Video Generation

Principais notícias

1. 1

   AMD Data Center salta 107%, mas trimestre de $75B da Nvidia amplia a liderança

   O que aconteceu: AMD registrou receita recorde de $11.54 billion com receita de Data Center de $6.72 billion, alta de 107% ano a ano. NVIDIA entregou $75 billion em receita trimestral total com receita de Data Center em alta de 92%. O rack Helios da AMD—combinando chips de servidor EPYC, GPUs MI450 e rede Pensando—despertou forte interesse dos clientes, com Anthropic se comprometendo com até dois gigawatts de GPUs da série MI450, com o primeiro gigawatt começando em 2027. Blackwell da NVIDIA está sendo enviado para todos os principais hyperscalers, e a produção de Vera Rubin começa no Q3. Por que é importante: AMD está montando um desafio genuíno à dominância da NVIDIA ao oferecer aos hyperscalers uma segunda fonte credível de computação de IA em escala de gigawatt—uma alternativa atraente ao risco de fornecedor único. No entanto, NVIDIA mantém uma vantagem estrutural: sua margem bruta de Data Center de 75% supera em muito os 56% da AMD, e seu stack verticalmente integrado (Blackwell, CPUs Vera Rubin, NVLink, Spectrum-X, InfiniBand e software CUDA) cria um fosso além do silício puro. NVIDIA projeta $1 trillion em receita combinada de Blackwell e Rubin de 2025 até 2027, sinalizando confiança na demanda sustentada.

   O que observar: AMD orientou a receita do Q3 para aproximadamente $13 billion (+41% trimestre a trimestre) e espera que Data Center mais do que dobre ano a ano em 2027—o sucesso depende dos rendimentos do Helios e da rapidez com que o primeiro gigawatt de MI450 GPUs da Anthropic se converte em receita. A capacidade da NVIDIA de defender sua margem bruta de 75% enquanto computação da China permanecer excluída da orientação mostrará se restrições geopolíticas limitam a elevação. Vera Rubin, que se afirma entregar até 35× maior throughput de inferência do que Blackwell, poderia estender a liderança da NVIDIA se performar conforme prometido.

2. 2

   Desenvolvedor cria pagedMark para remover marcas d'água de IA de imagens geradas automaticamente

   O que aconteceu: Um desenvolvedor criou pagedMark, uma ferramenta projetada para remover marcadores de proveniência de IA—tanto rótulos visíveis quanto marcas d'água incorporadas em pixels invisíveis—de imagens e vídeos gerados por ferramentas de IA. A ferramenta regenera imagens para eliminar marcas invisíveis enquanto tenta preservar similaridade visual, e atualmente suporta marcas d'água de ChatGPT, gpt-image API, Z-Image Turbo e Nano Banana para imagens, além de marcas visíveis e metadados de Sora, Veo, Seedance, Hailuo e Kling para vídeo. Por que é importante: O conteúdo gerado por IA carrega cada vez mais metadados e sinais incorporados (como marcas d'água SynthID) que identificam sua origem. Para criadores que trabalham com seu próprio material gerado por IA, essas marcas podem complicar o fluxo de trabalho—métodos simples de remoção como capturas de tela não eliminam marcadores em nível de pixel. pagedMark resolve isso regenerando o conteúdo afetado, embora os usuários devam saber que a saída pode diferir do original (rostos, texto e pequenos detalhes podem mudar).

   O que acompanhar: A ferramenta foi testada em Macs com Apple Silicon com 8 GB e 16 GB de memória, com processamento consciente de memória integrado para lidar com limitações de recursos em máquinas de especificações mais baixas.

3. 3

   Um modelo de linguagem (LLM) consegue criar um filme de longa-metragem sozinho?

   O que aconteceu: Um post no LessWrong coloca a questão de saber se um grande modelo de linguagem (LLM)—um sistema de IA que compreende e gera texto—poderia produzir independentemente um filme de longa-metragem sem intervenção humana. Por que é importante: A questão explora os limites das capacidades atuais da IA na produção criativa, abordando se sistemas de IA baseados em texto conseguem lidar com tarefas criativas complexas e sustentadas, que exigem coerência narrativa, estrutura e produção contínua ao longo da duração de um filme de longa-metragem.

