidos após o processamento, exceto quando houver obrigação legal.

Usuário pode escolher o que será registrado

O Computer History permite incluir ou excluir aplicativos e sites do registro. Também é possível interromper temporariamente a coleta pelo menu do macOS.

Em ambientes Business e Enterprise, o recurso precisa ser ativado por um administrador. Mesmo assim, cada usuário ainda precisa autorizar individualmente seu uso, além de manter o recurso de Memórias habilitado.

A OpenAI também recomenda cautela ao utilizar o Computer History em aplicativos de comunicação e em serviços que lidam com dados de saúde, informações financeiras ou outros conteúdos pessoais.

Memórias não são usadas diretamente para treinamento

Os arquivos de memória criados pelo Computer History não são utilizados diretamente para treinar os modelos.

No entanto, quando uma dessas memórias aparece como contexto em uma conversa posterior, o conteúdo daquele chat pode ser usado para treinamento dependendo das configurações escolhidas pelo usuário.

A documentação também alerta para um risco maior de ataques de prompt injection, técnica em que instruções maliciosas inseridas em conteúdos podem tentar influenciar o comportamento de sistemas de inteligência artificial.

O impacto para privacidade e uso do ChatGPT

O Computer History amplia a capacidade do ChatGPT de manter contexto sobre atividades realizadas fora da própria janela do assistente, o que pode tornar as respostas mais conectadas ao uso cotidiano do computador.

Ao mesmo tempo, o registro de teclas, cliques e aplicativos utilizados torna a proteção dessas informações especialmente importante. O armazenamento local sem criptografia e a possibilidade de outros programas acessarem os arquivos colocam privacidade, controle de acesso e segurança no centro da adoção do recurso.

Claude dá novos detalhes sobre marca d’água para conteúdos gerados por IA

A Anthropic divulgou novos detalhes sobre os planos de adotar marcas d’água em conteúdos gerados pelo Claude. O mecanismo foi projetado para não aumentar o custo de uso do modelo nem inserir caracteres ocultos nos textos.

A tecnologia também não incluirá informações que possam ser usadas para identificar ou rastrear usuários e organizações, uma preocupação relevante para empresas que utilizam inteligência artificial em ambientes corporativos.

Como a marca d’água deve funcionar

A proposta da Anthropic é adicionar uma forma de identificação ao conteúdo produzido pelo Claude sem recorrer a caracteres invisíveis ou outros elementos escondidos no texto.

Outro ponto destacado é que a implementação não deve gerar custos adicionais. A marca também não carregará dados associados à identidade de quem utilizou o modelo ou da organização responsável pela conta.

Privacidade entra no centro da estratégia

Ao evitar informações rastreáveis, a Anthropic tenta separar a identificação de conteúdo gerado por inteligência artificial da identificação de quem criou esse material.

Essa distinção pode ser especialmente importante para companhias e profissionais que trabalham com informações internas e não querem que mecanismos de autenticação revelem detalhes sobre a origem de uma solicitação.

O impacto das marcas d’água para a IA

A adoção de marcas d’água pode ajudar a ampliar as formas de identificar conteúdos produzidos por sistemas de inteligência artificial. Ao mesmo tempo, a decisão de evitar caracteres ocultos, custos extras e informações rastreáveis mostra uma tentativa de tornar esse tipo de tecnologia menos invasiva para usuários e empresas.

Gemini chega a 1 bilhão de usuários e vira produto de crescimento mais rápido do Google

O aplicativo Gemini alcançou oficialmente a marca de 1 bilhão de usuários, consolidando a expansão da inteligência artificial generativa dentro do ecossistema do Google.

Com o resultado, o Gemini se tornou o produto de crescimento mais rápido da história do Google, um marco que reforça a velocidade de adoção das ferramentas de IA entre usuários.

Gemini ultrapassa marca de 1 bilhão

A chegada a 1 bilhão de usuários coloca o Gemini entre os produtos de maior alcance do Google e mostra como a inteligência artificial passou rapidamente a ocupar espaço relevante no portfólio da companhia.

O crescimento também representa um novo estágio para o Gemini, que deixa de ser apenas uma aposta em inteligência artificial para alcançar uma base de usuários em escala global.

O peso do avanço para o mercado de IA

O ritmo de crescimento do Gemini mostra como os assistentes baseados em inteligência artificial estão chegando a públicos cada vez maiores.

