torygreen

.@AnthropicAI O S-1 é algo fascinante, porque a empresa está a avançar quase demasiado depressa para o próprio documento.
A receita de 2025 foi de cerca de ~$4.6B. Só o Q2 de 2026 atingiu ~$11.5B e, no final de julho, o ARR estava alegadamente acima de $65B.
Depois, temos ~80 páginas de fatores de risco contra 48 sobre o negócio propriamente dito, a divulgação de que ~6% da capacidade computacional usada na investigação de IA foi alocada a trabalho de segurança numa semana analisada, e uma admissão bastante direta de que lançamentos contínuos e sobrepostos de modelos são, na prática, necessári

A adoção da IA cresceu pouco este ano. A despesa dos consumidores passou, ainda assim, de ~$12B → $40B.
Esse é um sinal muito mais interessante do que mais um marco no número de utilizadores.
A adoção nos EUA passou apenas de 61% → 64%. O número de utilizadores a nível mundial cresceu ~11%.
Os utilizadores existentes começaram simplesmente a entregar à IA uma parte muito maior das suas vidas.
41% já experimentaram um agente. 32% já deixaram a IA agir sem aprovação final. E 92% dos utilizadores de agentes pagam por IA.
Por isso, a próxima fase da IA para consumidores provavelmente não precisa d

A “viragem” que não esperávamos que chegasse tão cedo.
Os pesos abertos estão a começar a parecer-se muito com energia de base para a IA.
Não estão a superar frontalmente o melhor modelo fechado neste momento. Mas estão suficientemente próximos e são suficientemente bons para a enorme quantidade de trabalho que não justifica preços de fronteira.
Assim, Astra, Opus, Fable, etc. tornam-se mais semelhantes a centrais de ponta: capacidade dispendiosa que só se mobiliza quando a tarefa realmente o justifica.
Se isto continuar, os pesos abertos poderão acabar por assegurar a maior parte da i

Passámos décadas a tornar o software menos físico, e a IA está a inverter isso a toda a pressa.
As estimativas atuais indicam que a expansão da IA nos EUA absorverá cerca de 3,63% do PIB todos os anos entre 2025–32, aproximadamente $10.3T no total.
> Os caminhos de ferro representaram, em média, 2,24%.
> As autoestradas, 1,13%.
> As telecomunicações + fibra, 1,1%.
É uma quantidade absurda de betão, cobre, energia, GPUs + sistemas de refrigeração a ser construída para a inteligência.
A comparação com os caminhos de ferro é útil, mas existe uma diferença desagradável: uma linha ferroviária const

Os modelos de fronteira mal têm tempo para se tornarem a opção predefinida antes de os seus próprios equivalentes mais baratos aparecerem e começarem a absorver a carga de trabalho.
36 lançamentos de grandes famílias de modelos até 23 de setembro deste ano, contra 27 nos mesmos sete laboratórios no ano passado.
As escadas de preços estão a alargar-se com a mesma rapidez. @AnthropicAI reduziu os preços dos modelos da classe Opus de $15/$75 por milhão de tokens para $4/$20.
@OpenAI vai agora desde o Luna, a $0.10/$0.50, até ao Astra, a $10/$50.
Isto tem um efeito bastante estranho na economia d

Há outro mecanismo de “flywheel” de modelos abertos que quase não é falado.
O DeepSeek V4.1 Flash fez cerca de 18T tokens no OpenRouter na semana passada, e as suas saídas podem ser usadas explicitamente para distilação.
Assim, o modelo pode fazer dois trabalhos ao mesmo tempo:
operar em produção hoje e, depois, tornar-se dados de professor para o que quer que alguém treine amanhã.
A OpenAI + Anthropic, compreensivelmente, barraram isso para modelos concorrentes.
Mas isso significa que todos os modelos permissivos amplamente usados também estão a espalhar parte das suas capacidades para a próx

A Xiaomi acabou de publicar algo que os laboratórios normalmente mantêm escondido: a verdadeira fatura do RL.
Tanto o MiMo-V2.6 Pro como o Flash foram treinados com 753k amostras e pararam no passo 30.
> O Pro custou $2.62M.
> O Flash custou $854k.
Esse gasto adicional 3.1x maior comprou 6.89 pontos no DeepSWE.
Depois, o Flash ainda superou o Pro no AutomationBench.
Já se começa a ver a mesma configuração de produto a surgir em todo o lado: um modelo para as tarefas absolutamente mais difíceis e outro logo abaixo, suficientemente barato para funcionar o dia inteiro.
A ZAI, a Deepseek, a Qwen e

