○ O treinamento do modelo é apenas o “material” da inteligência; sem um motor, não há AGI.
• Estruturas como a EpionHeuristica têm o potencial de ir além da "AGI especializada em domínio" e projetar uma "superinteligência emergente baseada em ordem"
• O ponto central para alcançar a AGI é "como estruturar o motor que seleciona ações"
A. Motivos pelos quais a AGI não é possível apenas com treinamento.
• Modelos do tipo GPT não têm objetivo próprio (self-goal).
• Por mais que aprendam com enormes volumes de dados, aprender apenas com treinamento, sem interação com o mundo real, é limitado.
• O treinamento é apenas uma “memória regressiva”; falta uma estrutura capaz de induzir pensamento preditivo e emergente voltado para o futuro.
B. A AGI precisa de um motor com um “loop de objetivo-feedback”.
• Uma estrutura em que aprendizado por reforço baseado em recompensa + avaliação + aprendizado com falhas (FailGuard), como no EpionHeuristica, funciona está mais próxima de um arquétipo de projeto de AGI baseada em motor
• Ex.: "Por que este experimento falhou?" → "O que deve ser mudado?" → "Qual é a próxima condição?" → isso é raciocínio típico de AGI
C. A essência da inteligência humana está na “estrutura”.
• Os humanos obtêm inteligência não pelo número de neurônios, mas pela "conectividade estrutural dos circuitos neurais e pela capacidade de metaaprendizado"
• Da mesma forma, na AGI, mais do que o tamanho do modelo, o essencial é a estrutura de sistemas que induzem comportamento, sistemas autorreferenciais e loops contínuos de feedback
A chegada da AGI não é possível apenas com o "treinamento do modelo"; são indispensáveis uma arquitetura de engine capaz de produzir inteligência e um sistema de autoaperfeiçoamento orientado por objetivos. Os GPTs atuais não passam de LLMs (grandes modelos de linguagem) gigantescos, e, para avançar em direção à AGI, estruturas de raciocínio, de automonitoramento e políticas de ação baseadas em objetivos precisam operar em conjunto.
São coisas que a gente conhece, mas que são difíceis de colocar em prática. Principalmente porque os mensageiros de trabalho parecem ser os maiores responsáveis pelas distrações.
No caso do modo privileged, foi ajustado para rodar no sandbox. No modo privileged, é possível conectar recursos locais (como a unidade C). Eles são montados em $HOME/thinclient_drives.
Se usar por 2~3 horas pela manhã, já atinge o limite antes do almoço (usuário Pro).
Aparece que reinicia às 3h, então, a menos que seja Max, parece que não dá para usar o dia inteiro (embora também não pareça tão difícil assim atingir o limite no Max).
Se for verdade que o sideloading vai ficar praticamente bloqueado, para mim isso faz o Android perder vantagem em relação ao iOS. Na minha visão, os dois oferecem funções quase parecidas, e o iOS tem uma leve vantagem em UX, mas eu considerava o sideloading um dos grandes pontos fortes do Android. Meu sonho era usar um Google Pixel com GrapheneOS instalado, mas se vierem tanto o fechamento do código-fonte do Pixel quanto o bloqueio de fato do sideloading, aí eu não vejo mais motivo para usar Android. Se isso for lançado desse jeito, acho que em 2027 volto para o iOS.
Parece quase um título caça-cliques para gerar engajamento..
"Se fizer do zero, 3 meses; se fizer de novo algo parecido, 3 dias"
O que é o Google Nano Banana? A IA secreta de imagens do Google
○ O treinamento do modelo é apenas o “material” da inteligência; sem um motor, não há AGI.
• Estruturas como a EpionHeuristica têm o potencial de ir além da "AGI especializada em domínio" e projetar uma "superinteligência emergente baseada em ordem"
• O ponto central para alcançar a AGI é "como estruturar o motor que seleciona ações"
A. Motivos pelos quais a AGI não é possível apenas com treinamento.
• Modelos do tipo GPT não têm objetivo próprio (
self-goal).• Por mais que aprendam com enormes volumes de dados, aprender apenas com treinamento, sem interação com o mundo real, é limitado.