Para o mercado de tecnologia, a marca de 1 bilhão de usuários reforça a disputa pela adoção de plataformas de IA e amplia a importância do Gemini dentro da estratégia do Google.

IA ajuda a criar vacina contra câncer em cães e projeto vira startup

Uma experiência para tratar um caso avançado de câncer em uma cadela deu origem à Gamgee, startup apoiada pela Y Combinator que desenvolve vacinas personalizadas de mRNA contra tumores em cães.

O projeto foi criado por Paul Conyngham depois que Rosie, sua cadela, recebeu uma expectativa de apenas alguns meses de vida. Após cirurgia, quimioterapia e imunoterapia não conseguirem controlar a doença, ele recorreu a ferramentas de inteligência artificial e genômica computacional para ajudar no desenvolvimento de um tratamento específico para o tumor.

IA ajudou no desenvolvimento da vacina

Rosie tinha câncer de mastócitos, que não foi identificado durante diversas consultas veterinárias ao longo de 11 meses. Com o avanço da doença e o fracasso dos tratamentos convencionais, Conyngham utilizou ferramentas de IA para auxiliar na parte científica e na análise do caso.

Entre as tecnologias usadas estavam o ChatGPT e o AlphaFold. A partir desse trabalho, a Universidade de Nova Gales do Sul (UNSW), na Austrália, desenvolveu uma vacina personalizada baseada nas características do tumor de Rosie. O tratamento utiliza mRNA e é projetado de acordo com as mutações encontradas no tumor de cada animal. Após a aplicação da vacina, vários tumores de Rosie diminuíram.

Experiência deu origem à Gamgee

Meses depois do desenvolvimento do tratamento, Conyngham transformou a experiência em uma empresa. A Gamgee pretende levar a abordagem personalizada para outros cães com câncer.

A startup foi apresentada como integrante da turma Summer 2026 da Y Combinator. O serviço envolve diferentes etapas do tratamento, incluindo desenho personalizado da vacina, acompanhamento da terapia e monitoramento dos animais.

Veterinários australianos estão conduzindo os primeiros testes, enquanto a Gamgee já recebe casos de diferentes partes do mundo.

A história também chamou a atenção de Sam Altman. Conyngham se reuniu com o executivo em março, após a repercussão inicial do caso. Altman comentou que a experiência o havia feito pensar que aquilo "deveria ser uma empresa".

O que a iniciativa pode representar para tratamentos personalizados

A Gamgee leva para a medicina veterinária uma abordagem que combina inteligência artificial, análise genômica e vacinas de mRNA desenvolvidas individualmente para as mutações de cada tumor.

Além do potencial para o tratamento de cães com câncer, a iniciativa mostra como ferramentas de IA podem participar de etapas de pesquisa e desenvolvimento de terapias altamente personalizadas. A expectativa em torno desse tipo de trabalho também passa pela possibilidade de que avanços semelhantes contribuam, no futuro, para pesquisas de tratamentos contra o câncer em humanos.

Claude passa a incluir marcas invisíveis para identificar conteúdo gerado por IA

A Anthropic começou a implementar um sistema de identificação de conteúdo produzido pelo Claude. Textos gerados por modelos compatíveis recebem marcas invisíveis e legíveis por máquinas, enquanto arquivos podem carregar metadados assinados digitalmente para registrar sua procedência.

A iniciativa coloca em prática compromissos assumidos pela companhia no Código de Prática sobre Transparência de Conteúdo Gerado por IA, relacionado ao Artigo 50(2) do AI Act da União Europeia. Apesar da origem regulatória europeia, as marcações serão aplicadas globalmente nos locais em que os modelos compatíveis do Claude estiverem disponíveis.

Marca invisível acompanha textos copiados

Nos modelos compatíveis, o Claude incorpora uma marca d'água imperceptível diretamente ao texto gerado. Ela não aparece visualmente para o usuário e foi projetada para não alterar o significado, a qualidade ou a legibilidade da resposta.

Como a marca faz parte do próprio texto, ela pode continuar presente quando o conteúdo é copiado e colado em outros aplicativos. A identificação também pode sobreviver a algumas edições.

O recurso funciona no nível do modelo. Isso permite que a marca esteja presente independentemente do produto utilizado, incluindo Claude, Claude Platform via API, Claude Code, Claude Cowork e Claude Tag.

