Compre cripto
Pagar com
USD
USD
Compra e venda
Hot
Visa, Mastercard, SEPA e mais
P2P
0 Fees
Negociação flexível e sem taxas
Cartão da Gate
Pague com criptomoedas no mundo todo
Mercados
Negociar
Básico
Avançado
Futuros
Futuros
Acesse centenas de contratos perpétuos
TradFi
Ouro
Plataforma única para ativos tradicionais globais
Opções
Hot
Negocie opções vanilla no estilo europeu
Conta unificada
Maximize sua eficiência de capital
Negociação demo
Introdução à negociação de futuros
Prepare-se para sua negociação de futuros
Eventos de futuros
Participe de eventos e ganhe recompensas
Negociação demo
Use fundos virtuais para experimentar negociações sem riscos
Earn
Lançamento
CandyDrop
Colete candies para ganhar airdrops
Launchpool
Staking rápido, ganhe novos tokens em potencial
HODLer Airdrop
Possua GT em hold e ganhe airdrops massivos de graça
Pre-IPOs
Desbloqueie o acesso completo a IPO de ações globais
Pontos Alpha
Negocie on-chain e receba airdrops
Pontos de futuros
Ganhe pontos de futuros e colete recompensas em airdrop
Investimento
Square
Praça
Descubra o valor em criptografia
Live
moments live
Análise de mercado de criptomoedas ao vivo
Bate-papo
Converse com os traders de criptomoedas
Notícias
Novidades sobre criptomoedas
flower_head
Mais
Promoções
AI
Outros
TradFi
WCTC S8
Recompensas
ICL

Preço de ICL Group Ltd (ADRs)

Fechada
ICL
R$27,07
-R$0,55(-1,98%)

*Dados atualizados pela última vez: 2026-04-29 04:10 (UTC+8)

Em 2026-04-29 04:10, ICL Group Ltd (ADRs) (ICL) está cotada a R$27,07, com um valor de mercado total de R$34,93B, índice P/L de 32,60 e rendimento de dividendos de 3,73%. Hoje, o preço das ações variou entre R$26,77 e R$27,12. O preço atual está 1,11% acima da mínima do dia e 0,18% abaixo da máxima do dia, com um volume de negociação de 1,14M. Nas últimas 52 semanas, ICL foi negociada entre R$25,32 e R$28,26, e o preço atual está -4,23% distante da máxima das 52 semanas.

Principais estatísticas de ICL

Fechamento de ontemR$27,62
Valor de mercadoR$34,93B
Volume1,14M
Índice P/L32,60
Rendimento de dividendos (TTM)3,73%
Quantia de dividendosR$0,23
EPS diluído (TTM)0,17
Lucro Líquido (FY)R$1,12B
Receita (FY)R$35,65B
Data de rendimento2026-05-13
Estimativa de EPS0,10
Estimativa de ReceitaR$9,58B
Ações em Circulação1,26B
Beta (1A)0.938
Data ex-dividendo2026-03-10
Data de pagamento de dividendos2026-03-25

Sobre ICL

ICL Group Ltd, juntamente com as suas subsidiárias, opera como uma empresa de minerais e produtos químicos especializados em todo o mundo. Opera em quatro segmentos: Produtos Industriais, Potassa, Soluções de Fosfato e Soluções Agrícolas Inovadoras (IAS). O segmento de Produtos Industriais produz bromo a partir de uma solução que é um subproduto do processo de produção de potassa, bem como compostos à base de bromo; produz várias categorias de potassa, sal, cloreto de magnésio e produtos de magnesite; e produz e comercializa retardadores de chama à base de fósforo e outros produtos à base de fósforo. O segmento de Potassa extrai potassa do Mar Morto; minera e produz potassa e sal; produz Polissulfato; produz, comercializa e vende magnésio e ligas de magnésio, bem como subprodutos relacionados, incluindo cloro e sylvinita; e vende sal. O segmento de Soluções de Fosfato utiliza produtos básicos de fosfato para produzir produtos especializados; produz e comercializa fertilizantes à base de fosfato, bem como ácido sulfúrico, ácido fosfórico verde e fertilizantes de fosfato; e fabrica ácido fosfórico térmico para vários mercados industriais finais, como cuidados orais, produtos de limpeza, tintas e revestimentos, tratamento de água, modificação de asfalto, construção e tratamento de metais. Também desenvolve e produz ingredientes alimentares funcionais e aditivos de fosfato para uso nos mercados de carne processada, aves, frutos do mar, laticínios, bebidas e produtos de panificação; e produz proteínas de leite e soro para a indústria de ingredientes alimentares. O segmento IAS desenvolve, fabrica, comercializa e vende fertilizantes principalmente à base de nitrogênio, potassa e fosfato, incluindo fertilizantes especializados solúveis em água, líquidos, solúveis e de liberação controlada. Vende seus produtos através de empresas de marketing, agentes e distribuidores. A empresa era anteriormente conhecida como Israel Chemicals Ltd. e mudou seu nome para ICL Group Ltd em maio de 2020. A empresa foi fundada em 1968 e tem sede em Tel Aviv, Israel.
SetorMateriais Básicos
IndústriaInsumos agrícolas
CEOElad Aharonson
SedeTel Aviv,None,IL
Site oficialhttps://www.icl-group.com

Perguntas Frequentes sobre ICL Group Ltd (ADRs) (ICL)

Qual é o preço das ações de ICL Group Ltd (ADRs) (ICL) hoje?

x
ICL Group Ltd (ADRs) (ICL) está sendo negociada atualmente a R$27,07, com uma variação de 24h de -1,98%. A faixa de negociação das últimas 52 semanas é de R$25,32 a R$28,26.

Quais são os preços máximo e mínimo em 52 semanas de ICL Group Ltd (ADRs) (ICL)?

x

Qual é o índice preço/lucro (P/L) de ICL Group Ltd (ADRs) (ICL)? O que esse indicador revela?

x

Qual é o valor de mercado da ICL Group Ltd (ADRs) (ICL)?

x

Qual é o lucro por ação (EPS) trimestral mais recente de ICL Group Ltd (ADRs) (ICL)?

x

Você deve comprar ou vender ICL Group Ltd (ADRs) (ICL) agora?

x

Quais fatores podem afetar o preço das ações da ICL Group Ltd (ADRs) (ICL)?

x

Como comprar ações da ICL Group Ltd (ADRs) (ICL)?

x

Aviso de risco

O Mercado de ações envolve um alto nível de risco e volatilidade de preços. O valor do seu investimento pode aumentar ou diminuir, e você pode não recuperar a quantia total investida. O desempenho passado não é um indicador confiável de resultados futuros. Antes de tomar qualquer decisão de investimento, avalie cuidadosamente sua experiência, situação financeira, objetivos de investimento e tolerância ao risco, além de realizar sua própria pesquisa. Quando apropriado, consulte um assessor financeiro independente.

Isenção de responsabilidade

O conteúdo desta página é fornecido apenas para fins informativos e não constitui aconselhamento de investimento, aconselhamento financeiro ou recomendações de negociação. Gate não se responsabiliza por qualquer perda ou dano decorrente dessas decisões financeiras. Além disso, observe que Gate pode não conseguir oferecer serviço completo em determinados mercados e jurisdições, incluindo, mas não se limitando aos Estados Unidos da América, Canadá, Irã e Cuba. Para mais informações sobre Locais Restritos, consulte o Contrato do Usuário.

