Author: Anthony John Padilla

A Anthropic, empresa de inteligência artificial por trás do Claude, anunciou um programa próprio de descoberta de medicamentos voltado a doenças negligenciadas, sobretudo aquelas que as grandes farmacêuticas costumam deixar de lado por renderem pouco. O ponto de partida está na fase pré-clínica, quando pesquisadores tentam encontrar e validar compostos promissores antes de qualquer teste em humanos. É justamente uma das etapas mais demoradas e caras de todo o processo, e é aí que a empresa diz acreditar que suas ferramentas podem cortar caminho.

Claude Baixar

Com esse movimento, a Anthropic deixa de atuar só como fornecedora de software para laboratórios e farmacêuticas e passa a entrar diretamente na criação de candidatos a novos tratamentos. A companhia diz que seu modelo de public benefit corporation lhe dá espaço para colocar impacto social e necessidades dos pacientes na frente, mesmo quando o retorno comercial é pequeno.

Isso ajuda a entender por que a empresa está mirando doenças raras, tropicais e outras condições historicamente subatendidas. São áreas que há anos sofrem com falta de investimento, em geral porque o mercado potencial é menor ou porque o retorno parece incerto demais. A aposta da Anthropic é bem direta: se ferramentas computacionais conseguirem acelerar e baratear a etapa inicial da pesquisa, projetos que hoje nem saem do papel podem virar projetos viáveis.

Numa estimativa citada pela própria Anthropic, o CEO da Novartis, Vas Narasimhan, afirmou que esse tipo de tecnologia pode encurtar o desenvolvimento de um medicamento de cerca de 12 anos para 7 ou 8 anos. Segundo a mesma estimativa, a taxa de sucesso também subiria, de 8% para 16%.

Junto desse novo programa, a empresa também lançou o Claude Science, produto da Anthropic voltado à pesquisa científica. De acordo com a companhia, a ferramenta se conecta a mais de 60 bases de dados e foi pensada para tarefas de genômica, proteômica e análise de célula única.

Para sustentar a promessa de ganho de produtividade, a Anthropic recorre a alguns exemplos. Em um deles, segundo a empresa, um pesquisador da University of California, San Francisco (UCSF) teria detectado em minutos uma contaminação viral que uma equipe deixou passar durante um ano. Em outro caso, também citado pela Anthropic, uma análise de 100 doenças genéticas raras levou menos de uma hora e indicou 32 candidatos para triagem adicional. A leitura da empresa é que pesquisadores podem ganhar tempo nas fases de formulação de hipóteses, triagem e priorização de alvos. E isso acontece num setor que já vem andando nessa direção: com base em dados citados pela própria Anthropic, 81% das organizações farmacêuticas usaram esse tipo de tecnologia em pelo menos um programa de desenvolvimento em 2024.

A entrada da Anthropic ocorre num campo cada vez mais disputado. Estão ali nomes como a Isomorphic Labs, da Google DeepMind, além das iniciativas de saúde da OpenAI, todos tentando ganhar espaço na biotecnologia. Só que encontrar candidatos melhores mais cedo não resolve, por si só, o resto do problema.

Os ensaios clínicos, a aprovação regulatória, a transparência dos sistemas, os vieses nos dados e a definição de responsabilidades continuam sendo barreiras pesadas. Até aqui, a Anthropic falou pouco sobre como pretende lidar com as etapas que vêm depois da descoberta inicial. A promessa chama atenção, mas a prova de verdade não vai aparecer só na tela: ela vai ter de passar pelo laboratório, pelos testes com pacientes e, mais adiante, pelo crivo dos órgãos reguladores.

A Adobe acaba de dar ao Firefly a sua ampliação mais ambiciosa até aqui. A ferramenta passa a funcionar como uma camada comum de automação e geração de conteúdo, ligando o trabalho criativo individual ao marketing corporativo, à mídia de varejo e até a ambientes físicos de grande porte, como os parques da Disney. Não se trata só de encaixar recursos novos no Photoshop ou no Premiere Pro. A empresa agora apresenta a plataforma como a espinha dorsal de uma cadeia de produção de conteúdo que começa na ideia e vai até a campanha no ar. No dia a dia, a mudança é esta: o Adobe Firefly deixa de parecer um pacote de ferramentas isoladas e passa a operar como a base de uma estrutura criativa integrada.

Para quem já trabalha com os aplicativos da Adobe, a novidade mais visível é a chegada do Firefly Assistant em beta público no Photoshop, Premiere Pro, Illustrator, InDesign e Frame.io, além de um beta privado no After Effects. O recurso aparece numa barra lateral em formato de chat, ajustada ao jeito de trabalhar de cada programa. A proposta não é tomar conta do computador inteiro nem sair movendo o cursor por conta própria, e sim executar tarefas com várias etapas a partir de comandos em linguagem natural.