• O treinamento é apenas uma “memória regressiva”; falta uma estrutura capaz de induzir pensamento preditivo e emergente voltado para o futuro.
B. A AGI precisa de um motor com um “loop de objetivo-feedback”.
• Uma estrutura em que aprendizado por reforço baseado em recompensa + avaliação + aprendizado com falhas (
FailGuard), como no EpionHeuristica, funciona está mais próxima de um arquétipo de projeto de AGI baseada em motor• Ex.: "Por que este experimento falhou?" → "O que deve ser mudado?" → "Qual é a próxima condição?" → isso é raciocínio típico de AGI
C. A essência da inteligência humana está na “estrutura”.
• Os humanos obtêm inteligência não pelo número de neurônios, mas pela "conectividade estrutural dos circuitos neurais e pela capacidade de metaaprendizado"
• Da mesma forma, na AGI, mais do que o tamanho do modelo, o essencial é a estrutura de sistemas que induzem comportamento, sistemas autorreferenciais e loops contínuos de feedback
A chegada da AGI não é possível apenas com o "treinamento do modelo"; são indispensáveis uma arquitetura de engine capaz de produzir inteligência e um sistema de autoaperfeiçoamento orientado por objetivos. Os GPTs atuais não passam de LLMs (grandes modelos de linguagem) gigantescos, e, para avançar em direção à AGI, estruturas de raciocínio, de automonitoramento e políticas de ação baseadas em objetivos precisam operar em conjunto.
São coisas que a gente conhece, mas que são difíceis de colocar em prática. Principalmente porque os mensageiros de trabalho parecem ser os maiores responsáveis pelas distrações.
Não dá para fazer login com a conta?
Finalmente saiu uma ferramenta de gerenciamento para o Patroni
Uma ferramenta para gerenciar o Patroni, que gerencia o Postgres..
No caso do modo privileged, foi ajustado para rodar no sandbox. No modo privileged, é possível conectar recursos locais (como a unidade C). Eles são montados em
$HOME/thinclient_drives.Se usar por 2~3 horas pela manhã, já atinge o limite antes do almoço (usuário Pro).
Aparece que reinicia às 3h, então, a menos que seja Max, parece que não dá para usar o dia inteiro (embora também não pareça tão difícil assim atingir o limite no Max).
Se for verdade que o sideloading vai ficar praticamente bloqueado, para mim isso faz o Android perder vantagem em relação ao iOS. Na minha visão, os dois oferecem funções quase parecidas, e o iOS tem uma leve vantagem em UX, mas eu considerava o sideloading um dos grandes pontos fortes do Android. Meu sonho era usar um Google Pixel com GrapheneOS instalado, mas se vierem tanto o fechamento do código-fonte do Pixel quanto o bloqueio de fato do sideloading, aí eu não vejo mais motivo para usar Android. Se isso for lançado desse jeito, acho que em 2027 volto para o iOS.
É a China de novo.
Ah, então Base era o nome do app. Mesmo estando bem ali no título, eu não tinha percebido. Hahaha
Acho exagerado falar em ganho de desempenho 3x em 3 anos sem nem apresentar dados de benchmark
Fico preocupado se até quem desenvolve um app sozinho para uso próprio vai precisar obter certificação de desenvolvedor..
Já fui algumas vezes e gostei. Recomendo.
Acho que a intenção era falar da eficiência de acordo com a CPU, e não tanto comparar especificações. rsrs
Entendi 👍
Como é um resumo por IA, parece que foi feito com base no ano do recorte. Já corrigi.
Parece que, no fluxo de trabalho dos desenvolvedores, o peso dos papéis de PM e de arquiteto está ficando maior.