Outros mercados de negociação

ICL
CFD
Negociar

Postagens populares sobre ICL Group Ltd (ADRs) (ICL)

MarsBitNews

MarsBitNews

04-25 04:25
null 原文作者：Malika Aubakirova、Matt Bornstein，a16z crypto 原文编译：深潮 TechFlow 在克里斯托弗·诺兰的《记忆碎片》（Memento）里，主角 Leonard Shelby 活在一个破碎的当下。脑损伤让他患上了顺行性遗忘症，无法形成新记忆。每隔几分钟，他的世界就重置一次，被困在永恒的「此刻」，不记得刚才发生了什么，也不知道接下来会怎样。为了活下去，他在身上纹字、拍拍立得，靠这些外部道具来替代大脑无法完成的记忆功能。 大语言模型也活在类似的永恒当下。训练结束后，海量知识被冻结在参数里，模型无法形成新记忆，无法根据新经验更新自己的参数。为了弥补这个缺陷，我们给它搭了一堆脚手架：聊天历史充当短期便签，检索系统当外部笔记本，系统提示词就像身上的纹身。但模型本身，从来没有真正内化过这些新信息。 越来越多的研究者认为，这样不够。上下文学习（ICL）能解决的问题，前提是答案（或答案的碎片）已经存在于世界的某个角落。但对于那些需要真正发现的问题（比如全新的数学证明），对抗性场景（比如安全攻防），或者那些太隐性、无法用语言表达的知识，有充分的理由认为：模型需要一种方式，在部署之后把新知识和经验直接写入参数。 上下文学习是临时的。真正的学习需要压缩。在我们允许模型持续压缩之前，可能都困在《记忆碎片》的永恒当下里。反过来说，如果我们能训练模型学会自己的记忆架构，而不是依赖外挂的定制工具，可能会解锁一个全新的 scaling 维度。 这个研究领域叫持续学习（continual learning）。这个概念并不新（参见 McCloskey 和 Cohen 1989 年的论文），但我们认为它是当前 AI 领域最重要的研究方向之一。过去两三年模型能力的爆发式增长，让模型「已知」和「能知」之间的鸿沟越来越明显。这篇文章的目的是分享我们从该领域顶级研究者那里学到的东西，帮助厘清持续学习的不同路径，并推动这个话题在创业生态中的发展。 注：这篇文章的成型得益于与一群优秀的研究者、博士生和创业者的深度交流，他们慷慨地与我们分享了自己在持续学习领域的工作和见解。从理论基础到部署后学习的工程现实，他们的洞见让这篇文章比我们独自撰写的要扎实得多。感谢你们贡献的时间和想法！ 先聊上下文 在为参数级学习（即更新模型权重的学习）辩护之前，有必要承认一个事实：上下文学习确实管用。而且有一种很有力的论证认为它会继续赢下去。 Transformer 的本质是基于序列的条件化下一个 token 预测器。给它正确的序列，你就能得到令人惊讶的丰富行为，根本不需要碰权重。这就是为什么上下文管理、提示工程、指令微调和少样本示例这些方法如此强大。智能封装在静态参数里，而表现出来的能力随着你喂进窗口的内容剧烈变化。 Cursor 最近关于自主编程智能体 scaling 的深度文章就是一个好例子：模型权重是固定的，真正让系统跑起来的是对上下文的精心编排——放什么进去、什么时候做摘要、如何在数小时的自主运行中维持连贯状态。 OpenClaw 是另一个好例子。它爆火不是因为有特殊的模型权限（底层模型所有人都能用），而是因为它把上下文和工具极其高效地转化成了工作状态：追踪你在做什么、结构化中间产物、决定什么时候重新注入提示词、维持对之前工作的持久记忆。OpenClaw 把智能体的「外壳设计」提升到了一个独立学科的高度。 当提示工程最初出现时，很多研究者对「只靠提示词」能成为正经接口这件事持怀疑态度。它看起来像个 hack。但它是 Transformer 架构的原生产物，不需要重新训练，而且随着模型进步自动升级。模型变强，提示就变强。「简陋但原生」的接口往往能赢，因为它直接耦合到底层系统，而不是和它对着干。到目前为止，LLM 的发展轨迹正是如此。 状态空间模型：上下文的类固醇版 当主流工作流从原始 LLM 调用转向智能体循环时，上下文学习模型面临的压力越来越大。过去，上下文窗口被完全填满的情况相对少见。这通常发生在 LLM 被要求完成一长串离散任务时，应用层可以用比较直接的方式裁剪和压缩聊天历史。 但对智能体来说，一个任务就可能吃掉总可用上下文的很大一部分。智能体循环的每一步都依赖于前序迭代传递的上下文。而且它们经常在 20 到 100 步之后失败，因为「断了线」：上下文被填满，连贯性退化，无法收敛。 因此，主要 AI 实验室现在投入了大量资源（即大规模训练运行）来开发超长上下文窗口的模型。这是一条自然的路径，因为它建立在已经有效的方法（上下文学习）之上，并且与行业向推理时计算转移的大趋势契合。最常见的架构是在普通注意力头之间穿插固定记忆层，即状态空间模型（SSM）和线性注意力变体（下文统称为 SSM）。SSM 在长上下文场景下提供了根本性更好的 scaling 曲线。 图注：SSM 与传统注意力机制的 scaling 对比 目标是帮助智能体将连贯运行的步数提升几个数量级，从大约 20 步到大约 20,000 步，同时不丢失传统 Transformer 所提供的广泛技能和知识。如果成功，这对长时间运行的智能体来说是重大突破。 你甚至可以把这种方法看作一种持续学习的形式：虽然没有更新模型权重，但引入了一个几乎不需要重置的外部记忆层。 所以，这些非参数化方法是真实的、强大的。任何对持续学习的评估都必须从这里开始。问题不在于今天的上下文系统有没有用，它确实有用。问题是：我们是否已经看到了天花板，新的方法能否带我们走得更远。 上下文遗漏了什么：「档案柜谬误」 「AGI 和预训练发生的事情是，在某种意义上它们超调了……人类不是 AGI。是的，人类确实有一个技能基础，但人类缺少大量知识。我们依赖的是持续学习。 如果我造出一个超级聪明的 15 岁少年，他什么都不知道。一个好学生，非常渴望学习。你可以说，去当程序员，去当医生。部署本身就会涉及某种学习、试错的过程。这是一个过程，不是把成品直接扔出去。——Ilya Sutskever」 想象一个存储空间无限的系统。世界上最大的档案柜，每个事实都被完美索引，即时可检索。它能查到任何东西。它学到了吗？ 