Normas de rejeição de embalagens plásticas introduzidas na Índia para pan masala

A Suzhou Zhicai Technology desenvolveu com sucesso um alvo de óxido de magnésio de alta pureza e alta densidade, com 6 polegadas, que atende aos requisitos de produção de junções túnel magnético MRAM. Este alvo possui pureza 4N e densidade superior a 99,8 por cento, e uniformidade de grãos que atinge o nível de ponta internacional, superando os principais concorrentes japoneses, que geralmente relatam uma densidade ligeiramente superior a 99,7 por cento.

Este avanço fecha o último segmento da cadeia de suprimentos de materiais MRAM, que antes era controlado por empresas estrangeiras, visto que todos os outros alvos magnéticos metálicos já eram fornecidos internamente.

O MRAM, ou memória de acesso aleatório magnetoresistiva, utiliza o grau de liberdade do spin do elétron para combinar velocidades próximas às da DRAM com não volatilidade de classe NAND e latência de leitura cerca de mil vezes menor do que a NAND. Graças ao seu design, a tecnologia é resistente à radiação, o que elimina a necessidade de correção de erros de evento único separada, tornando-a dominante em sistemas de armazenamento de dados para espaçonaves, satélites militares e sistemas de navegação de mísseis.

À medida que os nós lógicos diminuem abaixo de 28 nanômetros, o MRAM integrado começa a substituir a memória flash integrada como a principal opção de memória não volátil para microcontroladores automotivos de próxima geração e controladores periféricos de IA.

O mercado de baixo nível está acelerando em sincronia. A Samsung posiciona o MRAM juntamente com DRAM e memória de alta velocidade como um elemento estratégico, enquanto a TSMC visa estar pronta para a produção de MRAM com processo tecnológico de 5 nanômetros até 2027. Em março de 2025, a NXP lançou o microcontrolador automotivo FinFET S32K5 com MRAM integrado, e a Everspin apresentou seu MRAM UNISYST com densidades de 128 megabits a 2 gigabits e taxa de leitura de 400 megabytes por segundo.

De acordo com estimativas da Fortune Business Insights, o mercado global de chips MRAM estava avaliado em US$ 4,49 bilhões em 2025 e deve atingir US$ 86,78 bilhões até 2034, com uma taxa de crescimento anual composta de 38,97 por cento.

O ecossistema MRAM chinês atingiu um ponto crítico para a produção em massa. A GigaDevice fornece amostras de STT-MRAM certificadas para clientes automotivos e industriais. A Zhizhen Storage implementou chips SOT-MRAM em sistemas de controle de voo de drones de baixa altitude. Uma linha de produção especializada de MRAM de 8 polegadas opera em Qingdao, e a Hanxu Technology concluiu o desenvolvimento de um chip MRAM integrado de 8 nanômetros para IA. Com a qualificação do alvo MgO da Suzhou Zhicai, as linhas piloto de MRAM chinesas obtiveram suprimento totalmente doméstico de matérias-primas no nível superior, pondo fim à dupla pressão das restrições que anteriormente recaíam sobre as instituições chinesas de desenvolvimento de MRAM.

A Suzhou Zhicai foi fundada por funcionários que retornaram sob o programa nacional de atração de talentos da China, em colaboração com cientistas pesquisadores líderes em alvos de óxidos. A empresa já é o único fornecedor doméstico e um dos três no mundo com solução completa para alvos supercondutores de alta temperatura ReBCO, exportando em pequenos lotes. O alvo MRAM-MgO representa o segundo grande avanço da empresa no campo de alvos de óxidos e confirma a estratégia dupla que abrange supercondutores de alta temperatura e materiais chave de chips semicondutores.

O fabricante chinês de robôs humanoides, Unitree Robotics, está ativamente criando uma rede de colégios industriais nacionais paralelamente ao preparo para o aguardado Oferta Pública Inicial (IPO).

De acordo com o 21st Century Business Herald, a empresa firmou parcerias com mais de dez universidades em dez polos de produção chineses desde dezembro de 2025. Entre essas cidades estão Qingdao, Luozhou, Zhengzhou, Jiaozuo, Hefei, Shamen, Suzhou, Ningbo, Guangzhou e Wuhan. O último acordo foi assinado em 7 de agosto com o College Técnico e Profissional de Changjiang e a Universidade de Ciências da Terra em Wuhan.

A escolha dessas cidades foi intencional, pois todas são grandes centros industriais com alta demanda por especialistas em robótica humanoide. Por exemplo, apenas o ecossistema de Hefei conta com 190 empresas que abrangem todo o espectro da robótica inteligente — de chips a sistemas de corpo inteiro. Cada colégio industrial é desenvolvido em conjunto, levando em consideração as necessidades da indústria local. O modelo focado em bacharelado enfatiza talentos em pesquisa e desenvolvimento e engenharia de compósitos, enquanto as parcerias de formação profissional concentram-se em funções de operação, manutenção e depuração, que são atualmente as mais procuradas.

