Uma equipe de pesquisadores chineses e internacionais criou o primeiro mapa espacialmente resolvido do índice espectral de um buraco negro na escala do seu horizonte de eventos, o que abre novas possibilidades para o estudo do ambiente físico extremo ao redor desses objetos.
O estudo, publicado na revista The Astrophysical Journal Letters na segunda-feira, foi realizado por cientistas da Observatório Astronômico de Xangai, da Academia Chinesa de Ciências, em colaboração com parceiros internacionais. A equipe analisou dados obtidos em 2018 usando o Event Horizon Telescope (EHT) e o Global Millimeter VLBI Array, estudando o buraco negro supermassivo M87.
Combinando imagens capturadas em comprimentos de onda de 1,3 milímetro e 3,5 milímetros, os pesquisadores realizaram a primeira análise espectral de duas frequências na escala do horizonte de eventos. O mapa do índice espectral do buraco negro obtido permite descrever como o brilho da radiação muda em diferentes frequências, o que os cientistas compararam com um 'check-up' de alta precisão do buraco negro.
Os resultados obtidos demonstram mudanças significativas nas propriedades da radiação ao redor do buraco negro dependendo da distância de seu centro. Próximo ao horizonte de eventos, o índice espectral é positivo, indicando uma forte influência do autoabsorção sincrotrônica na radiação. No entanto, mais longe do centro, o índice espectral diminui gradualmente e se torna negativo, o que indica a transição da radiação para um estado opticamente fino.
Essa transição ocorre em aproximadamente 30 microsegundos angulares do centro do buraco negro, correspondendo ao tamanho da estrutura anelar observada no comprimento de onda de 3,5 milímetros. Esta descoberta sugere que este anel não é apenas uma característica visível da imagem do buraco negro, mas também reflete o estado do plasma perto do horizonte de eventos.
Os pesquisadores observam que futuras observações em frequências adicionais permitirão medições mais precisas das condições de plasma ao redor dos buracos negros. Isso ajudará a rastrear a evolução dos fluxos de acreção e jatos ao longo do tempo, avançando o estudo dos buracos negros de uma imagem estática para um diagnóstico físico dinâmico.
Semanalmente, o programa Olhar Espacial exibe duas imagens astronômicas que chamaram atenção especial na semana passada, apresentando um valor científico significativo.
A primeira imagem é um registro sem precedentes do asteroide Torifun. No início do mês, este objeto foi percorrido pela sonda robótica japonesa Hayabusa2. Esta sonda visitou e coletou amostras de outro asteroide, Ryugu, em 2018.
Para os telescópios terrestres, Torifun parecia um asteroide alongado, mas a passagem da Hayabusa2 permitiu descobrir que ele é, na verdade, um objeto binário de contato, formado pelo impacto suave de dois asteroides separados. Além das duas metades, Torifun possui muitos blocos rochosos grandes e não apresenta crateras óbvias, o que indica que sua superfície é um aglomerado de detritos.
Atualmente, a Hayabusa2 continua sua jornada pelo Sistema Solar e está prevista para encontrar outro asteroide, 1998 KY26, somente em 2031.
A segunda imagem é uma série de registros mostrando o exoplaneta Beta Pictoris b ao longo de mais de dez anos. Este planeta foi descoberto através de imagens diretas tiradas com o VLT – Very Large Telescope – no Chile, bem como com o Telescópio James Webb.
Beta Pictoris b é o terceiro planeta descoberto na órbita de Beta Pictoris, que é a segunda estrela mais brilhante na constelação do Pintor, localizada a 63,4 anos-luz de distância. Embora a estrela deva estar no centro das imagens, ela foi obscurecida por uma máscara ou removida durante o processamento digital.
Nas primeiras imagens, o exoplaneta estava oculto pelo brilho de outro objeto, Beta Pictoris d. Para identificar Beta Pictoris b, que é um dos exoplanetas mais tênues descobertos pelo método de observação direta, foi necessário processamento digital adicional para remover o planeta mais brilhante.
