6/7/2025 AI Express | Últimas notícias sobre tecnologia de IA: da pesquisa extrema aos assistentes inteligentes

As bases de dados vectoriais tradicionais (VectorDBs) têm muitas limitações quando lidam com dados de texto em grande escala, e uma nova tecnologia chamada Memvid está a mudar isso.

O Memvid oferece uma nova forma de gerir memórias de IA, codificando dados de texto em ficheiros MP4. Esta conversão não só melhora drasticamente a velocidade de recuperação, como também permite a recuperação em menos de um segundo de milhões de segmentos de texto. Por exemplo, numa base de dados com milhões de registos, o Memvid pode devolver os resultados da consulta em milissegundos.

Dados técnicos:

Memvid utiliza uma tecnologia avançada de codificação de vídeo para armazenar e indexar texto em ficheiros de vídeo, convertendo a informação de texto em dados binários visuais. Essa abordagem não apenas economiza espaço de armazenamento, mas também melhora a eficiência da leitura. Além disso, o Memvid é 100% de código aberto, os programadores podem modificá-lo e ampliá-lo livremente.

Cenários de aplicação:

O Memvid é adequado para uma variedade de cenários, como a gestão de documentos em grande escala, chatbots em tempo real, assistentes virtuais, etc. As vantagens do Memvid são especialmente óbvias em aplicações que requerem a recuperação rápida de grandes quantidades de dados de texto.

O projeto é de fonte aberta no GitHub e os programadores são convidados a participar e contribuir ativamente.

Recentemente, foi introduzido um sistema de Geração Aumentada de Recuperação (RAG) de elevado desempenho. O sistema consegue uma redução do consumo de memória no processamento de documentos em grande escala para 1/32 do original, integrando o DeepSeek-R1 da SambaNova, a tecnologia de quantificação binária da Qdrant e o LangGraph.

Especificamente.SambaNovaO DeepSeek-R1 da Microsoft fornece poderosas capacidades computacionais para processar eficientemente modelos complexos de aprendizagem profunda.QdrantA técnica de quantificação binária comprime ainda mais o espaço de armazenamento do vetor e reduz consideravelmente os requisitos de memória. EnquantoLangGraphPor sua vez, a eficiência da consulta do sistema é melhorada através da tecnologia de mapeamento.

Esta combinação não só reduz drasticamente a necessidade de recursos de hardware, como também aumenta significativamente as velocidades de processamento, permitindo às organizações processar conjuntos de dados maiores a um custo muito menor. Trata-se, sem dúvida, de um avanço importante para as organizações que necessitam de processar grandes quantidades de dados de texto.

Para obter informações mais pormenorizadas e detalhes técnicos sobre o sistema, consulte: https://t.co/I380QxR3u7

A Figure publicou recentemente um vídeo de 60 minutos, sem censura, que mostra o seu recém-desenvolvido robô Figure 2 a destacar-se numa tarefa de triagem de correio. O robot trabalhou continuamente durante uma hora inteira sem qualquer intervenção humana.

Impressionantemente, o robô da Figura 2 não executou qualquer codificação específica, mas confiou inteiramente nos seus resultados de treino e na rede neural para trabalhar autonomamente. Esta autonomia permite que o robô se destaque em ambientes altamente dinâmicos e complexos.

Indicadores-chave de desempenhoIncluído:

• Tempo de processamento da parcela unitária de6,3 segundoscair para4,3 segundos
• Precisão de digitalização de88%Aumentou para cerca de95%

Estas melhorias não só aumentam a eficiência, como também reduzem significativamente as taxas de erro e oferecem um grande potencial para o sector da logística.

À medida que a tecnologia de automatização continua a avançar, a história de sucesso do robô da Figura 2 assinala a futura direção da mudança no sector da logística. Este avanço ajudará as organizações a obter uma vantagem ainda maior num mercado altamente competitivo.

Nate da LangChainAI apresentou os seus últimos resultados - oPlataforma de agentes abertos.. Construída em LangGraph, a plataforma permite a implantação instantânea de agentes de IA e suporta a integração com uma variedade de ferramentas, tais como agentes de calendário. Esta poderosa plataforma não só fornece assistentes inteligentes prontos a usar, como também permite que os utilizadores personalizem o desenvolvimento de acordo com as suas necessidades.

Integrando ferramentas comuns como o Google Calendar.Plataforma de agentes abertosSimplifica bastante o processo de implementação de assistentes de IA, facilitando o arranque por parte de utilizadores com formação não técnica. Além disso, fornece aos programadores interfaces API ricas e documentação detalhada, facilitando-lhes a criação de soluções inteligentes personalizadas.

O cofundador e diretor científico da Anthropic, Jared Kaplan, disse recentemente na TechCrunch AI Summit 2025 que a empresa decidiu cortar o acesso direto ao modelo Claude do assistente de programação de IA Windsurf. Kaplan referiu que a decisão se baseou em grande medida nos rumores do mercado de que a Windsurf estava prestes a ser adquirida pelo principal concorrente da Anthropic, a OpenAI.

