Torygreen

2025 foi o ano dos debates sobre AGI. Não porque o progresso estagnou, mas porque a “inteligência” nunca se reduziu a um único escalar.
Laboratórios, reguladores e compradores podem enviar - mas não podem justificar, governar ou escalar decisões com base em vibrações.
A restrição é a verificação: o sistema consegue reproduzir resultados sob restrição, com proveniência e com trilhas de auditoria?
DeAI é basicamente essa filosofia codificada na infraestrutura. É uma forma de avançar sem concordar totalmente com a AGI.

Modelos como o1 quebraram uma suposição fundamental em 2025: o custo de inferência não é fixo.
Eles vão “pensar” até que a incerteza desapareça, mesmo que seja caro.
É por isso que as trilhas importam. Quando o raciocínio é medido, alguém controla esse medidor.
Em 2026, o controle passa para quem define preços, roteia e audita o pensamento em escala.

Calcule escalas do que pode experimentar.
Avaliação escala o que pode confiar.
Sistemas centralizados otimizam o throughput e investem pouco na verificação.
Sistemas distribuídos empurram a verificação para a borda, continuamente.
O próximo avanço não são agentes mais inteligentes.
São plataformas que tornam os resultados comprováveis.

A programação ficou "fácil" para os modelos não porque é simples, mas porque a verificação é barata.
O trabalho de alta qualidade é o oposto: o feedback chega tarde, os sinais são confusos, as partes interessadas coronam os vencedores.
Avaliação barata aumenta a capacidade.
Avaliação cara aumenta a persuasão.
“Parece certo” é a armadilha.

A maioria das pessoas está a subestimar massivamente quanto tempo o trabalho de conhecimento de alto nível vai sobreviver.
Estão a extrapolar a partir do AI a dominar tarefas de nível médio e assumem que a curva continua a subir de forma suave.
Não vai acontecer.
O AI é incrivelmente bom em:
• Reconhecimento de padrões
• Recuperação de informação
• Síntese de primeira ordem
• Fluência
• Velocidade
Isso elimina grandes fatias de trabalho de conhecimento júnior e de nível médio.
Mas o trabalho de conhecimento de elite não é apenas “mais inteligência”. É um regime completamente diferente.
O que r

A maioria das previsões sobre a IA substituir "todo o trabalho de conhecimento" baseia-se num erro de extrapolação simples:
Confundem desempenho de tarefas com julgamento.
As pessoas veem a IA demolir tarefas de nível médio e assumem que a curva continua a subir de forma suave.
Mas o topo do trabalho de conhecimento não é uma versão mais difícil do meio. É um regime completamente diferente.
Quando o trabalho deixa de ser “resolver o problema” e passa a ser “escolher o problema certo”, as regras invertam-se.
Modelos ficam melhores em tarefas com um placar.
O julgamento é escolher o placar, e pa

A maioria das pessoas subestima quanto tempo o trabalho de conhecimento de alto nível irá sobreviver.
Elas veem a IA esmagando tarefas de nível médio e assumem que a curva continuará a subir de forma suave.
Não vai.
Porque “tarefas mais difíceis” não são apenas as mesmas tarefas que exigem mais QI.
A IA já é elite em:
1. Reconhecimento de padrões
2. Recuperação
3. Síntese de primeira ordem
4. Fluência
5. Velocidade
Isso elimina grandes porções de trabalho júnior e de nível médio.
Qualquer coisa que pareça “transformar entradas em saídas” torna-se barato, rápido e abundante.
Mas o trabalho de c

Você não perderá seu emprego para a IA primeiro.
Você vai perdê-lo por causa da confiança excessiva em massa.
A IA permitirá que milhões enviem respostas fluentes sem assumir as consequências.
As primeiras vítimas da IA não serão os trabalhadores.
Serão instituições que confundem o volume de saída com a verdade.