Para a maioria das pequenas e médias empresas (PMEs), a implementação de inteligência artificial não é seguir tendências da moda, mas sim uma vantagem estratégica que ajuda a resolver tarefas diárias de negócios com recursos limitados. Durante a sessão Google Gemini MSME Sparks 2026, Mai Kim, especialista em IA aplicada e engenheira de clientes do Google Cloud JAPAC, demonstrou como as empresas podem criar agentes inteligentes para atendimento ao cliente em menos de uma hora, usando o Gemini Enterprise para experiência do cliente, sem escrever uma linha de código.
Esses agentes de IA são capazes de automatizar respostas a consultas de clientes fora do horário de trabalho, rastrear pedidos, gerenciar devoluções ou qualificar potenciais clientes. Assim, pequenas empresas podem superar barreiras estruturais e organizacionais, oferecendo uma experiência de serviço de nível corporativo mesmo trabalhando com equipes pequenas.
A sessão refletiu uma tendência mais ampla na área de IA corporativa. De acordo com o Google Cloud, cerca de 75% de seus clientes já utilizam produtos de IA, e os modelos da empresa processaram mais de 16 bilhões de tokens por minuto através da API dos clientes em 2026. Isso indica que os agentes de IA deixaram de ser experimentais e se tornaram ferramentas práticas para empresas de qualquer tamanho.
Mai Kim observou que, na era guiada por IA, os clientes esperam muito mais, passando de simples chatbots para um atendimento e compras profundamente personalizados. Ela deu exemplos de agentes que podem analisar receitas manuscritas e adicionar instantaneamente os ingredientes necessários ao carrinho do cliente, ou processar pedidos de texto se o cliente estiver atrasado. Seu objetivo é garantir a resolução rápida das dúvidas necessárias.
Tradicionalmente, para atender a essas expectativas, as PMEs precisavam de investimentos significativos em tecnologia e equipes de suporte ao cliente. A visão do Google Cloud visa eliminar esse obstáculo.
Durante a apresentação, Kim mostrou um agente de IA multimodal capaz de processar interações de voz, entender intenções do cliente, realizar raciocínios em diálogos complexos e obter informações de negócios atuais — tudo isso através de uma interface de autoatendimento. Ela relatou que a criação desse agente levou menos de uma hora, destacando o progresso na IA moderna, que acelera o desenvolvimento através de configuração rápida usando linguagem natural e ferramentas visuais.
No exemplo de uma marca D2C em crescimento, este agente, criado em 60 minutos, podia lidar com consultas, sugerir produtos complementares, processar devoluções de pedidos e encaminhar questões complexas a um representante humano. O resultado foi um aumento na velocidade do atendimento, melhoria na estabilidade e redução de custos operacionais — vantagens críticas para pequenas empresas.
O elemento central da sessão foi a plataforma Gemini Enterprise para experiência do cliente do Google. Esta plataforma unificada combina serviços de IA para atendimento ao cliente, comércio eletrônico e busca em um ecossistema único. Em vez de tratar o suporte ao cliente como uma função isolada, a plataforma conecta todas as etapas da jornada do cliente: desde a busca pelo produto e compras até o suporte pós-venda e análise de desempenho.
O pacote oferece seis funcionalidades chave, incluindo Customer Experience Agent Studio, Agent Assist, Customer Experience Insights, agentes prontos para compras e pedidos de comida, e Vertex AI Search. Isso permite que as empresas não desenvolvam cada funcionalidade do zero, mas usem componentes de IA prontos, adaptando-os aos seus produtos, clientes e fluxos de trabalho.
Uma das principais vantagens da plataforma é a capacidade de equilibrar automação e intervenção humana. Enquanto os agentes de IA podem resolver tarefas rotineiras autonomamente, a função Agent Assist vai além, apoiando representantes humanos durante a conversa, fornecendo respostas contextuais. Como Kim demonstrou, essa função fornece conhecimento relevante e orientação em tempo real.