没有。它从来没有被迫做压缩。 这是我们论证的核心，它引用了 Ilya Sutskever 之前提出的一个观点：LLM 本质上是压缩算法。在训练过程中，它们把互联网压缩成参数。压缩是有损的，而正是这种有损性让它变得强大。压缩迫使模型寻找结构、进行泛化、构建能跨上下文迁移的表征。一个死记硬背所有训练样本的模型，不如一个提取出底层规律的模型。有损压缩本身就是学习。 讽刺的是，让 LLM 在训练期间如此强大的机制（把原始数据压缩成紧凑、可迁移的表征），恰恰是我们在部署后拒绝让它们继续做的事。我们在发布那一刻停止了压缩，用外部记忆来替代。 当然，大多数智能体外壳都会以某种定制方式压缩上下文。但苦涩教训（bitter lesson）难道不是告诉我们，模型本身应该学会这种压缩，直接地、大规模地？ Yu Sun 分享了一个例子来说明这场辩论：数学。看看费马大定理。350 多年来，没有数学家能证明它，不是因为他们缺少正确的文献资料，而是因为解法高度新颖。已有数学知识和最终答案之间的概念距离太大了。 Andrew Wiles 在 1990 年代终于攻克它时，他花了七年近乎与世隔绝地工作，不得不发明全新的技术来抵达答案。他的证明依赖于成功桥接两个不同的数学分支：椭圆曲线和模形式。虽然 Ken Ribet 此前已经证明如果能建立这个连接就能自动解决费马大定理，但在 Wiles 之前，没有人拥有能实际构建这座桥的理论工具。Grigori Perelman 对庞加莱猜想的证明也可以做类似的论证。 核心问题是：这些例子是否证明 LLM 缺少了某种东西，某种更新先验、进行真正创造性思考的能力？还是这个故事恰好证明了相反的结论——所有人类知识只是可供训练和重组的数据，Wiles 和 Perelman 不过展示了 LLM 在更大规模上也能做到的事？ 这个问题是经验性的，答案尚不确定。但我们确实知道，有很多类别的问题上下文学习今天会失败，而参数级学习可能有用。例如： 图注：上下文学习失败、参数学习可能胜出的问题类别 更重要的是，上下文学习只能处理能用语言表达的东西，而权重可以编码提示词无法用文字传达的概念。有些模式维度太高、太隐性、太深层结构化，放不进上下文。比如，医学扫描中区分良性伪影和肿瘤的视觉纹理，或者定义一个说话人独特节奏的音频微波动，这些模式不容易被分解成精确的词汇。 语言只能近似它们。再长的提示词也传递不了这些东西；这类知识只能存活在权重里。它们活在学习表征的潜空间中，不是文字。无论上下文窗口增长到多大，总有一些知识是文本无法描述的，只能被参数承载。 这也许能解释为什么显式的「机器人记住你」功能（比如 ChatGPT 的 memory）经常让用户感到不适而非惊喜。用户真正想要的不是「回忆」，而是「能力」。一个已经内化了你行为模式的模型可以泛化到新场景；一个只是回忆你历史记录的模型做不到。「这是你上次回复这封邮件时写的内容」（逐字复述）和「我已经足够理解你的思维方式，能预判你需要什么」之间的差距，就是检索和学习的差距。 持续学习入门 持续学习有多种路径。分界线不在于「有没有记忆功能」，而在于：压缩发生在哪里？这些路径沿一个光谱分布，从无压缩（纯检索，权重冻结），到完全内部压缩（权重级学习，模型变得更聪明），中间还有一个重要地带（模块）。 图注：持续学习的三种路径——上下文、模块、权重 上下文 在上下文这端，团队构建更智能的检索管线、智能体外壳和提示词编排。这是最成熟的类别：基础设施经过验证，部署路径清晰。限制在于深度：上下文长度。 一个值得注意的新方向：多智能体架构作为上下文本身的 scaling 策略。如果单个模型被限制在 128K token 窗口内，一组协调的智能体群——每个持有自己的上下文、专注于问题的一个切片、互相通信结果——可以在整体上近似无限工作记忆。每个智能体在自己的窗口内做上下文学习；系统做聚合。Karpathy 最近的 autoresearch 项目和 Cursor 构建网页浏览器的例子是早期案例。这是纯粹的非参数化方法（不改权重），但它极大地抬高了上下文系统能做到的上限。 模块 在模块空间里，团队构建可插拔的知识模块（压缩的 KV 缓存、适配器层、外部记忆存储），让通用模型在不重新训练的情况下实现专业化。一个 8B 模型加上合适的模块，可以在目标任务上匹配 109B 模型的表现，内存占用只是其零头。吸引力在于它能兼容现有的 Transformer 基础设施。 权重 在权重更新这端，研究者在追求真正的参数级学习：只更新相关参数片段的稀疏记忆层、从反馈中优化模型的强化学习循环、在推理时将上下文压缩进权重的测试时训练（test-time training）。这些是最深层的方法，也是最难部署的，但它们真正允许模型完全内化新信息或新技能。 参数更新的具体机制有多种。列举几个研究方向： 图注：权重级学习的研究方向概览 权重级研究涵盖了多条并行路线。正则化和权重空间方法历史最久：EWC（Kirkpatrick et al., 2017）根据参数对先前任务的重要性来惩罚参数变化；权重插值（Kozal et al., 2024）在参数空间中混合新旧权重配置，但两者在大规模上都比较脆弱。 测试时训练由 Sun et al.（2020）开创，后来发展为架构原语（TTT 层、TTT-E2E、TTT-Discover），思路截然不同：在测试数据上做梯度下降，在需要的那一刻把新信息压缩进参数。 元学习问的是：我们能否训练出懂得「如何学习」的模型？从 MAML 的少样本友好参数初始化（Finn et al., 2017）到 Behrouz et al. 的嵌套学习（Nested Learning, 2025），后者将模型结构化为一个分层优化问题，不同时间尺度上运行快速适配和慢速更新的模块，灵感来自生物记忆巩固。 蒸馏通过让学生模型匹配冻结的教师检查点来保留先前任务的知识。LoRD（Liu et al., 2025）通过同时裁剪模型和回放缓冲区，让蒸馏高效到可以持续运行。自蒸馏（SDFT, Shenfeld et al., 2026）翻转了来源，用模型自己在专家条件下的输出作为训练信号，绕过了序列微调的灾难性遗忘。 递归自我改进运作在类似的思路上：STaR（Zelikman et al., 2022）从自生成的推理链中引导推理能力；AlphaEvolve（DeepMind, 2025）发现了几十年未被改进的算法优化；Silver 和 Sutton 的「经验时代」（2025）把智能体学习定义为一个永不停止的持续经验流。 