AI Digest - Março de 2026

Luxo com capa barata: quando a Gucci decide poupar onde não deve

A Gucci decidiu anunciar a estreia de diretor criativo Demna em Milão com imagens geradas por IA e, previsivelmente, a internet reagiu como quem vê uma costura a desfazer-se à distância: ameaças de boicote, acusações de que a marca estava a tornar-se promotora de pechisbeque, indignação com perfume de nostalgia. A Gucci até fez o gesto correto para 2026: identificou as imagens como sintéticas e misturou-as com fotografia tradicional. Só que, em luxo, a transparência não substitui a mão.

O problema não é usar IA. O problema é usar IA para produzir imagens que parecem personagens de um videojogo genérico e esperar que a aura resolva. Quando a falha é visível, a tecnologia deixa de ser ferramenta e torna-se mensagem. E a mensagem, para muita gente, foi desconfortavelmente simples: se isto serve para comunicar o topo da pirâmide, então o “artesanato” era mais cenário do que substância.

Há quem defenda que é coerente com a história recente da Gucci, sempre na linha da frente do digital. Além disso, dizem, o setor inteiro está a fazer testes parecidos. É certo. Mas o luxo vive de uma disciplina: o erro custa caro, precisamente porque o preço compra obsessão. Se a marca quer que a IA tenha lugar, tem de impor-lhe o mesmo padrão que impõe a um corte, a uma pele, a um detalhe que só se nota quando não está lá. Caso contrário, a IA não “democratiza” nada; apenas denuncia onde a marca acha que pode poupar sem ser apanhada — e foi.

Um “piloto automático” para interfaces: o que a Standard Intelligence está realmente a vender

A Standard Intelligence, uma startup na área de IA, apresentou um projeto com uma ambição grande: o FDM-1 será um modelo “geral” para agir num computador. O que isto significa: não é um chatbot, nem um gestor de agentes. É um sistema que aprende a produzir inputs humanos — movimentos do rato, cliques, teclas — a partir do que vê no ecrã, instante a instante, como um piloto automático de interface.

A engenharia gira em torno de um problema complexo: quase ninguém tem horas de vídeo de ecrã com registo perfeito do que foi feito no teclado e no rato. A solução é treinar primeiro um modelo “ao contrário”, capaz de inferir que ação terá causado uma mudança no ecrã. Com esse modelo, rotulam automaticamente um arquivo gigantesco de vídeo. Depois, com o arquivo já “legendado”, treinam o modelo final para prever a próxima ação.

O argumento mais interessante não é a demo em Blender ou a história do “fuzzing”. É a aposta em contexto longo: a empresa afirma conseguir comprimir quase duas horas de vídeo num milhão de tokens, precisamente para evitar o comportamento típico dos agentes que só “lembram” alguns segundos e começam a inventar a partir daí. Se esta parte for sólida, muda o que se pode pedir a um modelo: em vez de ensinar tarefa a tarefa, tenta-se ensinar a mecânica de estar num computador por imitação.

A ironia é que o anúncio fala de generalidade e até acena a AGI, mas o avanço real — a confirmar-se — tem outra natureza: melhor capacidade de tratamento de dados e de processamento de “workflows”. Em IA, o que parece magia muitas vezes é o mais prosaico.

Robôs macios, cérebro estável: a lição de neurociência que a robótica precisava

A robótica dita “macia” tem uma promessa fácil de vender e difícil de cumprir: máquinas flexíveis, seguras, úteis perto do corpo humano. O problema é que, quando o corpo do robô é complacente, o controlo tende a ser frágil. Uma carga inesperada, uma rajada de ar, um atuador com menor desempenho, e o movimento deixa de ser “delicado” e passa a ser “imprevisível”. O MIT e a equipa SMART/NUS propõem uma solução inspirada numa divisão clássica da neurociência: separar o que é estável do que é adaptativo. Em linguagem menos evocativa, o controlador tem uma parte treinada offline, que aprende um repertório base de movimentos e mantém competências consistentes, e outra parte que ajusta online para compensar perturbações no mundo real. A promessa adicional é que há um mecanismo de estabilidade para impedir que a adaptação, por si só, deite tudo a perder.

Nos resultados apresentados, a história é de robustez: melhor seguimento de trajetórias sob perturbações, manutenção de forma com variações de carga, tolerância a falhas, incluindo cenários em que uma fração relevante dos atuadores deixa de colaborar. A escolha do exemplo de aplicação é reveladora: um braço leve pensado para tarefas de cuidado pessoal, como ajudar alguém a lavar as costas, com a ambição implícita de aliviar cuidadores e aumentar autonomia.

A ser bem sucedido, o resultado do projeto pode ser um método de controlo que aceita que o mundo muda, que o hardware falha, e que, ainda assim, o robô tem de continuar a comportar-se de forma previsível. Se este modelo de operação escalar, a robótica macia pode sair do catálogo de demonstrações e entrar num papel onde a tecnologia conta: a rotina, a assistência, a confiança.