Autonomous Driving

Principais notícias

1. 1

   DeepSeek lança modelo de raciocínio aberto que se torna #2 entre modelos open-weights, desafiando líderes de tecnologia com custos menores.

   O que aconteceu: A DeepSeek apresentou o DeepSeek-R1, um modelo de raciocínio aberto que alcançou a posição #2 entre modelos open-weights em desempenho. O modelo foi desenvolvido com custos significativamente menores em comparação com concorrentes, utilizando 27% dos FLOPs (operações de computação) comparado com DeepSeek-V3.2. Por que importa: Esse lançamento mostra que é possível desenvolver modelos de IA avançados com investimentos muito menores do que o esperado pela indústria. Para empresas e desenvolvedores, isso significa que ferramentas de raciocínio sofisticadas estão se tornando mais acessíveis economicamente, potencialmente alterando como investimentos em IA são calculados.

   Ponto de atenção: O DeepSeek-R1 está disponível com suporte a 1M tokens de contexto (a quantidade de informação que o modelo consegue processar de uma vez), expandido em relação às versões anteriores. O modelo é de código aberto, permitindo que qualquer desenvolvedor possa usar, modificar e construir sobre ele.

2. 2

   DeepSeek lança modelo de raciocínio de código aberto e torna-se #2 entre modelos de raciocínio abertos, reduzindo significativamente o custo computacional comparado a concorrentes.

   O que aconteceu: A DeepSeek apresentou um novo modelo de raciocínio de código aberto que alcançou a posição #2 entre modelos de raciocínio abertos. O modelo utiliza 27% dos FLOPs (operações computacionais) comparado com DeepSeek V3.2 e requer menos de metade do tamanho de contexto (contexto é a quantidade de informação que o modelo pode processar de uma vez) em relação ao DeepSeek V3.2. Por que importa: A redução drástica de recursos computacionais necessários significa que empresas de tecnologia e serviços em nuvem podem oferecer IA de raciocínio avançado com custos operacionais substancialmente menores. Isso potencialmente democratiza o acesso a esse tipo de tecnologia para mais organizações.

   O que observar: O modelo suporta 1M tokens (unidades de linguagem) de contexto, expandido a partir de 128K tokens na versão V3.2, permitindo processar volumes muito maiores de informação em uma única consulta.

3. 3

   DeepSeek lança R1, um modelo de raciocínio que alcança desempenho comparável ao de concorrentes muito mais caros, desafiando a premissa de que maior escala é necessária para qualidade.

   O que aconteceu: DeepSeek apresentou o R1, um modelo de raciocínio de código aberto que atinge o #2 em rankings de modelos de raciocínio de código aberto e oferece uma versão gratuita com limite de 32T–33T tokens por dia, além de uma versão paga com 1M tokens por requisição. Por que importa: O R1 alcança desempenho equiparável ao de modelos muito mais caros (como OpenAI o1) com significativamente menos recursos computacionais — consumindo 27% dos FLOPs comparado com DeepSeek-V3.2 — sugerindo que eficiência, e não apenas escala, pode ser a chave para modelos de raciocínio de alta qualidade.

   Atenção: O modelo está disponível hoje, com um limite de tokens gratuito (32T–33T por dia) que limita o uso intensivo, enquanto a API paga oferece capacidade maior (1M tokens por requisição) para usuários que necessitam maior volume.

4. 4

   AWS apresenta Self-Driving Lab, um sistema de IA que automatiza processos de laboratório físico para acelerar a descoberta de medicamentos.

   O que aconteceu: AWS revelou o Self-Driving Lab durante o AWS Summit 2026 Healthcare & Life Sciences. Trata-se de um sistema que combina inteligência artificial com automação de laboratório para realizar experimentos científicos de forma autônoma, sem intervenção humana contínua. Por que importa: A automatização de laboratórios pode reduzir significativamente o tempo e o custo envolvidos na pesquisa farmacêutica, etapa crítica e cara no desenvolvimento de novos medicamentos. Ao permitir que máquinas e IA trabalhem juntas para desenhar e executar experimentos, o setor de saúde ganha capacidade de testar mais hipóteses em menos tempo.

   O que observar: O Self-Driving Lab representa um avanço prático na chamada "IA Física" — sistemas que não apenas processam informações, mas também atuam diretamente no mundo real. A iniciativa posiciona AWS como player em soluções que aplicam IA a desafios concretos da indústria biofarmacêutica.

5. 5

   Usuários de Claude Code relatam que o sistema de aprovação está gerando aprovações repetitivas e cegas, impedindo trabalho eficiente.

   O que aconteceu：Usuários estão enfrentando problemas com o fluxo de aprovações no Claude Code, onde precisam clicar "sim" repetidamente em sugestões que não entendem completamente. O sistema não retém preferências entre sessões (por exemplo, continua sugerindo pip install mesmo após o usuário ter escolhido uv sync anteriormente), e não permite visualizar o impacto de uma mudança antes de aprová-la — como o escopo exato de uma migração de banco de dados. Por que importa：Quando os desenvolvedores precisam aprovar ações sem compreendê-las totalmente, correm o risco de aceitar mudanças prejudiciais por falta de visibilidade. A falta de contexto persistente entre sessões força retrabalho manual e interrupção do fluxo de trabalho, reduzindo a produtividade que a ferramenta deveria aumentar.

   Ponto de atenção：O sistema não oferece opções para encaminhar decisões para especialistas (como um DBA para migrações de banco de dados) — apenas aprovar, rejeitar ou comunicar manualmente por canais externos como Slack, criando gargalos desnecessários no processo.

6. 6

   Raquel Urtasun, CEO da startup Waabi de caminhões autônomos, defende a contratação de profissionais da Geração Z em vez de veteranos do setor na era da IA.

   O que aconteceu: Raquel Urtasun, cofundadora da Waabi (startup de caminhões autônomos que atingiu status de unicórnio), conversou com a Fortune sobre contratação na era da IA, argumentando que o medo pode paralisar a capacidade de abraçar a mudança. Por que importa: A mensagem desafia práticas tradicionais de contratação no setor de tecnologia, sugerindo que experiência em setores legados pode ser uma desvantagem ao lidar com transformações impulsionadas por IA, em vez de uma vantagem.

   Ponto de atenção: A posição de Urtasun reflete uma visão mais ampla sobre como empresas de IA estão repensando critérios de seleção de talentos — priorizando adaptabilidade e mentalidade aberta sobre experiência específica do setor.