这些研究方向正在汇聚。TTT-Discover 已经融合了测试时训练和 RL 驱动的探索。HOPE 把快慢学习循环嵌套在单一架构内。SDFT 把蒸馏变成了自我改进的基本操作。列与列之间的边界正在模糊。下一代持续学习系统很可能会组合多种策略：用正则化来稳定，用元学习来加速，用自我改进来复利。一批越来越多的创业公司正在押注这个技术栈的不同层级。 持续学习创业版图 光谱的非参数端最为人熟知。外壳公司（Letta、mem0、Subconscious）构建编排层和脚手架，管理放进上下文窗口的内容。外部存储和 RAG 基础设施（如 Pinecone、xmemory）提供检索骨干。数据存在，挑战是在正确的时间把正确的切片放到模型面前。随着上下文窗口扩展，这些公司的设计空间也随之增长，特别是在外壳端，一波新的创业公司正在涌现来管理日益复杂的上下文策略。 参数端更早期、也更多元。这里的公司在尝试某种版本的「部署后压缩」，让模型在权重中内化新信息。路径大致可以分成几种不同的赌注，关于模型在发布后应该「怎样」学习。 部分压缩：不重训也能学。一些团队在构建可插拔的知识模块（压缩的 KV 缓存、适配器层、外部记忆存储），让通用模型在不动核心权重的情况下实现专业化。共同的论点是：你可以获得有意义的压缩（不只是检索），同时把稳定性-可塑性的权衡控制在可管理范围内，因为学习是隔离的，而不是分散在整个参数空间。8B 模型配上合适的模块，可以在目标任务上匹配远大模型的表现。优势是可组合性：模块可以和现有 Transformer 架构即插即用，可以独立交换或更新，实验成本远低于重训。 RL 和反馈循环：从信号中学习。另一些团队押注的是，部署后学习最丰富的信号已经存在于部署循环本身——用户纠正、任务成败、来自真实世界结果的奖励信号。核心理念是模型应该把每次交互都当作潜在的训练信号，而不只是推理请求。这和人类在工作中进步的方式高度类似：干活、拿到反馈、内化哪些方法有效。工程挑战在于把稀疏、嘈杂、有时带有对抗性的反馈转化为稳定的权重更新，同时不灾难性遗忘。但一个真正能从部署中学习的模型，会以上下文系统做不到的方式产生复利价值。 以数据为中心：从正确的信号中学习。一个相关但有区别的赌注是，瓶颈不在学习算法，而在训练数据和周边系统。这些团队专注于筛选、生成或合成正确的数据来驱动持续更新：前提是一个有高质量、结构良好的学习信号的模型，只需要少得多的梯度步就能有意义地改进。这和反馈循环公司自然衔接，但强调的是上游问题：模型能不能学是一回事，它应该从什么学、学到什么程度是另一回事。 新架构：从底层设计学习能力。最激进的赌注认为 Transformer 架构本身就是瓶颈，持续学习需要从根本上不同的计算原语：具备连续时间动态和内建记忆机制的架构。这里的论点是结构性的：如果你想要一个持续学习的系统，你应该把学习机制嵌入底层基础架构。 图注：持续学习创业公司版图 所有主要实验室也在这些类别中积极布局。有的在探索更好的上下文管理和思维链推理，有的在试验外部记忆模块或 sleep-time 计算管线，还有几家隐身公司在追求新架构。这个领域足够早期，没有哪种方法已经胜出，而且考虑到用例的广泛性，也不应该只有一种赢家。 为什么朴素的权重更新会失败 在生产环境中更新模型参数，会引发一连串目前在大规模上尚未解决的失败模式。 图注：朴素权重更新的失败模式 工程问题已有充分记录。灾难性遗忘意味着对新数据足够敏感以学习的模型，会摧毁已有的表征——稳定性-可塑性困境。时间解耦是指不变规则和可变状态被压缩进了同一组权重，更新一个就会损坏另一个。逻辑整合的失败是因为事实更新不会传播到其推论：更改局限在 token 序列层面，不是语义概念层面。遗忘（unlearning）仍然不可能：不存在一个可微分的减法操作，因此虚假或有毒知识没有精确的手术切除方案。 还有第二类问题被较少关注。当前训练和部署的分离不只是工程上的便利，它是安全性、可审计性和治理的边界。打开这个边界，多件事会同时出问题。安全对齐可能不可预测地退化：即便是在良性数据上的窄范围微调也可能产生广泛的失调行为。 持续更新创造了一个数据投毒的攻击面——一种缓慢、持久的提示注入版本，但它活在权重里。可审计性崩塌，因为一个持续更新的模型是一个移动靶，无法做版本控制、回归测试或一次性认证。当用户交互被压缩进参数时，隐私风险加剧，敏感信息被烘焙进表征，比检索上下文中的信息更难过滤。 这些是开放问题，不是根本性的不可能。解决它们和解决核心架构挑战一样，是持续学习研究议程的一部分。 从「记忆碎片」到真正的记忆 Leonard 在《记忆碎片》中的悲剧不在于他无法运转——在任何一个场景中他都足智多谋，甚至堪称出色。他的悲剧在于他永远无法复利。每一次经历都停留在外部——一张拍立得、一个纹身、一张别人笔迹的便条。他能检索，但他无法压缩新知识。 当 Leonard 在这个自我建构的迷宫中穿行时，真实和信念之间的界限开始模糊。他的病症不只是剥夺了他的记忆；它迫使他不断重建意义，让他同时成为自己故事中的侦探和不可靠叙述者。 今天的 AI 运行在同样的约束下。我们构建了非常强大的检索系统：更长的上下文窗口、更智能的外壳、协调的多智能体群，而且它们管用。但检索不等于学习。一个能查到任何事实的系统没有被迫去寻找结构。它没有被迫去泛化。让训练如此强大的有损压缩——把原始数据转化为可迁移表征的机制——恰恰是我们在部署那一刻就关掉的东西。 前进的路径很可能不是一个单一突破，而是一个分层系统。上下文学习仍将是第一道适应防线：它是原生的、经过验证的、在不断改进的。模块机制可以处理个性化和领域专业化的中间地带。 但对于那些真正困难的问题——发现、对抗适应、无法用文字表达的隐性知识——我们可能需要让模型在训练之后继续把经验压缩进参数。这意味着稀疏架构、元学习目标和自我改进循环的进步。它可能还需要我们重新定义「模型」的含义：不是一组固定的权重，而是一个进化中的系统，包含它的记忆、它的更新算法，以及它从自身经验中抽象的能力。 档案柜越来越大。但再大的档案柜还是档案柜。突破在于让模型在部署后做训练时让它强大的那件事：压缩、抽象、学习。我们站在从失忆模型到拥有一丝经验之光的模型的转折点上。否则，我们会困在自己的《记忆碎片》里。
0
0
0
0
GateUser-bd883c58