   Pontos a acompanhar: A questão em si permanece em aberto; o post a apresenta como uma indagação em vez de uma conclusão resolvida, convidando discussão sobre as limitações técnicas e criativas dos LLMs na produção cinematográfica.

4. 4

   Êxodo na OpenAI levanta questões sobre sobrevivência da empresa

   O que aconteceu: A OpenAI encerrou uma oferta de compra de ações autofinanciada de $852 billion em 10 de agosto de 2026, perdendo depois o diretor de operações Brad Lightcap (11 de agosto) e a diretora de receita Denise Dresser (13 de agosto) em poucos dias. A CNBC reportou que pelo menos uma dúzia de líderes seniores saíram em 2026, incluindo chefes de ética e segurança. Por que importa: A newsletter de Ed Zitron argumenta que a taxa anualizada de receita da OpenAI de $40 billion (aproximadamente o dobro de 2025) mascara um crescimento desacelerado, enquanto os gastos planejados em computação de $750 billion até 2030 aumentam as obrigações para acima de $800 billion—uma lacuna que ele diz exigir a arrecadação de $100 billion a $200 billion anualmente, o que ele chama de "praticamente impossível". O presidente da OpenAI, Greg Brockman, rebateu argumentando que saídas são notáveis para uma empresa sob os holofotes e que a taxa mensal de receita subiu 20% em julho com crescimento de 32% em clientes empresariais.

   O que acompanhar: Se a OpenAI apresenta documentação para IPO em ou próximo à sua avaliação alvo de $1 trillion (o CEO Sam Altman chamou qualquer valor menor de "inadmissível"), se a Microsoft renegocia termos comerciais, e se a receita empresarial continua superando a receita de consumidor—o negócio empresarial da OpenAI superou o consumidor pela primeira vez no trimestre mais recente.

5. 5

   Ferramentas de IA consolidadas superam a combinação de plataformas separadas para profissionais de marketing

   O que aconteceu: Um guia sobre geradores de imagem e vídeo com IA para profissionais de marketing compara as ferramentas por sua funcionalidade, em vez de classificá-las, descobrindo que espaços de trabalho consolidados como Getimg.ai—que executam geração de imagens, vídeos, músicas, falas e efeitos sonoros em uma única interface—reduzem o atrito de mover ativos entre aplicativos separados. Os planos pagos do Getimg.ai começam em $8 por mês com faturamento anual e concedem direitos comerciais; o nível Entry (3.000 créditos) se converte em aproximadamente 200 imagens FLUX.2, ou 100 imagens Seedream, ou 10 vídeos Kling, ou 60 vídeos Seedance, ou 1.000 faixas geradas. Por que é importante: Os profissionais de marketing geralmente perdem mais tempo movendo ativos entre ferramentas do que gerando-os. Um espaço de trabalho consolidado elimina essa sobrecarga de exportação e mantém referências de marca consistentes entre formatos—essencial para produção de campanhas onde revisões consomem muito mais créditos que a geração inicial. Getimg.ai publica conversões de crédito para saída explicitamente (algo que quase nenhum concorrente faz), permitindo que as equipes façam previsões de custos mensais reais em vez de adivinhar apenas pelo preço da assinatura. Para equipes já investidas em Adobe ou Canva, permanecer nesses ecossistemas frequentemente vence apenas pelo fluxo de trabalho de aprovação, porque os ativos nunca deixam os sistemas existentes dos revisores.

   O que observar: O guia identifica ferramentas especializadas para necessidades específicas—Runway e Luma para direção de vídeo cinemática, Ideogram para legibilidade de texto dentro de frames, Creatify para marketing de desempenho em volume. Os níveis gratuitos em todas as plataformas aplicam marca d'água à saída, limitam resolução e excluem uso comercial, tornando-os inadequados para campanhas reais; o ponto de entrada prático é um plano pago. Os créditos não são transferidos de um mês para o outro, portanto as equipes devem dimensionar seu plano para volume mensal típico (considerando revisões) em vez de pico de saída ou promessas promocionais.