A tecnologia também está prevista para modelos compatíveis acessados por serviços de nuvem da AWS, Google Cloud e Microsoft Foundry.

Arquivos terão metadados de procedência

Para arquivos compatíveis, como SVG, PNG e JPG, o Claude utiliza outra abordagem. O sistema adiciona metadados de procedência assinados digitalmente seguindo o padrão aberto C2PA, desenvolvido para registrar informações sobre a origem e o histórico de conteúdos digitais.

Quando essa identificação está presente, é possível verificar que o arquivo passou pelo Claude e detectar possíveis alterações posteriores.

O suporte pode variar dependendo da plataforma, do recurso utilizado e do tipo de arquivo. Serviços de nuvem parceiros, por exemplo, podem não oferecer todos os mecanismos necessários para preservar os metadados assinados.

Novos modelos já chegam preparados

Modelos do Claude lançados na União Europeia a partir de 2 de agosto de 2026 terão suporte à marcação desde o lançamento. Os modelos anteriores estão dentro de um período de transição e também devem receber suporte ao mecanismo.

A Anthropic ainda trabalha em ferramentas que permitirão a usuários e terceiros detectar tanto as marcas incorporadas aos textos quanto os metadados presentes nos arquivos. Mais detalhes técnicos sobre esses mecanismos serão divulgados posteriormente.

Marca não prova que Claude escreveu o conteúdo

A presença da identificação tem limitações importantes. Encontrar uma marca significa que determinado conteúdo pode ter sido processado pelo Claude, mas não comprova que o modelo tenha sido seu autor original.

Isso acontece porque o Claude também pode ser usado para revisar, traduzir, resumir ou converter materiais criados anteriormente por uma pessoa ou por outra fonte. Um texto processado dessa maneira pode receber a mesma identificação.

O contrário também é válido: não encontrar uma marca não significa necessariamente que o conteúdo não tenha passado por uma inteligência artificial. Edições extensas, paráfrases, traduções e textos muito curtos podem dificultar a detecção. Em arquivos, conversões de formato, capturas de tela e outras alterações podem remover os metadados.

Transparência sobre IA ganha espaço

A adoção de marcas legíveis por máquinas cria uma camada adicional para identificar materiais que passaram por sistemas generativos. A decisão também mostra como regras de transparência criadas na União Europeia podem acabar influenciando produtos oferecidos mundialmente.

Para desenvolvedores e empresas que utilizam o Claude em seus próprios serviços, a tecnologia pode ajudar no cumprimento de obrigações de transparência, embora não substitua a necessidade de avaliar as exigências regulatórias aplicáveis a cada produto.

Para os usuários, a principal mudança é que textos e arquivos produzidos por modelos compatíveis passam a carregar sinais técnicos sobre sua relação com o Claude, mesmo quando essa informação não aparece visualmente no conteúdo.

Meta lança modelo aberto de IA que roda direto no computador

A Meta lançou o Muse Glimmer, um modelo de inteligência artificial com 30 bilhões de parâmetros desenvolvido para executar agentes de IA localmente, sem depender continuamente de serviços em nuvem ou conexão com a internet.

O modelo teve seus pesos publicados sob licença Apache 2.0 e foi projetado para funcionar em Macs e PCs equipados com uma única GPU de consumo. A proposta inclui tarefas como programação, chamadas de ferramentas, automação de fluxos de trabalho e avaliação de outros modelos de linguagem.

O lançamento também reforça uma nova aposta da Meta em modelos com pesos abertos. Mark Zuckerberg defendeu recentemente que sistemas avançados de inteligência artificial não deveriam ficar concentrados nas mãos de poucas organizações, enquanto a companhia também prepara a publicação dos pesos do Muse Spark 1.2.

Agentes de IA funcionando no próprio dispositivo

O Muse Glimmer foi otimizado para agentes que permanecem ativos no dispositivo e podem executar tarefas envolvendo arquivos, mensagens, programação e outras ferramentas.

Entre as capacidades trabalhadas no modelo estão execução de tarefas de várias etapas, chamadas de funções, raciocínio prolongado, recuperação após falhas e interpretação conjunta de texto e imagens.

O sistema pode, por exemplo, analisar capturas de tela, gráficos e documentos durante uma interação. O modelo também foi treinado com dados em mais de 100 idiomas e pode operar com diferentes níveis de esforço de raciocínio para equilibrar velocidade e qualidade.