GateUser-bd883c58

04-24 06:07
Este jornal (chinatimes.net.cn) repórter He Yihua Li Weilai Beijing reportagem A crise de navegação no Estreito de Hormuz, além de causar uma forte alta nos preços internacionais do petróleo, também provocou oscilações significativas nos preços de produtos químicos muito específicos. Desde o início do ano, o preço do bromo tem se mantido em alta, e após março, a tendência de preços do bromo disparou. Dados da Business Society mostram que, em 8 de março, o preço do bromo era de 39.700 yuans/tonelada, e em 22 de março, já tinha subido para 51.000 yuans/tonelada, e em 3 de abril, o preço foi atualizado para 70.200 yuans/tonelada. Naturalmente, o mercado de capitais não perdeu essa oportunidade, e as ações relacionadas ao conceito de bromo tiveram aumentos frequentes. Até o fechamento de 3 de abril, a Sully Co. (603585.SH) atingiu três limites de alta em seis dias, enquanto Shandong Haihua (000822.SZ), Lubei Chemical (600727.SH) e outros tiveram altas expressivas. O repórter notou que, como produto químico de nicho, o bromo possui capacidade de produção relativamente pequena e não é a principal atividade das empresas listadas. A alta nos preços do bromo pode ou não impulsionar o crescimento do desempenho dessas empresas relacionadas? Um funcionário do escritório de secretariado da Binhua Co. (601678.SH) disse ao jornal Huaxia Times que a capacidade de produção de bromo da empresa é de mais de 5.000 toneladas, com baixa participação na receita, mas variações significativas de preço ainda podem impactar o desempenho da empresa. Outro funcionário de uma empresa listada afirmou que, para empresas menores, um aumento de alguns milhões de lucro é bom, mas para grandes empresas, o impacto no desempenho é limitado. **Fornecimento estrangeiro prejudicado** De janeiro a março de 2026, as empresas domésticas de produção de bromo por água salgada reduziram ou pararam a produção, enquanto as empresas de bromo do mar, devido às temperaturas mais baixas, operaram em baixa capacidade. As empresas de produção não enfrentaram grande pressão de estoque, e os detentores de mercadorias vendiam a preços baixos, mantendo o mercado em alta. Dados da Business Society mostram que, em 3 de janeiro de 2026, o preço do bromo era de 35.000 yuans/tonelada, e em 20 de janeiro, subiu para 38.600 yuans/tonelada. Em 6 de fevereiro, o preço atingiu 41.600 yuans/tonelada, permanecendo relativamente estável até 23 de fevereiro, quando ainda era de 41.600 yuans/tonelada, e recuou para 39.700 yuans/tonelada em 4 de março. Desde então, o preço do bromo continuou a subir até atingir 70.200 yuans/tonelada em 3 de abril. Zhao Qianqian, analista de bromo da Zhuochuang Information, disse ao jornal Huaxia Times que a alta de preços do bromo desde março é principalmente impulsionada pela oferta. As empresas domésticas aumentaram sua produção, enquanto a redução na oferta estrangeira, devido à situação geopolítica no Oriente Médio, prolongou o ciclo de transporte marítimo, dificultando o fornecimento de importações. Como resultado, a oferta total doméstica diminuiu, os vendedores relutaram em vender a preços baixos, e o mercado mostrou forte tendência de alta. A Galaxy Securities apontou que, com o aumento dos conflitos na região do Oriente Médio, há a possibilidade de que algumas instalações de produção de bromo em Israel reduzam ou parem temporariamente a produção, criando uma lacuna de oferta. Além disso, os custos logísticos de exportação de bromo de Israel e Jordânia podem aumentar significativamente, e o ciclo de transporte de bromo também apresenta grande incerteza, elevando o centro de preços do bromo. Sabe-se que Israel e Jordânia são os dois maiores países produtores de bromo do mundo. Segundo dados da Longzhong Information, a capacidade de produção de bromo de Israel e Jordânia representa, respectivamente, 33% e 19% da produção global. A China é o maior consumidor mundial de bromo, mas depende bastante das importações, sendo Israel e Jordânia os principais fornecedores. Segundo dados da Administração Geral de Alfândegas, em 2025, a China importou 35.000 e 14.000 toneladas de bromo de Israel e Jordânia, respectivamente, totalizando cerca de 64,7% do volume total de importação. Zhao Qianqian explicou ao repórter que o setor de bromo é bastante concentrado globalmente, com Israel, Jordânia e os EUA respondendo por mais de 60% da capacidade total mundial, sendo que a capacidade chinesa é de aproximadamente 150.000 toneladas. Israel e Jordânia aproveitam a abundância de recursos de água salgada ao redor do Mar Morto, onde o teor de bromo é alto, respondendo por cerca de 40% da capacidade global. O repórter soube que o aumento de preços do bromo em janeiro e fevereiro de 2026 também está relacionado à capacidade de produção no exterior. Segundo relatos, o maior produtor mundial, a Israel Chemicals (ICL), reduziu suas exportações de bromo desde 2025, focando na produção de seus produtos derivados de bromo. Outro grande importador de bromo na China enfrentou um desastre natural inesperado. Em 21 de janeiro, uma forte chuva no sul da Jordânia causou enchentes, interrompendo o fornecimento da segunda maior base de produção de bromo do mundo, a Jordan Bromo Co. (JBC), que produz 100.000 toneladas por ano, representando cerca de 13% a 14% da capacidade global. **Capacidade em recuperação gradual** O repórter notou que, embora os preços tenham disparado, a capacidade total de produção de bromo é relativamente pequena, com baixa participação na receita das empresas listadas. O relatório semestral da Asia Potash em 2025 mostra que a empresa possui uma capacidade de 25.000 toneladas/ano de bromo, com planos de expandir para 50.000 toneladas/ano. No entanto, sua receita de cloreto de potássio foi de 3,464 bilhões de yuans, representando 97,65% do total; a receita de água salgada foi de 47,22 milhões de yuans, com 1,33%; e outras receitas totalizaram 36,31 milhões de yuans, com 1,02%. A Shandong Haihua, líder na extração de bromo de água subterrânea na China, tem uma capacidade de cerca de 10.000 toneladas. Em 2025, sua receita foi de 4,745 bilhões de yuans, com apenas 200 milhões de yuans provenientes do bromo, representando 4,23%. A Lubei Chemical tem uma capacidade de cerca de 5.000 toneladas de bromo, com uma produção de 3.245 toneladas e vendas de 3.117 toneladas em 2025. A receita total da empresa foi de 5,089 bilhões de yuans, com receita de bromo de 73,81 milhões de yuans, apresentando uma margem de lucro bruta elevada de 52,91%. Um funcionário do escritório de secretariado da Lubei Chemical afirmou que a alta margem de lucro se deve, por um lado, ao custo de produção relativamente baixo, e, por outro, ao preço de venda elevado. O preço elevado é sustentado pela demanda estável do downstream, dificultando o aumento rápido da oferta. “O bromo é usado principalmente em retardantes de chama à base de bromo, medicamentos e outros setores, com demanda estável.” Ele acrescentou que a produção de bromo ocorre principalmente por extração de água do mar, água subterrânea e rochas minerais. A extração de água do mar é influenciada pela concentração de bromo, sendo viável apenas em regiões costeiras específicas, como ao longo do Mar de Bohai, enquanto muitas áreas costeiras do sul não possuem condições adequadas. A extração de água subterrânea é fortemente regulada pelo governo, sem possibilidade de exploração ilimitada. Sobre o recente aumento de preços do bromo, o funcionário admitiu que, desde março, a crise no Oriente Médio afetou o transporte e a importação, levando a uma oferta doméstica de curto prazo. No entanto, também há fatores sazonais: “No inverno, a evaporação do bromo na água do mar é insuficiente, muitas instalações param de operar, a produção é baixa, e os preços sobem nesse período. Após o ‘Dia do Trabalho’, a produção começa a se recuperar, e os preços podem diminuir gradualmente.” Zhao Qianqian também compartilhou uma opinião semelhante: “Com o aumento da temperatura, a produção de bromo na água do mar no interior do país deve aumentar, impulsionando a taxa de operação da indústria. A oferta doméstica de bromo deve crescer gradualmente, e há possibilidade de retomada de operações de empresas que pararam por inspeções ambientais em abril. É importante acompanhar a produção após a retomada.” Ela acrescentou que, em abril, deve-se continuar monitorando a disposição dos usuários finais em receber as mercadorias. A transmissão de preços altos para o mercado de alta qualidade ainda leva tempo; se a transmissão for eficiente, será um fator positivo para o mercado. Se não for, os preços podem recuar de níveis elevados, embora o momento exato de mudança ainda precise ser observado continuamente. Quanto ao impacto do preço do bromo nos setores downstream, Zhao Qianqian afirmou que a alta de preços aumenta a pressão de custos para as empresas de produção, e alguns produtos seguem a alta do bromo. No entanto, a transmissão de preços para os produtos de alta ponta é difícil, e os compradores tendem a ser cautelosos, comprando apenas o necessário de acordo com a produção de pedidos.
0
0
0
0
DeepFlowTech