Esta estratégia de atração de talentos também é uma estratégia de relacionamento com clientes. O prospecto da Unitree mostra que a pesquisa científica e a educação geraram mais de 70% da receita de vendas de robôs humanoides no primeiro trimestre de 2025, enquanto as aplicações puramente industriais representaram apenas cerca de 9%. Consequentemente, universidades e institutos de pesquisa atuam como o maior grupo de clientes da Unitree, e não apenas como um canal de fornecimento. A integração dos padrões técnicos da Unitree nos currículos, equipamentos laboratoriais e projetos estudantis forma uma ligação mais sólida do que a venda única de equipamentos, garantindo uma presença de longo prazo da Unitree nas cidades onde, no futuro, é provável que haja uma expansão na implementação de robôs humanoides.

A escassez de mão de obra qualificada é sentida intensamente em todo o setor de inteligência artificial incorporada. Estima-se que essa lacuna seja de cerca de um milhão de trabalhadores na China. Além disso, o número de vagas na categoria de robôs humanoides aumentou quinze vezes em comparação com o ano anterior entre janeiro e abril de 2026, com um salário médio anual de cerca de 406.100 yuans. A oferta não está acompanhando esse crescimento: apenas um pequeno número de universidades chinesas lançou cursos de bacharelado dedicados à IA incorporada. Chen Li, cofundador da Unitree, declarou publicamente que a empresa gastou a primeira década treinando seu próprio pessoal, pois não havia tais especialistas no mercado interno.

Embora os prazos do IPO não tenham sido oficialmente estabelecidos, a campanha atual possui viabilidade comercial. A Unitree é o maior fornecedor mundial de robôs humanoides e líder claro na categoria, mas o mercado mais amplo ainda não definiu uma aplicação industrial obrigatória única. A conclusão de parcerias educacionais em nível municipal agora permite transformar a receita atual de pesquisa e educação em futura demanda por implementação industrial. As cidades que implementarem primeiro os colégios industriais da Unitree competem silenciosamente entre si pelo estabelecimento de vantagens de longo prazo no fornecimento de talentos para robótica humanoide.

A equipe chinesa AOE Tech Labs, desenvolvedora do produto de desktop de agente Floatboat, publicou dados completos da avaliação Harness em cinco benchmarks de agentes em 7 de agosto. O modelo base utilizado foi o DeepSeek-V4-Flash, que é o modelo confiável mais acessível no mercado. Mantendo o modelo e o custo, apenas o executor Harness foi alterado. O modelo, que anteriormente apresentava resultados inferiores ao Claude Opus 4.8 em todos os cinco benchmarks no seu próprio Harness DeepSeek, conseguiu superar o Opus 4.8 no Harness interno do Floatboat.

O resultado se torna ainda mais significativo considerando a precificação. O Opus 4.8 custa US$ 5 por milhão de tokens de entrada e US$ 25 por milhão de tokens de saída. Com uma proporção de entrada para saída de 3:1, comum em cenários de trabalho de agentes, o custo combinado do Floatboat é de apenas US$ 0,175 por milhão de tokens, enquanto o do Opus 4.8 é de US$ 10, representando uma diferença de 57,1 vezes. Esses cinco benchmarks representam classificações públicas de líderes de terceiros, incluindo o BrowseComp, criado pela OpenAI. Os dados não são um artefato da seleção de perguntas.

A metodologia de pesquisa foi conduzida com o máximo rigor. No grupo de controle, foi usada a versão oficial do DeepSeek-V4-Flash-0731, e não um ponto de verificação preliminar. O grupo de controle operou no Harness próprio do provedor em modo minimalista, tornando a comparação mais rigorosa, pois os engenheiros do provedor participaram do processo. O lado do Floatboat operou em sandboxes físicos isolados com parâmetros de entrada idênticos. A única variável foi o próprio Harness.

Ao classificar as tarefas pelo horizonte de execução, do curto para o longo, o aumento de desempenho não diminui: 1,9%, 9,6%, 12,6%, 19,9% e 23,6%. Tarefas curtas são essencialmente sessões de perguntas e respostas com uma única solicitação, onde a qualidade do modelo desempenha um papel decisivo. Tarefas de longo horizonte, que refletem o trabalho real, dependem do sistema de execução: acesso a arquivos, chamadas de ferramentas, salvamento de estado, autocorreção multifásica e rollback. O trabalho real ocorre no final do longo horizonte.

A AOE Tech Labs introduziu o Coeficiente de Alavancagem do Harness, ou HLR, para tornar a comparação verificável. A fórmula de cálculo é o ganho obtido apenas pela alteração do Harness dividido pelo ganho obtido ao atualizar para um modelo de referência mais forte. Um valor HLR maior que um significa que o próprio Harness supera a atualização do modelo. No DeepSWE, o Floatboat relatou um HLR de 3,57: mantendo o modelo inalterado e mudando apenas o Harness, foi alcançado um desempenho público 3,57 vezes maior do que com a atualização para o Opus 4.8. Em todos os cinco benchmarks, o HLR aumentou monotonicamente com o aumento do horizonte de 0,78 para 3,57.

A AOE Tech Labs foi fundada no final de 2025 com a participação dos investidores HongShan e VLight Capital em uma rodada de financiamento semente. A equipe lançou o Floatboat Desktop em janeiro, o FloatIM em abril e o FloatSchedule em maio. A ideia principal é que um sistema que reduz continuamente a lacuna entre o sistema de execução alvo em desenvolvimento e o desvio do modelo é a chave para agentes de uso diário. O modelo mais barato agora é capaz de corresponder ou superar o modelo avançado mais caro quando o Harness é projetado para funcionar com longo horizonte.