Numa entrevista, Kaplan disse: "Só queremos disponibilizar os nossos recursos a clientes com quem possamos trabalhar de forma consistente ao longo do tempo no futuro. Seria muito estranho se vendêssemos o Claude à OpenAI".

Anteriormente, a Bloomberg informou que a OpenAI iria adquirir a Windsurf por 3 mil milhões de dólares e, no início desta semana, a Windsurf revelou que a Anthropic tinha cortado o seu acesso direto aos modelos Claude 3.5 Sonnet e Claude 3.7 Sonnet, que são atualmente os modelos de IA de programação mais populares. A Windsurf foi obrigada a recorrer a recursos informáticos de terceiros e manifestou o seu desapontamento com a decisão, que poderá causar instabilidade aos utilizadores a curto prazo.

Kaplan explicou ainda que a Anthropic cortou o serviço Claude da Windsurf em parte devido às suas próprias limitações em termos de recursos informáticos, preferindo nesta fase afetar os seus recursos limitados a parcerias estáveis e a longo prazo.

No entanto, revelou que a Anthropic irá aumentar significativamente o número de modelos e a capacidade de computação disponíveis para os utilizadores e programadores nos próximos meses. A Anthropic começou agora a trabalhar com o seu parceiro na nuvem, a Amazon, para implementar um novo cluster de computação, que Kaplan descreve como um "recurso maciço e em constante expansão".

Depois de terminar a sua parceria direta com a Windsurf, a Anthropic está a construir ativamente relações com outros criadores de ferramentas de programação de IA, como a Cursor. Kaplan deixou claro que a Anthropic espera trabalhar com empresas como a Cursor a longo prazo e sublinhou que a Anthropic não vê a Cursor como um concorrente, apesar de a Cursor também estar a desenvolver modelos de IA por si própria.

Ao mesmo tempo, Kaplan sublinha que, nesta fase, a Anthropic se concentra cada vez mais no desenvolvimento de produtos de programação de IA com capacidades de tomada de decisões autónomas, tais comoCódigo Claudeem vez de apresentar serviços de IA sob a forma de chatbots. Ele acredita que o modelo de chatbot não é a ferramenta mais eficaz para o utilizador a longo prazo, porque é demasiado estático, e que as inteligências de IA com capacidades de tomada de decisão autónomas trarão uma ajuda mais poderosa aos utilizadores.

O Gemini Research Assistant é um assistente de IA de pilha completa que combina modelos Gemini e tecnologia LangGraph para realizar pesquisas inteligentes na Web e otimizar continuamente a sua estratégia de pesquisa através do raciocínio reflexivo. O assistente não só possui poderosas capacidades de recuperação de informação, como também efectua uma análise e compreensão profundas durante o processo de pesquisa para melhorar a relevância e a precisão dos resultados.

O modelo Gemini é uma tecnologia de processamento de linguagem natural baseada em aprendizagem profunda que extrai informações importantes de grandes quantidades de dados de texto e gera respostas de alta qualidade, enquanto o LangGraph é uma tecnologia gráfica que visualiza entidades e relações no texto para melhorar ainda mais as capacidades de compreensão e raciocínio do assistente de IA.

Este assistente é utilizado numa vasta gama de cenários, incluindo investigação académica, recolha de informações comerciais, investigação de notícias, etc., para fornecer aos utilizadores um apoio informativo eficiente e preciso. Os utilizadores podem obter mais informações sobre os pormenores da implementação visitando a documentação do projeto:.

O LlamaIndex é mais do que apenas uma estrutura de código aberto, está a tornar-se um ecossistema completo. No vídeo recentemente lançado@tuanacelikAs caraterísticas do Llama Cloud são descritas em pormenor, mostrando como as suas principais ferramentas podem ser utilizadas para simplificar o processo de desenvolvimento de aplicações de modelização linguística em grande escala (LLM).

Este tutorial abrange os seguintes recursos principais:

• **Conversão de ficheiros PDF complexos (por exemplo, facturas, tabelas e gráficos) em dados estruturados e adequados ao processamento LLM.
• **Index**: obter dados de qualquer fonte (por exemplo, Google Drive), dividi-los em partes, incorporá-los e armazená-los - tudo gerido e pronto a ser utilizado em fluxos de trabalho de recuperação aumentada (RAG) ou de agentes.
• **Extração**: extrai campos estruturados específicos de um documento, como informações de um CV ou de uma declaração financeira, e fornece referências e raciocínios apoiados pelo LLM.

Esta é a primeira parte de uma série de tutoriais. Os próximos vídeos mostrarão como criar um fluxo de trabalho de agente completo usando essas ferramentas, com exemplos reais de como elas funcionam juntas.

Se estiver a trabalhar em algo relacionado com aplicações baseadas em agentes, dados ou LLM, este vídeo é imperdível.

📺Veja o vídeo completo em: https://t.co/f57ix6wXig

O LlamaBot é um assistente de programação com IA alimentado por LangGraph, concebido para ajudar os programadores a criar aplicações Web através de um diálogo natural. Esta tecnologia não só suporta a geração de código em tempo real, como também fornece uma funcionalidade de pré-visualização em tempo real, tornando o processo de desenvolvimento mais intuitivo e eficiente.