DeepFlowTech

04-24 03:43
Autor: Malika Aubakirova, Matt Bornstein Compilado: Deep潮 TechFlow Deep潮 leitura: Grandes modelos de linguagem treinados ficam "congelados" após o treino, e sua implantação depende de patches externos como janelas de contexto, RAG, entre outros, para manterem-se operacionais — essencialmente iguais aos pacientes com amnésia em "Memória" de Christopher Nolan — capazes de recuperar informações, mas incapazes de aprender algo novo de verdade. Dois sócios da a16z analisaram essa fronteira de pesquisa de "aprendizado contínuo", desmembrando esse campo técnico que pode redefinir o limite de capacidades da IA, através de três caminhos: contexto, módulos e atualização de pesos. No filme "Memória" de Christopher Nolan, o protagonista Leonard Shelby vive num presente fragmentado. Uma lesão cerebral causa amnésia anterógrada, impedindo a formação de novas memórias. A cada poucos minutos, seu mundo se reinicia, preso no eterno "agora", sem lembrar o que aconteceu há pouco ou o que virá a seguir. Para sobreviver, ele tatua palavras, usa fotos instantâneas, apoiando-se nesses dispositivos externos para substituir funções de memória que seu cérebro não consegue mais realizar. Grandes modelos de linguagem também vivem num presente eterno semelhante. Após o treinamento, vasto conhecimento fica congelado nos parâmetros, incapaz de formar novas memórias ou atualizar-se com novas experiências. Para compensar essa limitação, criamos estruturas de suporte: histórico de conversas como notas de curto prazo, sistemas de recuperação como cadernos externos, prompts como tatuagens. Mas o próprio modelo, nunca internalizou de verdade essas novas informações. Cada vez mais pesquisadores acreditam que isso não basta. O aprendizado por contexto (ICL) funciona se a resposta (ou fragmentos dela) já estiver no mundo, em algum canto. Mas para problemas que requerem descoberta genuína (como novas provas matemáticas), cenários adversariais (como segurança ofensiva e defensiva), ou conhecimentos demasiado implícitos e difíceis de expressar em palavras, há razões para pensar que: o modelo precisa de uma forma de, após a implantação, escrever diretamente nos seus parâmetros o novo conhecimento e experiência. O aprendizado por contexto é temporário. O verdadeiro aprendizado exige compressão. Antes de permitir que o modelo continue comprimindo, talvez estejamos presos no presente eterno de "Memória". Por outro lado, se pudéssemos treinar o modelo a aprender sua própria arquitetura de memória, ao invés de depender de ferramentas externas, poderíamos desbloquear uma nova dimensão de escalabilidade. Esse campo de pesquisa chama-se aprendizado contínuo (continual learning). O conceito não é novo (ver artigo de McCloskey e Cohen, 1989), mas acreditamos que seja uma das direções mais importantes na IA atualmente. Nos últimos anos, o crescimento explosivo das capacidades dos modelos tem ampliado a lacuna entre o "saber" e o "saber fazer". Este artigo busca compartilhar aprendizados de pesquisadores de ponta na área, esclarecer diferentes caminhos de aprendizado contínuo e impulsionar seu desenvolvimento no ecossistema empreendedor. Nota: Este artigo foi possível graças a profundas trocas com uma equipe de pesquisadores, doutorandos e empreendedores, que generosamente compartilharam seus trabalhos e insights na área de aprendizado contínuo. Desde fundamentos teóricos até a prática de aprendizado pós-implantação, suas perspectivas tornaram este texto muito mais sólido do que se fosse escrito por nós sozinhos. Agradecemos pelo tempo e pelas ideias! Vamos falar primeiro de contexto Antes de defender o aprendizado de parâmetros (ou seja, atualizar os pesos do modelo), é preciso reconhecer um fato: o aprendizado por contexto realmente funciona. E há argumentos convincentes de que continuará a vencer. A essência do Transformer é um preditor condicional sequencial de tokens. Dada uma sequência correta, ele exibe comportamentos surpreendentemente ricos, sem precisar alterar pesos. É por isso que técnicas como gerenciamento de contexto, engenharia de prompts, fine-tuning por instruções e exemplos de poucos disparos são tão poderosas. A inteligência está embutida nos parâmetros estáticos, enquanto a capacidade aparente varia drasticamente com o conteúdo fornecido na janela. Um exemplo recente de Cursor é um artigo aprofundado sobre escalabilidade de agentes autônomos inteligentes: os pesos do modelo são fixos, o que faz o sistema funcionar de verdade é a orquestração cuidadosa do contexto — o que colocar, quando fazer resumos, como manter coerência durante horas de operação autônoma. Outro exemplo é o OpenClaw. Sua popularidade não vem de permissões especiais ao modelo (pois qualquer um pode usar o modelo base), mas de transformar contexto e ferramentas em um estado de trabalho altamente eficiente: rastreando o que você faz, estruturando resultados intermediários, decidindo quando reinjetar prompts, mantendo memória persistente do trabalho anterior. OpenClaw elevou o "design de casca" do agente a uma disciplina independente. Quando o prompting surgiu, muitos duvidaram que "apenas prompts" pudessem ser uma interface séria. Parecia um hack. Mas é uma criação do próprio arquitetura Transformer, sem necessidade de retrain, e que evolui automaticamente com o avanço do modelo. Quanto mais forte o modelo, mais forte o prompt. Interfaces "simples, mas nativas" frequentemente vencem, pois se acoplam diretamente ao sistema subjacente, ao invés de lutar contra ele. E essa tem sido a trajetória do desenvolvimento de LLMs até hoje. Modelo de espaço de estado: uma versão esteróide do contexto Quando o fluxo de trabalho principal migra de chamadas a LLMs para ciclos de agentes inteligentes, a pressão sobre modelos de aprendizado por contexto aumenta. Raramente o contexto é totalmente preenchido — isso acontece quando o LLM precisa completar uma longa sequência de tarefas discretas, onde a camada de aplicação pode cortar e comprimir o histórico de conversa de forma relativamente direta. Mas para um agente, uma única tarefa pode consumir grande parte do limite de contexto disponível. Cada passo do ciclo do agente depende do contexto passado, e muitas vezes ele falha após 20 a 100 passos, porque "quebra a linha": o contexto fica cheio, a coerência se degrada, e não converge. Por isso, os principais laboratórios de IA investem pesado no desenvolvimento de modelos com janelas de contexto ultra longas. Essa é uma evolução natural, baseada em métodos já eficazes (aprendizado por contexto) e alinhada à tendência de computação para raciocínio. A arquitetura mais comum é inserir camadas de memória fixa entre cabeças de atenção padrão, formando modelos de espaço de estado (SSM) e variantes de atenção linear (coletivamente chamados de SSM). Em cenários de longo contexto, SSM oferece curvas de escalabilidade fundamentalmente melhores. Legenda: comparação de escalabilidade entre SSM e atenção tradicional O objetivo é aumentar em vários ordens de magnitude o número de passos que um agente pode manter coerentemente — de cerca de 20 para cerca de 20.000 — sem perder as habilidades e conhecimentos amplos do Transformer. Se der certo, será uma grande revolução para agentes de longa duração. Pode-se até pensar nisso como uma forma de aprendizado contínuo: embora sem atualização de peso, há uma camada de memória externa quase que irreversível. Portanto, esses métodos não param de ser reais e poderosos. Qualquer avaliação de aprendizado contínuo deve começar por aqui. A questão não é se os sistemas de contexto atuais são úteis — eles são. Mas se já atingimos um limite, e se novas abordagens podem nos levar além. O que o contexto está perdendo: "a falácia do arquivo" "AGI e o que acontece no pré-treino é que, de certa forma, eles superestimaram... Os humanos não são AGI. Sim, eles têm uma base de habilidades, mas carecem de uma vasta quantidade de conhecimento. Dependem de aprendizado contínuo. Se eu criar um super inteligente de 15 anos, ele não sabe de nada. Um bom estudante, ansioso por aprender. Pode-se dizer, vá ser programador, vá ser médico. A implantação envolve um processo de aprendizado, tentativa e erro. É um processo, não uma entrega de produto acabado." — Ilya Sutskever Imagine um sistema com espaço de armazenamento