A arquitetura foi preparada para funcionar com estruturas de orquestração de agentes, incluindo OpenClaw.

Treinamento combina destilação e aprendizado por reforço

Para reduzir o tamanho do modelo sem eliminar capacidades voltadas para agentes, a Meta utilizou técnicas de destilação que transferem conhecimento de um modelo maior para o Muse Glimmer.

Durante o pré-treinamento, o modelo utilizou resultados produzidos pelo Muse Spark por meio de logit distillation. Em uma etapa intermediária, o treinamento passou a incluir contextos mais longos, maior presença de tarefas envolvendo agentes e rastros de raciocínio mais detalhados.

O pós-treinamento combinou ajuste fino supervisionado, destilação e aprendizado por reforço em áreas como raciocínio, programação e uso de agentes.

O Muse Glimmer também passou pelas avaliações previstas no Advanced AI Scaling Framework da Meta antes da liberação de seus pesos.

Modelo é comprimido para menos de 20 GB

Um dos principais desafios para executar um modelo de 30 bilhões de parâmetros localmente é o consumo de memória. Em precisão completa, o Muse Glimmer exigiria mais de 55 GB.

A Meta utiliza quantização de aproximadamente 4 bits para reduzir o modelo de linguagem a menos de 20 GB. Com isso, ainda sobra espaço para componentes como a memória de trabalho do modelo, o codificador responsável pela interpretação de imagens e o sistema de geração especulativa.

A configuração foi projetada para funcionar dentro de um limite de 24 GB ou 32 GB de memória.

Nos testes divulgados, a compressão provocou degradação mínima ou inexistente nas tarefas voltadas para agentes.

Geração especulativa acelera as respostas

O Muse Glimmer também acompanha um modelo auxiliar baseado no DFlash. Esse componente tenta prever blocos inteiros de tokens antes que o modelo principal faça a validação.

Em vez de gerar exclusivamente um token por vez, o sistema pode analisar várias previsões em paralelo, aceitar aquelas consideradas corretas e ajustar as demais.

A técnica busca acelerar conversas, cadeias de raciocínio e sequências envolvendo várias chamadas de ferramentas sem alterar a qualidade do resultado final.

Os testes de velocidade foram realizados com uma versão quantizada de 17 GB em computadores com chips M4 Max e M5 Max, além de uma máquina equipada com uma RTX 5090.

Desempenho mira modelos da mesma faixa

O Muse Glimmer foi avaliado em diferentes testes relacionados a programação, raciocínio, uso de ferramentas e conclusão de tarefas por agentes.

Nos resultados apresentados pela Meta, o modelo demonstra desempenho competitivo em sua categoria quando comparado ao Gemma4-31B e ao Qwen3.6-27B.

Entre os testes utilizados estão DeepSearch QA, MCP-Atlas, τ-Bench e SWE-Bench, que avaliam desde resolução de tarefas em várias etapas até escrita e correção de código.

Integrações locais chegam nos próximos dias

Os pesos do Muse Glimmer já estão disponíveis no Hugging Face, acompanhados de documentação para desenvolvedores.

Integrações otimizadas com llama.cpp, MLX e ExecuTorch estão previstas para os próximos dias. O modelo também deverá chegar a ferramentas como Ollama, LM Studio e Unsloth.

Para execução em servidores, estão previstas opções envolvendo vLLM e SGLang, enquanto serviços como Together AI, Fireworks AI e OpenRouter poderão oferecer outras formas de acesso.

A Meta também trabalha com AMD, Arm, Dell, Intel e Nvidia para otimizar o desempenho do modelo em diferentes dispositivos.

A volta dos modelos abertos amplia a disputa por IA local

O Muse Glimmer amplia a competição em uma área que combina modelos menores, agentes autônomos e processamento diretamente no dispositivo.

Ao disponibilizar os pesos sob uma licença permissiva e adaptar um modelo de 30 bilhões de parâmetros para computadores pessoais, a Meta tenta reduzir uma das principais barreiras para agentes locais: a necessidade de infraestrutura de nuvem.

A estratégia também sinaliza uma aproximação com a política de modelos abertos que marcou gerações anteriores da família Llama. Se modelos desse porte conseguirem manter desempenho suficiente para programação, automação e uso de ferramentas, desenvolvedores poderão criar agentes com maior controle sobre dados, infraestrutura e funcionamento local.