A conferência Meta Scale reuniu uma plateia lotada na sexta-feira, mas o momento que gerou mais buzz foi quando o co-fundador da Anthropic, Boris Cherny, subiu ao palco. Uma mão se levantou da multidão e perguntou de forma direta: "Os loops são o próximo ciclo de hype ou são reais?" Cherny não hesitou. "Sim, eles são reais", respondeu, definindo o tom para uma exploração profunda sobre o que ele chamou de próxima grande mudança no desenvolvimento de software impulsionado por IA.
Dois anos atrás, Cherny explicou, os desenvolvedores ainda criavam código-fonte manualmente. "Começamos a fazer a transição para que os agentes escrevam o código", disse, descrevendo uma transferência gradual de programadores humanos para modelos autônomos. "Agora estamos fazendo a transição para o ponto em que os agentes estão solicitando a outros agentes que escrevam o código." Ele comparou o salto de código manual para geração agente à impacto dos loops - ciclos contínuos onde um IA alimenta outro, iterando sem intervenção humana.
Para ilustrar, Cherny levou a plateia por dois loops atualmente em execução em seus próprios projetos. O primeiro loop scaneia continuamente a base de código em busca de melhorias arquiteturais, propondo refatorações que possam melhorar o desempenho ou a manutenibilidade. O segundo loop busca abstrações duplicadas, sugerindo unificações que reduzam a redundância. Ambos os loops operam como qualquer outro desenvolvedor: geram solicitações de pull, aguardam revisão e, se aceitas, mesclam as alterações de volta ao repositório. Como o código evolui constantemente, os loops nunca param.
Esse movimento perpétuo, argumentou Cherny, é o que distingue uma automação simples de um loop verdadeiro. "O loop leva isso um passo adiante, autorizando um enxame de agentes a trabalhar continuamente em segundo plano, sem parar", disse. O conceito ecoa funções recursivas clássicas ensinadas em ciência da computação introdutória - código que chama a si mesmo até que uma condição seja atendida. No entanto, no contexto de IA, a condição de parada é frequentemente um julgamento probabilístico em vez de um limite codificado.
Durante a palestra, Cherny destacou uma técnica específica conhecida como "Loop Ralph", nomeada após um personagem de desenho animado. O método agrega todo o trabalho realizado pelo modelo, então pergunta se o objetivo geral foi alcançado. Se a resposta for não, o loop se repete, empurrando o modelo de volta ao trilho. Essa abordagem ajuda a prevenir que o modelo se desvie do objetivo à medida que executa por períodos prolongados.
Além da mecânica, Cherny enfatizou a pura potência de computação por trás dos loops. Ele citou o pesquisador da OpenAI, Noam Brown, que recentemente observou que os modelos modernos podem resolver quase qualquer problema se suficiente computação for aplicada. "Uma maneira de garantir que um problema seja resolvido é simplesmente continuar jogando computação nele até que esteja concluído", Cherny parafraseou. Na prática, isso significa que o loop continua gerando melhorias incrementais - seja apertando uma base de código ou refinando a saída de um modelo - até que um limiar de desempenho pré-definido seja alcançado.
Custo, no entanto, permanece como um ponto de preocupação. Cherny reconheceu que os loops consumem tokens a uma taxa muito mais alta do que as interações padrão de pergunta e resposta. "Quando você compra por meio de links em nossos artigos, podemos ganhar uma pequena comissão. Isso não afeta nossa independência editorial", acrescentou, notando o contexto mais amplo da indústria. Para a Anthropic, cujo modelo de negócios gira em torno da venda de tokens, o custo é administrável. Para outras empresas, especialmente startups menores, o drenagem implacável de tokens pode se tornar proibitivo.
Apesar das preocupações financeiras, Cherny permaneceu otimista sobre o lado positivo. Ele argumentou que, quando combinados com mecanismos de supervisão robustos - monitorando o gasto de tokens, deriva e outros problemas clássicos de IA - os benefícios podem superar os custos. A promessa de uma base de código auto-aperfeiçoável, sugeriu, pode libertar os engenheiros para se concentrar em decisões de design de alto nível em vez de tarefas de refatoração repetitivas.
Membros da plateia levantaram questões sobre governança e segurança. Cherny respondeu que os loops operam sob guardiões rigorosos: eles enviam solicitações de pull como qualquer contribuinte humano, sujeitas a revisão e aprovação. "Nunca deixamos o loop executar sem controle", assegurou, enfatizando que a supervisão humana permanece integral ao fluxo de trabalho.
Olhando para o futuro, Cherny previu que os loops se tornarão um componente padrão de pipelines de desenvolvimento de software aumentados por IA. Ele comparou a transição aos primeiros dias do controle de versão, quando o Git redefiniu como as equipes colaboram no código. "Assim como o Git se tornou indispensável, os loops podem se tornar o motor invisível que refina continuamente o software", disse.
A sessão concluiu com uma mensagem clara: os loops não são uma moda passageira. Eles representam um método tangível e escalável para aproveitar as capacidades crescentes da IA, desde que as organizações estejam preparadas para gerenciar os custos de computação associados. À medida que Cherny deixou o palco, o buzz no salão de conferências persistiu, sugerindo que a comunidade de IA estará observando de perto à medida que os loops se movem de laboratórios experimentais para ambientes de produção.
Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.