infinito. O maior arquivo do mundo, onde cada fato é perfeitamente indexado e acessível instantaneamente. Ele consegue encontrar qualquer coisa. Mas ele aprendeu? Não. Nunca foi forçado a fazer compressão. Essa é a tese central que citamos de Ilya Sutskever: os LLMs são essencialmente algoritmos de compressão. Durante o treinamento, eles comprimem a internet em seus parâmetros. A compressão é uma perda, e justamente essa perda é o que os torna poderosos. Compressão força o modelo a buscar estruturas, fazer generalizações, construir representações que possam migrar entre contextos. Um modelo que apenas memoriza exemplos de treinamento não é tão útil quanto um que extrai regras subjacentes. A compressão com perda é, na prática, uma forma de aprender. Ironicamente, o mecanismo que torna os LLMs tão poderosos durante o treinamento — comprimir dados brutos em representações compactas e transferíveis — é exatamente o que deixamos de fazer após a implantação. Paramos de comprimir, usando memória externa para substituir. Claro, muitas cascas de agentes comprimem o contexto de forma personalizada, mas a lição amarga (bitter lesson) é que o próprio modelo deveria aprender a fazer essa compressão de forma direta e em larga escala. Yu Sun compartilhou um exemplo dessa discussão: matemática. Veja o teorema de Fermat. Por mais de 350 anos, nenhum matemático conseguiu prová-lo, não por falta de literatura adequada, mas porque a solução era altamente inovadora. O gap entre o conhecimento matemático existente e a resposta final era enorme. Andrew Wiles, na década de 1990, trabalhou quase isolado por sete anos, inventando novas técnicas para chegar à prova. Sua demonstração dependia de conectar duas áreas distintas: curvas elípticas e formas modulares. Embora Ken Ribet já tivesse mostrado que, se essa conexão fosse feita, o teorema de Fermat seria resolvido automaticamente, antes de Wiles ninguém tinha as ferramentas teóricas para construir essa ponte. Provas de conjecturas como a de Poincaré, por Grigori Perelman, também ilustram esse ponto. A questão central é: esses exemplos provam que os LLMs carecem de algo — uma capacidade de atualização, de pensar criativamente? Ou, ao contrário, mostram que tudo que o ser humano sabe é apenas dados que podem ser treinados e recombinados, e Wiles e Perelman apenas demonstraram que, em escala maior, os LLMs também podem fazer o mesmo? Essa é uma questão empírica, cuja resposta ainda não é clara. Mas sabemos que há categorias de problemas onde o aprendizado por contexto falha hoje, enquanto o aprendizado de parâmetros pode ser útil. Por exemplo: Legenda: categorias de problemas onde o aprendizado por contexto falha e o aprendizado de parâmetros pode vencer Mais importante, o aprendizado por contexto só consegue lidar com o que pode ser expresso em linguagem — enquanto os pesos podem codificar conceitos que o prompt não consegue transmitir. Alguns padrões são tão altos, tão implícitos, tão profundamente estruturados, que não cabem na janela de contexto. Como distinguir entre uma textura visual que diferencia um tumor de um artefato benigno, ou um ritmo único de fala que define um locutor? Esses padrões não se decompõem facilmente em palavras. A linguagem só consegue aproximar. Conhecimentos assim só vivem nos pesos, na representação latente. Por mais que aumentemos a janela de contexto, sempre haverá conhecimentos que só podem ser carregados nos parâmetros. Isso talvez explique por que funções explícitas de "memória" — como o recurso de "lembrar de você" no ChatGPT — muitas vezes geram desconforto, ao invés de surpresa. O que os usuários realmente querem não é "lembrar", mas "capacidade". Um modelo internalizado com seu padrão de comportamento pode generalizar para novos cenários; um que apenas recupera seu histórico não consegue. A diferença entre "isso foi o que você respondeu na última vez" e "eu já entendi seu modo de pensar o suficiente para prever o que você precisa" é a diferença entre recuperação e aprendizado. Introdução ao aprendizado contínuo O aprendizado contínuo possui várias abordagens. A linha divisória não é se há ou não memória — mas onde ocorre a compressão. Essas abordagens variam ao longo de um espectro, de sem compressão (recuperação pura, pesos congelados) a compressão total (aprendizado de peso, modelos mais inteligentes), passando por uma zona intermediária (módulos). Legenda: três caminhos do aprendizado contínuo — contexto, módulos, pesos Contexto Na ponta do contexto, equipes constroem pipelines de recuperação mais inteligentes, cascas de agentes e orquestrações de prompts. Essa é a abordagem mais madura: infraestrutura validada, implantação clara. A limitação é a profundidade: o comprimento do contexto. Uma direção emergente interessante é a arquitetura de múltiplos agentes como estratégia de escalabilidade do contexto. Se um único modelo é limitado a uma janela de 128K tokens, um grupo coordenado de agentes — cada um com seu próprio contexto, focado em uma fatia do problema, comunicando resultados — pode, em conjunto, quase ter memória infinita. Cada agente faz aprendizado por contexto na sua janela; o sistema faz agregação. Projetos como o autoresearch de Karpathy e exemplos de navegadores web construídos com Cursor são casos iniciais. Essa é uma abordagem puramente não paramétrica (sem alterar pesos), mas que eleva bastante o limite do que sistemas de contexto podem fazer. Módulos No espaço de módulos, equipes constroem componentes plugáveis de conhecimento (caches de KV comprimidos, camadas de adaptação, armazenamento externo de memória), permitindo que modelos genéricos se especializem sem retrain. Um modelo de 8 bilhões de parâmetros, com módulos adequados, pode alcançar desempenho semelhante a um de 109 bilhões, com uso de memória muito menor. A vantagem é a compatibilidade com infraestruturas Transformer existentes. Pesos Na atualização de pesos, pesquisadores buscam o verdadeiro aprendizado de parâmetros: atualizar apenas partes relevantes, usar feedback para otimizar o ciclo de RL, treinar o modelo para comprimir contexto em tempo de inferência (test-time training). Essas são as abordagens mais profundas, mais difíceis de implantar, mas que permitem ao modelo internalizar novas informações ou habilidades de forma completa. Algumas direções específicas de atualização de peso: Legenda: visão geral das linhas de pesquisa em aprendizado de peso As linhas de pesquisa em atualização de peso são múltiplas e paralelas. Regularização e métodos de espaço de peso são os mais antigos: EWC (Kirkpatrick et al., 2017) penaliza mudanças de peso com base na importância para tarefas anteriores; interpolação de peso (Kozal et al., 2024) mistura configurações antigas e novas, mas ambas são frágeis em escala. Treinamento na inferência, iniciado por Sun et al. (2020), evoluiu para primitivas arquiteturais (camadas TTT, TTT-E2E, TTT-Discover), que fazem gradiente na entrada de dados de teste, comprimindo novas informações no momento necessário. Meta-aprendizado busca treinar modelos que saibam "como aprender" — de MAML (Finn et al., 2017) a Nested Learning (2025), que estrutura o modelo como um problema de otimização hierárquico, com módulos de adaptação rápida e atualização lenta, inspirado na consolidação da memória biológica. Distorção por distilação: fazer o estudante imitar o professor congelado para reter tarefas anteriores. LoRD (Liu et al., 2025) combina poda de modelos e replay de buffer para fazer distilação eficiente, permitindo aprendizado contínuo. Auto-distilação (SDFT, Shenfeld et al., 2026) inverte a origem: usa a própria saída do modelo sob condições de especialista como sinal de treinamento, evitando o esquecimento catastrófico de fine-tuning sequencial. Autoaperfeiçoamento recursivo, como STaR (Zelikman et al., 2022), usa cadeias de raciocínio geradas automaticamente para melhorar a inferência; AlphaEvolve (DeepMind, 2025) descobre algoritmos há décadas não aprimorados; Silver e Sutton (2025) definem o aprendizado de agentes como um fluxo contínuo de experiências. Essas linhas de pesquisa estão convergindo. TTT-Discover combina treinamento em teste e exploração por RL. HOPE embute ciclos de aprendizado rápido e lento em uma única arquitetura. SDFT transforma distilação em operação de autoaperfeiçoamento. As