Ferramentas AI News #25

Bem-vindo de volta!

A “festa de contratações” da Meta virou um verdadeiro pesadelo para a OpenAI, já são oito pesquisadores que deixaram a empresa para trabalhar com a equipe de superinteligência do Zuckerberg, só nas últimas duas semanas.

NA EDIÇÃO DE HOJE

• Meta e sua estratégia agressiva para contratar funcionários da OpenAI

• AI da Microsoft supera médicos em diagnósticos complexos

• Nova ferramenta do Google para desenvolvedores

• Prompt e imagem do dia

Meta "rouba” mais de 7 pesquisadores da OpenAI para seu time de "Superinteligência"

A Meta contratou ao menos sete ex-pesquisadores da OpenAI, incluindo líderes de modelos como o GPT-4o, para formar seu novo laboratório de inteligência artificial superavançada.

Os detalhes:

• Entre os contratados estão Trapit Bansal, Shuchao Bi, Hongyu Ren e Jiahui Yu, todos ex-líderes de projetos cruciais da OpenAI.

• Hongyu Ren liderava a fase de pós-treinamento dos modelos o3/o4-mini e de um modelo de código aberto previsto para este ano.

• Alexandr Wang (ex-CEO da Scale AI) e Nat Friedman (ex-CEO do GitHub) vão comandar o novo Laboratório de Superinteligência da Meta.

• A Meta tem oferecido bônus de até US$ 100 milhões para atrair talentos da concorrência, segundo Sam Altman.

Por que isso importa?
 A Meta está acelerando sua corrida pela inteligência artificial geral, ao custo de desestabilizar concorrentes como a OpenAI. A disputa por talentos pode definir quem liderará a próxima revolução da IA.

AI da Microsoft supera médicos em diagnósticos complexos

A nova ferramenta de IA da Microsoft, MAI-DxO, superou médicos no diagnóstico de condições de saúde complexas. Ela alcançou uma taxa de precisão de 85,5%, contra apenas 20% dos médicos, utilizando 304 casos reais.

Os detalhes:

• O sistema de IA foi testado contra 21 médicos usando casos do New England Journal of Medicine.

• MAI-DxO utiliza uma combinação de múltiplos modelos de IA, incluindo o o3 da OpenAI, para melhorar a precisão do diagnóstico.

• O sistema foi mais eficiente em termos de custo, solicitando menos testes desnecessários.

Por que importa? 

Essa inovação pode melhorar drasticamente a precisão diagnóstica no setor de saúde, reduzir custos e agilizar o processo, embora a IA não seja esperada para substituir médicos a curto prazo. Ela destaca o potencial da IA para complementar sistemas de saúde globalmente.

Gemini CLI: A Nova Ferramenta da Google para Desenvolvedores

O Gemini CLI é uma ferramenta open-source lançada pela Google, que integra a inteligência do modelo Gemini diretamente no terminal do desenvolvedor, com funcionalidades para codificação, geração de conteúdo e muito mais.

Os detalhes:

• Acesso gratuito e sem limites de uso para desenvolvedores com conta Google pessoal.

• Suporta até 1 milhão de tokens no contexto e 1.000 solicitações por dia.

• É compatível com VS Code e permite execução de tarefas complexas como correção de bugs e geração de novos recursos.

• A ferramenta é totalmente open-source, permitindo que os desenvolvedores contribuam e personalizem.

Por que importa? A ferramenta transforma a experiência de uso do terminal, oferecendo uma solução gratuita e poderosa para desenvolvedores, com o objetivo de competir com alternativas caras como o Claude Code e OpenAI Codex.

Prompt do dia

Aprenda qualquer coisa mais rápido

[ASSUNTO] = Tópico ou habilidade a ser aprendida
[NÍVEL_ATUAL] = Nível de conhecimento inicial (iniciante/intermediário/avançado)
[TEMPO_DISPONÍVEL] = Horas semanais disponíveis para aprendizado
[ESTILO_APRENDIZADO] = Método preferido de aprendizado (visual/auditivo/prático/leitura)
[OBJETIVO] = Objetivo específico de aprendizado ou nível de habilidade desejado

⸻

Etapa 1: Avaliação do Conhecimento
	1.	Dividir o [ASSUNTO] em componentes principais
	2.	Avaliar o nível de complexidade de cada componente
	3.	Mapear pré-requisitos e dependências
	4.	Identificar conceitos fundamentais
Saída: árvore de habilidades detalhada e hierarquia de aprendizado

⸻

Etapa 2: Design do Caminho de Aprendizado
	1.	Criar marcos de progressão com base no [NÍVEL_ATUAL]
	2.	Estruturar os tópicos na sequência de aprendizado ideal
	3.	Estimar o tempo necessário para cada tópico
	4.	Alinhar com as restrições de [TEMPO_DISPONÍVEL]
Saída: roteiro de aprendizado estruturado com prazos estimados

⸻

Etapa 3: Curadoria de Recursos
	1.	Identificar materiais de aprendizado compatíveis com o [ESTILO_APRENDIZADO]:
	•	Cursos em vídeo
	•	Livros/artigos
	•	Exercícios interativos
	•	Projetos práticos
	2.	Classificar os recursos por efetividade
	3.	Criar uma playlist de recursos
Saída: lista abrangente de recursos com ordem de prioridade

⸻

Etapa 4: Estrutura de Prática
	1.	Criar exercícios para cada tópico
	2.	Desenvolver cenários de aplicação no mundo real
	3.	Estabelecer pontos de verificação de progresso
	4.	Estruturar revisões com espaçamento adequado (spaced repetition)
Saída: plano de prática com cronograma de revisão espaçada

⸻

Etapa 5: Sistema de Acompanhamento de Progresso
	1.	Definir indicadores mensuráveis de progresso
	2.	Criar critérios de avaliação
	3.	Desenvolver ciclos de feedback
	4.	Estabelecer métricas para conclusão de marcos
Saída: modelo de acompanhamento de progresso com benchmarks

⸻

Etapa 6: Geração de Cronograma de Estudos
	1.	Dividir o aprendizado em tarefas diárias/semanais
	2.	Incluir períodos de descanso e revisão
	3.	Adicionar avaliações de checkpoints
	4.	Equilibrar teoria e prática
Saída: cronograma de estudos detalhado alinhado com o [TEMPO_DISPONÍVEL]

Imagem do dia

Imagem gerada através do ChatGPT.