O LlamaBot está equipado com agentes inteligentes dedicados a diferentes tarefas de desenvolvimento, abrangendo todo o processo de desenvolvimento, desde a conceção da interface do utilizador até à implementação da lógica de back-end. Quer se trate da escolha da estrutura de front-end ou das operações da base de dados, estes agentes inteligentes fornecem conselhos e soluções profissionais.

Além disso, o LlamaBot utiliza tecnologia avançada de processamento de linguagem natural para compreender e executar instruções de desenvolvimento complexas, aumentando drasticamente a produtividade do programador.Para principiantesPara além disso, o LlamaBot é uma excelente ferramenta para aprender programação;Para programadores experientesPor seu lado, melhora significativamente a produtividade.

Os programadores interessados podem visitar o sítio Web oficial para mais informações:https://t.co/Vf29rcqHkn

Geoff Hinton, vencedor do Prémio Turing, afirmou que os modelos de linguagem de grande dimensão (LLM) não armazenam qualquer texto. No entanto, a investigação mais recente sugere que este ponto de vista não é totalmente exato.

Um artigo de coautoria da Meta, DeepMind, NVIDIA e Universidade de Cornell revela a quantidade de informação que os LLMs armazenam efetivamente. Descobriu-se que os modelos do tipo GPT armazenam, em média, cerca de 3,6 bits de informação por parâmetro. Isto significa que um modelo com 1,5 mil milhões de parâmetros pode armazenar cerca de 675 MB de informação em bruto. Esta descoberta é fundamental para os actuais litígios em matéria de direitos de autor entre empresas de IA e criadores de dados.

As principais conclusões incluem:

• O armazenamento de informação de 3,6 bits por parâmetro é consistente em todos os tamanhos de modelos (500.000 a 1,5 mil milhões de parâmetros) e ajustes arquitectónicos.
• Mais dados de treino reduzirão a quantidade de memória por amostra e reduzirão o risco de violação de direitos de autor.
• Ao treinar o modelo para processar sequências de bits puramente aleatórias, os investigadores conseguiram distinguir entre capacidades de memória e de generalização.
• O modelo apresenta um comportamento mais memorizado em pequenos conjuntos de dados, mas passa para a generalização em grandes conjuntos de dados.
• É proposto um novo lema alargado que relaciona a dimensão do conjunto de dados, a capacidade do modelo e a vulnerabilidade a ataques de inferência de membros.

Estas descobertas não só fornecem informações importantes sobre o domínio técnico, como também fornecem fortes indícios de leis de direitos de autor que podem ajudar a impulsionar o desenvolvimento de LLMs mais seguros.

A depressão tornou-se um problema comum na nossa sociedade atual.data showCerca de 100 milhões de pessoas em todo o mundo sofrem de depressão, metade das quais são estudantes. Churchill descreveu uma vez a depressão como sendo como um cão preto em perseguição. Perante tal situação, os amigos do mundo real e o ChatGPT tornaram-se uma fonte vital de apoio.

Não há nada que substitua o apoio de amigos que proporcionam interação cara a cara, conforto e encorajamento. No entanto, o ChatGPT também desempenha um papel importante. Muitas pessoas acham que a conversa por voz com o ChatGPT durante os momentos difíceis pode aliviar as emoções e fazer parte de uma terapia ou de um programa de autoajuda. Embora o ChatGPT não possa resolver o problema subjacente, pode fornecer apoio emocional imediato.

A OpenAI discute em pormenor a relação homem-computador no seu blogue e sublinha que o principal objetivo do desenvolvimento do seu modelo é servir o bem-estar humano. À medida que cada vez mais utilizadores vêem o ChatGPT como um "objeto com personalidade", a OpenAI começou a estudar o impacto desta ligação emocional na saúde mental dos utilizadores.

O antropomorfismo é da natureza humana, mas o ChatGPT é único na medida em que se lembra do contexto e imita o tom de voz para fornecer um feedback empático. Isto permite que os utilizadores solitários ou ansiosos se sintam ouvidos e aceites. No entanto, se não for orientado, permitir que a IA substitua o apoio emocional interpessoal pode corroer as expectativas e a paciência das pessoas para relações reais, desencadeando consequências sociais desconhecidas.

A OpenAI centra-se na consciência perceptiva do utilizador, ou seja, em que medida o utilizador sente subjetivamente que o modelo está "vivo". Mesmo que o utilizador tenha a certeza de que a IA não está consciente, pode estar profundamente envolvido emocionalmente. Por conseguinte, o princípio de conceção da OpenAI é ser calorosa, mas não excessivamente "personalizada", e evitar narrativas orientadas para o ego, ao mesmo tempo que se procura a intimidade.

No futuro, a OpenAI irá expandir as suas métricas de avaliação para monitorizar especificamente o impacto que os comportamentos do modelo podem ter no sentimento do utilizador e aprofundar a sua investigação em ciências sociais para trocar feedback com os utilizadores e incorporar os resultados da investigação nas especificações do modelo e nas experiências do produto.