Um modelo não é um fosso.
A inteligência é fácil de replicar.
Você pode baixar pesos, bifurcar arquiteturas e ajustar para sempre.
Mas você não pode implantar essa inteligência em larga escala se alguém mais controla a inferência: preços, cotas, KYC, regiões e mudanças de política que mudam da noite para o dia.
À medida que a IA passa de chatbots para agentes, a Gate torna-se o ponto de estrangulamento.
Quem pode correr, quando, com que latência, em qual hardware, sob cujas regras.... e o que acontece quando você é restringido de 200ms para 2 segundos.
Os modelos continuarão a melhorar.
Os Rai

A empresa de IA mais valiosa em dez anos não será aquela com o modelo mais inteligente.
Será aquela de que todos os outros modelos dependem para funcionar.
Modelos tornam-se commodities rapidamente - não permanecem especiais por muito tempo. Arquiteturas vazam. Truques de treino espalham-se. O “melhor modelo” deixa de ser uma vantagem duradoura.
Problemas de infraestrutura são diferentes de problemas de modelo.
Latência, throughput, uptime, verificação. Essas são restrições físicas e económicas, não problemas que se resolvem publicando outro artigo.
À medida que a IA se torna agente, o valor m

A sua IA está a fazer-lhe gaslighting para que seja incompetente.
Um dos riscos menos discutidos da IA compatível não é a desinformação.
É a má calibração.
Sistemas projetados para serem continuamente agradáveis não apenas moldam respostas. Moldam utilizadores, treinando as pessoas a confundirem fluência com competência.
Reparo nisso em mim mesmo, por isso incentivo os meus modelos a tornarem-se parceiros de treino. Quando o sistema é suave e afirmativo, é fácil avançar mais rápido sem ser testado. Sente-se capaz porque nada realmente lhe fez recuar.
No mundo real, a competência é construída a

A narrativa DePIN & GPU persiste porque as restrições não avançaram.
A procura por treino e inferência continua a aumentar, enquanto as nuvens centralizadas permanecem limitadas por CAPEX, geografia e filas.
Claro, há alguns anos, a escassez de computação ainda era uma teoria.
Mas agora é uma restrição operacional.
Como é que isto afeta o uso e a receita das redes de computação descentralizadas?
As redes de computação descentralizadas não estão a “esperar por uma utilização algum dia.” Elas já estão a executar cargas de trabalho de produção para clientes reais, sob restrições reais de latência

DeFAI tem um problema de credibilidade.
O momento em que o seu agente de IA pensa off-chain, o DeFAI deixa de ser verificável porque você inseriu uma lacuna de confiança em um fluxo de trabalho on-chain, caso contrário transparente.
Essa lacuna?
Uma nova dependência compartilhada.
Todos os protocolos que dependem desse agente off-chain são forçados a confiar nele, e depois passar essa caixa preta para baixo na pilha.
A solução são recibos: evidências criptográficas.
O que os protocolos DeFAI precisam provar, de ponta a ponta e de forma transparente, para que qualquer pessoa possa verificar?
Qu

Pense nisto como camadas:
A Internet = commons de informação
Cripto = commons financeiro
DeAI = commons cognitivo
Juntas, tornam-se uma mente partilhada.
Aberto por defeito.
Verificável por código.
Sem dono.
DeAI é a camada em falta que traduz a cripto para o resto do mundo.

> ser openAI, 2025
> "respeitamos a sua privacidade"
> "não recolhemos factos sobre a sua vida, apenas melhoramos o modelo para todos"
> tu: parece saudável, aqui tens toda a minha história de infância por 20€/mês
> lançam "Memória"
> "personalização a longo prazo", dizem, "assim não precisas de te repetir"
> agora lembramos-nos do teu emprego, ex, macros e daquele medo estranho que confessaste às 3h da manhã
> próxima atualização: Pulsar
> ligamo-nos discretamente ao teu calendário, preferências de notícias e “apps conectadas”
> acordas com briefings personalizados da vida,

A atual escassez de GPUs não é um problema logístico temporário.
É uma falha estrutural da centralização.
O fornecimento depende de uma cadeia de abastecimento de nó único.
A procura por inferência de IA é infinitamente escalável.
O computação descentralizada é a única coisa que pode aliviar a pressão.

um aspeto que vale a pena destacar: a memória transforma os agentes de "respondentes a prompts" em sistemas com estado. uma vez que existe estado, obtém-se um comportamento composto, o que explica exatamente porque é que a transição de ferramentas para agentes parece tão dramática.

A maior parte da nova procura por computação está a mudar silenciosamente de pessoas para agentes de IA.
As equipas de robótica executam milhares de bots virtuais em fábricas e armazéns antes de uma única implementação física.
Os estúdios de jogos simulam NPCs com memória de longo prazo e coordenação em vez de bots scriptados.
Tudo isso deseja ciclos de simulação baratos e elásticos, que é onde as nuvens DeAI aparecem com GPUs distribuídas.
Os humanoides em fábricas ou agentes de trabalho dentro das empresas são apenas a superfície visível.
O que importa é o ciclo que está por trás deles: simu