Além disso, o Customer Experience Insights ajuda os negócios a monitorar métricas chave de desempenho, como satisfação do cliente, qualidade das respostas e desempenho dos agentes, através de um painel de controle integrado, levando a um suporte mais eficaz com equipes pequenas.
Pequenas empresas muitas vezes hesitam em adotar a IA devido a limitações de orçamento, experiência técnica e tempo de implementação. Kim enfatizou que o Gemini Enterprise foi criado para eliminar essas barreiras, oferecendo ferramentas intuitivas de baixo e zero código, permitindo que as organizações criem agentes de IA de alta qualidade sem a necessidade de equipes de desenvolvimento especializadas.
Em vez de gastar meses em desenvolvimento ou contratar engenheiros de IA dedicados, as equipes de negócios podem criar, testar, refinar e implantar agentes conversacionais usando fluxos de trabalho visuais. Essa democratização da IA pode ser particularmente valiosa para PMEs que buscam competir com empresas muito maiores, que tradicionalmente tiveram maior acesso a recursos tecnológicos. Ao automatizar interações repetitivas com clientes, as empresas podem aumentar tanto a eficiência operacional quanto a satisfação do cliente.
Uma parte significativa da sessão foi dedicada ao Customer Experience Agent Studio — um ambiente de desenvolvimento visual usado para a demonstração. Os usuários não precisam começar do zero; eles podem simplesmente descrever o propósito de seu agente de IA em uma ou duas frases. Em seguida, o Gemini gera automaticamente instruções, fluxo de trabalho, ferramentas e estrutura de diálogo para o agente. Kim declarou: «Usamos IA para criar um agente de IA, não para escrever código».
Os desenvolvedores podem configurar adicionalmente o agente, definindo seu papel, comportamento, fluxos de tarefas e lógica de tomada de decisão, além de adicionar fontes de conhecimento opcionais para melhorar a compreensão contextual. A plataforma também suporta inúmeras integrações, permitindo conectar agentes ao Google Search, APIs abertas, Salesforce, ServiceNow e funções personalizadas.
Outras funcionalidades apresentadas na sessão incluíram variáveis globais entre agentes, mecanismos de proteção personalizáveis para bloquear conversas indesejadas, suporte multilíngue, configuração de voz, seleção de modelos e parâmetros avançados de diálogo. Para garantir a prontidão para produção, o Agent Studio fornece ferramentas de avaliação integradas. As empresas podem comparar as respostas da IA com os resultados esperados usando avaliações baseadas em padrões ouro ou simular interações realistas com clientes por meio de cenários, ajudando a identificar casos extremos antes do lançamento. Essas ferramentas de teste integradas permitem que as equipes aumentem a precisão e reduzam o risco de alucinações ou respostas inconsistentes.
A sessão confirmou uma tese importante para as PMEs: a criação de aplicativos baseados em IA não exige mais grandes orçamentos, equipes de engenharia especializadas ou meses de desenvolvimento. Graças a plataformas como o Gemini Enterprise, as empresas podem se concentrar cada vez mais na definição de problemas dos clientes, em vez de escrever código. Para as PMEs que buscam melhorar a interação com o cliente, automatizar o suporte rotineiro e proporcionar uma experiência mais rápida e personalizada, os agentes de IA tornam-se uma possibilidade prática, e não uma tecnologia experimental. À medida que o ecossistema de IA do Google evolui, as oportunidades para pequenas empresas ficam mais claras: não apenas adotar a IA, mas usá-la como um amplificador, permitindo que pequenas equipes ofereçam uma experiência de atendimento ao cliente em escala corporativa.
A equipe Xiaohongshu Engine apresentou o sistema HELMSMAN na conferência OSDI 2026. Este sistema é uma solução de alto desempenho e custo-efetiva para busca de vizinho mais próximo aproximada (vector approximate nearest neighbor search), desenvolvida especificamente para arrays NVMe SSD totalmente baseados em memória flash.