As horas-GPU podem estar a tornar-se algo contra o qual se faz cobertura.
A CFTC já está a explorar derivados de computação, e a Liquid Compute angariou $15M para criar um mercado regulamentado de futuros, opções e swaps de GPU.
Faz sentido se a computação para IA crescer realmente de ~$360B em 2025 para ~$2.3T até 2030.
A parte estranha é a normalização.
Uma hora de H100 numa região não é o mesmo produto que uma hora de B200 noutro local, com redes, custos de energia e dimensão de cluster diferentes.
Por isso, antes de a computação ter um verdadeiro mercado de futuros, alguém terá de invent

.@OpenAI gastou $6.5B a construir a equipa de dispositivos e agora poderá estar a gastar mais $300M+ na componente que decide, desde logo, o que o modelo consegue ver (imagiologia da Glass).
A Glass funciona abaixo da aplicação da câmara, diretamente sobre os dados brutos do sensor. O seu sistema móvel proposto utiliza um sensor ~2x maior do que os maiores sensores de smartphones atuais e afirma captar até 10x mais luz.
Para um assistente sempre ativo, isso é muito importante.
Tudo o que o sensor não capta perde-se. Mais tarde, o modelo tem de fazer suposições para compensar, o que significa m

A contagem de consultas está prestes a tornar-se um indicador bastante fraco da procura de IA.
Ao longo de 8 semanas, um utilizador do Claude Code introduziu 1 138 prompts. Estes deram origem a cerca de 14 mil chamadas ao modelo e a 3,2 mil milhões de tokens processados. O consumo energético estimado foi de cerca de 150 Wh por prompt introduzido, aproximadamente 625 vezes mais do que um prompt de texto mediano no Gemini.
A maior parte da computação acontece depois de o utilizador parar de escrever. O agente volta a ler o contexto, chama ferramentas, tenta novamente, cria ramificações e continu

Há 2 anos, a Google processava 9.7T de tokens de IA por mês.
Hoje, está acima dos 3.2 quadriliões. Isso representa um aumento de 330x.
Não existe uma contagem global fiável, pelo que o número da Google pode ser melhor considerado como um limite inferior divulgado.
Mesmo que o crescimento abrande para 2x por ano, só a Google atingiria 51 quadriliões de tokens por mês até 2030.
E essa carga de trabalho será muito diferente da de alguém que abre um chatbot hoje. Agentes de longa duração manterão o contexto, dividirão tarefas em subtarefas, chamarão outros modelos, tentarão novamente em ca

Um contrato da Anthropic está a antecipar 3,5 mil milhões de dólares em financiamento e a construção de toda uma infraestrutura de GPUs.
Segundo consta, a Nscale assinou um $45B acordo com a Anthropic, está a procurar 3,5 mil milhões de dólares antes de uma IPO e mostrou aos investidores $103B em receitas projetadas provenientes de contratos de leasing assinados. A Nvidia poderá fornecer $2B da ronda de financiamento.
O compromisso da Anthropic dá aos credores algo concreto para avaliar, enquanto o capital da Nvidia ajuda a antecipar as suas próprias vendas de GPUs. A Nscale converte ambos em

Os centros de dados estão a transformar-se num importante mercado de crédito.
A JLL prevê que a originação de dívida permanente na América do Norte aumente de $80B em 2025 para $175B este ano, e depois para $322B até 2028. Isso representa aproximadamente $722B ao longo dos três anos da previsão.
Mas o custo desse capital já está a dividir o mercado. A construção apoiada por hiperscalers pode atingir cerca de 85% de empréstimo sobre o custo, com spreads baixos na casa dos 200 pb, enquanto os projetos associados a laboratórios de IA e neoclouds podem ter preços 200–300 pb mais elevados, com

30x mais trabalho de agentes com o mesmo megawatt.
É isso que @nvidia afirma que o Vera Rubin NVL72 proporcionou, em comparação com o GB300 NVL72, no DeepSeek V4 Pro, com um custo por milhão de tokens até 35x inferior.
A carga de trabalho é o que torna isto mais do que um benchmark normal de débito. O AgentX mantém intactas as partes mais problemáticas da utilização real de agentes: contexto crescente, chamadas repetidas a ferramentas e subagentes que se ramificam a meio da tarefa.
Se esses números iniciais resistirem à análise da SemiAnalysis, as implicações para a infraestrutura são ba

O mais recente inquérito State of AI da McKinsey inclui um dado que deveria deixar muitas empresas de SaaS desconfortáveis:
32% das empresas afirmam já ter deixado de comprar pelo menos um produto ou funcionalidade de software porque os agentes de programação poderiam desenvolvê-lo internamente.
Isto não significa que as empresas vão deixar de comprar software. Significa que a camada das “funcionalidades” se torna muito mais difícil de rentabilizar.
Se uma equipa interna consegue recriar um fluxo de trabalho específico num ou dois dias, os fornecedores precisam de justificar o modelo de subscr