No Premiere Pro, por exemplo, o Firefly Assistant consegue organizar vídeos em pastas, renomear clipes em lote, identificar perguntas em entrevistas e adicionar marcadores. No Photoshop, ele pode trocar fundos, redimensionar peças para plataformas diferentes e arrumar camadas. Já no Illustrator e no InDesign, também ajuda a criar variações de arquivos com base em planilhas e a rodar checagens técnicas antes da entrega.

Outro anúncio de peso foi a reconstrução do estúdio criativo do Firefly, agora em beta privado. Aqui a Adobe mira um ponto fraco conhecido de quase toda ferramenta generativa: manter personagens, objetos e cenários consistentes ao longo de um projeto inteiro.

Para isso, o novo sistema traz os chamados Elements, que permitem salvar e reaproveitar personagens, objetos ou locais pelo nome, e os Projects, que mantêm juntos os arquivos , o contexto e o histórico de geração. A Adobe também incluiu atalhos prontos para montar brand kits, transformar foto de produto em vídeo, fazer montagem rápida com Quick Cut e gerar vídeo a partir de storyboard.

No lado corporativo, a Adobe está apostando alto em modelos treinados com acervos licenciados e proprietários por meio do Firefly Foundry. A aposta é clara: oferecer mais proteção de propriedade intelectual, rastreabilidade e aderência à identidade visual das marcas, algo que pesa ainda mais para empresas grandes.

A vitrine mais chamativa dessa estratégia virou a Disney Imagineering. A parceria com a Disney Imagineering, braço de pesquisa e desenvolvimento da Disney, envolve modelos treinados no catálogo interno de design da empresa. Os usos vão de concept art criado a partir de esboços até a geração de ativos fiéis a franquias como Mickey, Frozen, Moana, Lilo & Stitch e Cars. Entra aí também a modelagem 3D feita a partir de conceitos 2D para acelerar a prototipagem de atrações. Ao mesmo tempo, a Adobe levou essa investida para o marketing com o lançamento do GenStudio for Commerce Media Networks, voltado a varejistas e marcas que precisam escalar campanhas e administrar mídia de forma integrada. O movimento reforça a ambição da Adobe de controlar a cadeia de produção de conteúdo de ponta a ponta.

Segundo a Adobe, 75% de mais de 16 mil criadores ouvidos em pesquisa já veem esse tipo de ferramenta como algo essencial, mas 85% ainda querem deixar a decisão criativa final nas próprias mãos. Na leitura de analistas, o novo padrão competitivo passou a ser a automação contextual em várias etapas, embora confiabilidade e alucinações ainda sigam como barreiras; de acordo com a própria Adobe, 55% das organizações citam esse problema. E a pressão dos rivais, como Canva, Midjourney e Runway, só ficou maior em 2026.

A Microsoft acaba de expor a técnica AutoJack, uma nova via de execução remota de código que liga um sinal de alerta na segurança de agentes autônomos conectados à web. No cenário descrito pela empresa, basta que esse tipo de agente abra uma página maliciosa para que ela consiga alcançar um serviço local baseado no Model Context Protocol (MCP) e, a partir daí, acionar processos arbitrários na máquina.

O nome dado ao ataque é AutoJack. O ponto central da técnica é este: uma página maliciosa, quando aberta por um agente desse tipo, pode chegar a um serviço local apoiado em MCP e mandar executar processos arbitrários no sistema.

A conclusão mais séria do estudo da Microsoft é direta, e nada tranquila: “localhost” já não pode ser tratado como uma fronteira confiável quando o mesmo agente consegue, ao mesmo tempo, navegar pela internet e acessar serviços locais com privilégios.

Na prática, conteúdo controlado por um invasor pode se aproveitar da confiança que o agente já recebeu.

Na prova de conceito apresentada pela Microsoft, o ataque não depende de uma falha clássica de navegador. O problema está na arquitetura. Um agente que opera com a autoridade do usuário, ou até do sistema, acaba sendo levado a executar ações maliciosas em nome de conteúdo vindo da web, dentro de um padrão que a segurança da informação conhece há tempos como “confused deputy”.

A cadeia de exploração juntou três fraquezas na implementação de WebSocket do MCP no AutoGen Studio, da própria Microsoft: uma lista de origens permitidas em localhost que podia ser burlada por um agente de navegação rodando localmente, a falta de autenticação nas rotas WebSocket do MCP e, mais grave que isso, o tratamento inseguro de um parâmetro chamado server_params.

Pela análise da Microsoft, o endpoint do MCP decodificava o valor de server_params passado na URL e entregava o comando resultante, com seus respectivos argumentos, diretamente ao mecanismo encarregado de iniciar servidores MCP. Como não existia uma lista de executáveis autorizados, abria-se espaço para disparar comandos arbitrários, entre eles PowerShell no Windows ou Bash em sistemas Unix.