O HELMSMAN substituiu a infraestrutura anterior da Xiaohongshu, que consistia em aproximadamente 35.000 núcleos de CPU e 350 TB de memória RAM (DRAM), totalizando cerca de 40 servidores totalmente baseados em memória flash. Isso permitiu uma redução nos custos de hardware superior a 90%, mantendo a latência em nível de milissegundos para serviços da empresa, como busca, recomendações e publicidade. Esses serviços processam centenas de bilhões de vetores de alta dimensão com milhões de requisições por segundo.
A ideia principal é que os métodos ANNS clusterizados são uma arquitetura mais adequada para os modernos arrays SSD de alta velocidade, em contraste com os métodos ANNS baseados em grafos. Sistemas de grafos que utilizam DRAM e SSD, como o DiskANN, sofrem de dependência de E/S sequencial, pois a leitura de um SSD determina o próximo vizinho a ser visitado, o que impede a saturação da largura de banda do SSD. Os sistemas clusterizados, por outro lado, leem clusters de candidatos em paralelo, o que corresponde às capacidades de E/S paralela dos SSDs.
Os sistemas tradicionais de clusterização SPANN enfrentavam três problemas em ambientes de produção: baixa largura de banda devido aos custos de sobrecarga da pilha de E/S Linux, estratégias de busca não adaptativas que escaneavam muito ou muito pouco dependendo da complexidade da consulta, e construção lenta de índice em um único processador, que não conseguia escalar para centenas de bilhões de vetores. O HELMSMAN elimina esses obstáculos graças a três inovações:
Primeiro, há uma pilha de armazenamento especializada para ANNS que contorna os caminhos padrão de E/S do Linux, gerenciando as filas NVMe diretamente no espaço do usuário. Isso reduziu os custos de sobrecarga de software que anteriormente consumiam até 58% da latência total. Segundo, foi implementado um mecanismo hierárquico de aprendizado para poda de busca, que prevê adaptativamente o número ideal de clusters para varredura com base na complexidade da consulta, tamanho top-k e distribuição dos centroides. Terceiro, foi introduzido um pipeline de construção distribuída acelerado por GPU, que permite reconstruir índices em escala de bilhões de vetores em apenas algumas horas, o que corresponde à atualização de modelos em minutos para sistemas de recomendação e publicidade.
Testes de produção demonstraram a eficácia do sistema. O HELMSMAN proporciona uma melhoria de throughput de 2 a 16 vezes em comparação com sistemas existentes DRAM-SSD, incluindo DiskANN e SPANN, atingindo até 85% da capacidade de implantação puramente in-memory, mantendo SLAs de latência média e de cauda dentro de milissegundos. A capacidade de reconstruir índices em escala de 10 bilhões de vetores em horas torna o HELMSMAN prático para ambientes de trabalho onde modelos de incorporação e dados vetoriais são atualizados frequentemente. A implantação da Xiaohongshu abrange diversas áreas de negócios, incluindo busca, recomendações, publicidade, segurança de conteúdo e pipelines RAG.
As implicações para custo e escalabilidade vão além da Xiaohongshu. A infraestrutura de busca vetorial é um dos centros de custo de crescimento mais rápido para plataformas de internet, pois a recuperação baseada em embeddings está se tornando universal para busca, recomendações e recursos baseados em IA. A dependência de DRAM foi um fator estrutural de aumento de custos, já que a escala de vetores dobra anualmente. O HELMSMAN prova que o ANNS de alto desempenho em armazenamento flash padrão é viável em produção, mesmo para cenários de serviço online mais sensíveis à latência, potencialmente mudando a economia da infraestrutura para todo o setor. O estudo também levanta questões sobre se outros componentes de IA limitados pela memória podem obter benefícios semelhantes do design conjunto da pilha de armazenamento em vez de apenas expandir a DRAM.