fronteiras entre estratégias estão se borrando. O próximo sistema de aprendizado contínuo provavelmente combinará várias abordagens: regularização para estabilidade, meta-aprendizado para aceleração, autoaperfeiçoamento para efeito de alavanca. Cada vez mais startups apostam nesse stack tecnológico em diferentes níveis. Mapa de startups de aprendizado contínuo Na ponta não paramétrica, empresas como Letta, mem0, Subconscious criam camadas de orquestração e suporte, gerenciando o conteúdo inserido na janela de contexto. Infraestruturas externas de recuperação e RAG (como Pinecone, xmemory) fornecem o núcleo de recuperação. Os dados existem, o desafio é colocar as fatias corretas na frente do modelo na hora certa. Com janelas de contexto maiores, o espaço de design dessas empresas também cresce, especialmente na ponta de casca, onde novas startups emergem para gerenciar estratégias cada vez mais complexas de contexto. Na ponta paramétrica, há um movimento mais antigo e diversificado. Essas empresas tentam uma espécie de "compressão pós-implantação", fazendo o modelo internalizar novas informações. Os caminhos variam: compressão parcial (não retrainar, usar módulos plugáveis), aprendizado por feedback (aprender com sinais do ciclo de implantação), ou arquiteturas novas (redesenhar o sistema para aprender de forma contínua). Cada estratégia tem seus riscos e oportunidades, mas todas buscam fazer o modelo aprender após o lançamento. Compressão parcial: aprender sem retrainar. Algumas equipes constroem módulos de conhecimento plugáveis (caches de KV comprimidos, adaptadores, memória externa), permitindo que o modelo genérico se especialize sem alterar pesos centrais. A ideia é obter compressão significativa (não só recuperação), mantendo o equilíbrio entre estabilidade e plasticidade, pois o aprendizado fica isolado, não disperso por todo o espaço de peso. Um modelo de 8B com módulos adequados pode alcançar desempenho de modelos muito maiores na tarefa alvo. A vantagem é a modularidade: podem ser trocados ou atualizados independentemente, com custos de experimentação menores do que retrain. Aprendizado por sinal: aprender com feedback. Outros apostam que os sinais mais ricos já estão na própria implantação — correções do usuário, sucesso ou fracasso na tarefa, recompensas do mundo real. A ideia é que o modelo trate cada interação como potencial fonte de treinamento, assim como humanos aprendem no trabalho: fazendo, recebendo feedback, internalizando o que funciona. O desafio é transformar sinais esparsos, ruidosos e às vezes adversariais em atualizações de peso estáveis, evitando o esquecimento catastrófico. Um modelo que realmente aprende na implantação gera efeitos de efeito composto que sistemas de contexto não conseguem. Dados como centro: aprender com sinais corretos. Uma aposta relacionada é que o gargalo não é o algoritmo, mas os dados e sistemas ao redor. Essas equipes focam em filtrar, gerar ou sintetizar dados de alta qualidade, que possam impulsionar atualizações contínuas. Desde que o modelo receba sinais de alta qualidade, poucas atualizações podem fazer uma grande diferença. Essa abordagem se conecta às empresas de feedback, mas enfatiza a qualidade do dado de entrada: o que o modelo deve aprender, e até que ponto. Novas arquiteturas: aprender a partir do design fundamental. A aposta mais radical é que a arquitetura Transformer é um gargalo, e que o aprendizado contínuo requer uma mudança radical na computação: arquiteturas com mecanismos de memória contínua e dinâmica temporal. A ideia é estrutural: se você quer um sistema que aprenda de forma contínua, deve embutir esse mecanismo na arquitetura básica. Legenda: mapa de startups de aprendizado contínuo Todos os principais laboratórios também atuam nessas categorias. Alguns exploram melhor gerenciamento de contexto e raciocínio em cadeia, outros testam módulos de memória externa ou pipelines de computação em sleep, e alguns estão em stealth, buscando novas arquiteturas. A área ainda está em estágio inicial, sem uma abordagem vencedora clara, e considerando a diversidade de aplicações, é improvável que exista uma única solução. Por que a atualização ingênua de pesos falha No ambiente de produção, atualizar os pesos do modelo gera uma série de falhas ainda não resolvidas em larga escala. Legenda: falhas da atualização ingênua de pesos Problemas de engenharia já bem documentados. Esquecimento catastrófico: um modelo sensível a novos dados destrói suas representações existentes — o dilema de estabilidade versus plasticidade. Desacoplamento temporal: regras imutáveis e estados variáveis estão comprimidos no mesmo peso, uma atualização prejudica a outra. Falha na integração lógica: mudanças nos fatos não se propagam para suas inferências — alterações ficam restritas ao nível de tokens, não de conceitos semânticos. Esquecer (unlearning) ainda é impossível: não há uma operação diferenciável de subtração, portanto não há uma forma precisa de remover conhecimento falso ou tóxico. Há também uma segunda categoria de problemas menos discutida. Separar treinamento e implantação não é só uma questão de engenharia — é uma fronteira de segurança, auditoria e governança. Abrir essa fronteira traz riscos: alinhamento de segurança pode se deteriorar de forma imprevisível, mesmo microajustes em dados benignos podem gerar comportamentos desajustados. Atualizações contínuas criam uma superfície de ataque de envenenamento de dados — uma injeção lenta e persistente de prompts maliciosos, que fica nos pesos. A auditabilidade também colapsa: um modelo que se atualiza continuamente é um alvo móvel, difícil de versionar, testar ou certificar de uma vez. Quando interações do usuário são comprimidas nos pesos, o risco de privacidade aumenta, com informações sensíveis embutidas na representação, mais difíceis de filtrar do que informações recuperadas do contexto. Essas questões são abertas, não impossíveis. Resolver esses problemas, assim como os desafios arquiteturais, faz parte da agenda de pesquisa de aprendizado contínuo. De "Memória" a uma memória de verdade A tragédia de Leonard em "Memória" não está na sua incapacidade de funcionar — ele é inteligente, até brilhante em cada cenário. Sua tragédia é a incapacidade de gerar efeito composto. Cada experiência fica na externa — uma foto instantânea, uma tatuagem, uma nota manuscrita. Ele consegue recuperar, mas não comprimir o novo conhecimento. Ao percorrer esse labirinto auto-construído, a fronteira entre verdade e crença se torna difusa. Sua condição não apenas rouba sua memória; força-o a reconstruir significado continuamente, tornando-se ao mesmo tempo detetive de sua própria história e narrador não confiável. Hoje, a IA opera sob restrições semelhantes. Construímos sistemas de recuperação muito poderosos: janelas de contexto maiores, cascas mais inteligentes, grupos coordenados de agentes. Mas recuperar não é aprender. Um sistema que consegue consultar qualquer fato não é forçado a buscar estrutura. Não é forçado a generalizar. A compressão poderosa — transformar dados brutos em representações transferíveis — é exatamente o que desligamos na implantação. O caminho provavelmente não é uma única inovação, mas uma arquitetura em camadas. O aprendizado por contexto continuará sendo a primeira linha de defesa: nativo, validado, em constante evolução. Mecanismos de módulos podem lidar com personalização e especialização intermediária. Mas para problemas realmente difíceis — descoberta, adaptação adversarial, conhecimentos implícitos que não cabem em palavras — talvez precisemos que o modelo continue comprimindo experiências nos seus pesos após o treinamento. Isso exige avanços em arquiteturas esparsas, meta-aprendizado e ciclos de autoaperfeiçoamento. Pode também nos forçar a redefinir o que é um "modelo": não uma coleção fixa de pesos, mas um sistema em evolução, com memória, algoritmos de atualização e capacidade de abstração a partir de sua própria experiência. Arquivos cada vez maiores, mas ainda arquivos. A verdadeira inovação está em fazer o modelo, após o lançamento, aprender — comprimindo, abstraindo, evoluindo. Estamos na encruzilhada entre modelos com amnésia e modelos com uma centelha de experiência. Caso contrário, ficaremos presos na nossa própria "Memória".
0
0
0
0