Em termos simples, o invasor só precisava montar a página maliciosa. Quando o agente local a renderizava e interagia com o serviço em localhost, o caminho para executar processos no host ficava aberto.

A Microsoft afirmou que o código vulnerável existia apenas em builds de desenvolvimento com suporte a MCP e que a correção foi aplicada antes de qualquer lançamento público no PyPI. Em outras palavras, o pacote de produção distribuído hoje pelo PyPI não foi atingido pelo problema demonstrado no AutoGen Studio.

Mesmo assim, a empresa insiste que o risco está longe de se limitar a um projeto específico. Qualquer framework que deixe um agente navegar na web enquanto interage com serviços locais ou privilegiados pode cair nessa mesma classe de falha.

O alerta também se soma a estudos recentes sobre segurança de agentes, como o trabalho “Agent Traps”, do Google DeepMind, ataques de “agentjacking” contra assistentes de programação, preocupações com prompt injection levando a RCE no Semantic Kernel, da Microsoft, e casos de exposição de dados no Microsoft 365 Copilot. A direção apontada pela própria Microsoft fica cada vez mais nítida: adotar arquitetura de confiança zero, sandboxing e monitoramento mais rígido desses sistemas antes de ampliar sua autonomia.

A Nvidia apresentou hoje uma nova frente de pesquisa que, nas contas da empresa, pode mexer de forma relevante com a maneira como robôs são treinados e colocados para trabalhar. A proposta parte de uma mudança bem direta: em vez de depender de programação manual sempre que surge uma tarefa nova, essas máquinas poderiam passar a aprender quase por conta própria com a ajuda de agentes de software especializados em escrever código. Funciona assim: em ambientes simulados, esses agentes geram instruções, testam o que deu certo e o que falhou, ajustam o caminho e repetem o processo até o robô executar a tarefa com mais consistência.

No centro desse trabalho está a tentativa de automatizar uma etapa que hoje costuma ser demorada, cara e bastante técnica. Em muitos casos, um engenheiro ainda precisa mexer detalhe por detalhe no comportamento do robô. O que a Nvidia está propondo é outro fluxo: o sistema cria variações de código, mede o desempenho de cada uma e vai refinando a estratégia em ciclos rápidos.

Quase tudo acontece primeiro em simulação. E esse ponto pesa bastante quando se fala em custo e risco: antes de um robô chegar ao mundo real, ele pode repetir centenas ou milhares de tentativas em cenários virtuais, aprendendo a lidar com objetos, trajetórias e imprevistos sem gastar hardware à toa nem parar operações reais. Para a Nvidia, isso pode encurtar o intervalo entre imaginar uma nova função e colocá-la de pé na prática. Em áreas como logística, manufatura e armazenagem, esse tempo faz diferença.

Se a abordagem funcionar fora do laboratório, o ganho pode aparecer na adaptabilidade dos robôs. Hoje, uma das travas mais conhecidas do setor está aí: preparar máquinas para ambientes menos previsíveis ainda dá muito trabalho, porque mudanças pequenas no espaço, na posição dos itens ou na rotina já podem exigir uma longa rodada de ajustes.

Com agentes de código assumindo parte desse trabalho, a expectativa da Nvidia é escalar melhor o treinamento, de braços robóticos em fábricas a sistemas móveis usados em centros de distribuição. Em tese, isso também aproxima o mercado de máquinas capazes de aprender tarefas novas com menos retrabalho de engenharia. E pode baixar a barreira para novas aplicações, já que mais empresas teriam espaço para testar automação em áreas onde isso ainda era complicado demais.

Claro, o anúncio não quer dizer que robôs totalmente autônomos estejam prestes a virar algo comum da noite para o dia. Continua existindo uma distância grande entre ir bem numa simulação e manter desempenho consistente no mundo real, onde iluminação, atrito, objetos deformáveis e falhas de sensor trazem problemas extras.

Também continuam abertas questões sobre segurança, supervisão humana e validação do comportamento antes de colocar essas máquinas para operar em espaços divididos com pessoas. Em robótica, confiabilidade segue pesando tanto quanto velocidade de desenvolvimento. Ainda assim, a pesquisa da Nvidia reforça uma direção que já vinha se desenhando: o setor deve depender cada vez menos de programar cada movimento na mão e cada vez mais de sistemas capazes de testar, corrigir e melhorar o próprio código. Se isso realmente funcionar em escala, dá para falar em um passo importante rumo a robôs mais úteis, mais flexíveis e mais viáveis do ponto de vista comercial.

Fonte: Nvidia | Imagem: Nvidia