Terminei o The Infinity Machine, de Sebastian Mallaby, a 5 de agosto. Antes de o dia acabar, o livro ganhou um epílogo inesperado.

Demis Hassabis anunciou que iria entregar a operação diária da Google DeepMind a Koray Kavukcuoglu. Assume as funções de Chair da Google DeepMind e de Chief Scientist da Alphabet, mantendo-se envolvido na estratégia de AGI e à frente da Isomorphic Labs.

O flip-flop da Figura 1 foi gerado pelo LibreCell, um gerador de layout open-source, num processo CMOS comercial de 180 nm. O contorno a tracejado ao lado mostra o espaço exato que ocupa a célula equivalente, desenhada à mão por um engenheiro de layout profissional para uma biblioteca de standard cells de produção usada como referência interna. Essa célula não vos posso mostrar (é propriedade intelectual de produção, e é também por isso que os layouts gerados aparecem pixelizados), mas o contorno diz o essencial. Ao fim de dezoito fases de trabalho documentadas, a biblioteca gerada ocupa 1,04× a área da versão desenhada à mão, com exatamente a mesma altura de linha e sem uma única violação de LVS.

Estava a ouvir Money Talks, o podcast do The Economist sobre o próximo IPO da SpaceX, quando um dos convidados disse algo que me fez pausar o episódio. O Starship, afirmaram, vai aumentar a capacidade da SpaceX de colocar carga em órbita por um factor de 25.000.

Vinte e cinco mil vezes.

O IPO será o maior da história, por uma margem considerável. A aposta é que o Starship viabiliza centros de dados no espaço e, eventualmente, uma cidade de um milhão de pessoas em Marte. Se isso te parece inspirador ou delirante depende do que já pensas sobre Elon Musk. Mas há uma segunda questão por baixo, que nada tem a ver com Musk: o que acontece quando uma empresa constrói um desempenho muito superior ao que o seu mercado precisa?

Uma placa gráfica e a troca do CPU transformaram um servidor homelab compacto e silencioso numa máquina de inferência de IA, sem substituir a carcaça nem exceder os 180 W da fonte de alimentação. A indexação de 15.000 fotografias passou de cerca de uma hora para menos de dez minutos. A geração de embeddings de um livro de 400 páginas passou de três minutos para vinte segundos. O obstáculo: encaixar uma GPU e um CPU mais rápido dentro de um balanço de consumo de 180 W exige aplicação por software, não apenas uma seleção de hardware cuidadosa.

Ler The NVIDIA Way é uma viagem ao passado. No final dos anos 1990, eu acompanhava os lançamentos de placas gráficas com a atenção que a maioria das pessoas reserva para os resultados desportivos. 3dfx, S3, Matrox, ATI. Marcas que há muito desapareceram, foram absorvidas, ou se tornaram irrelevantes. Placas que na altura pareciam lendárias: a Voodoo, a Voodoo2, a Banshee. As guerras eram reais, os riscos pareciam enormes, e o salto entre gerações era suficientemente grande para que uma atualização transformasse genuinamente o que o computador conseguia fazer.

O Que é um Segundo Cérebro?

O termo foi popularizado por Tiago Forte em Building a Second Brain: a ideia é delegar o trabalho de memorizar, relacionar e recuperar informação a um sistema externo, para que o cérebro biológico possa concentrar-se em pensar em vez de armazenar.

Na prática, isto significa manter uma coleção estruturada e pesquisável de notas, registos de reuniões, planos de projeto, ideias e referências — tudo num só lugar e consistentemente organizado. O framework mais comum é o PARA: Projetos (trabalho ativo e com prazo), Áreas (responsabilidades contínuas), Recursos (material de referência) e Arquivos (itens concluídos ou inativos). O Obsidian é uma das ferramentas mais populares para o implementar, porque armazena tudo como ficheiros markdown simples que pertencem totalmente ao utilizador, liga notas de forma bidirecional e funciona sem ligação à internet.

Sobre esta edição

Publicar uma edição web do meu relatório de tese de mestrado foi um projeto que tenho vindo a adiar nos últimos anos. Finalmente, tive tempo para trabalhar nele. Este relatório foi entregue há quase 7 anos - no momento em que escrevo - em junho de 2010.

Processamento de áudio com Python

Introdução

O tempo estava mau hoje. Por isso fiquei em casa e decidi aprender algo novo. Lembro-me de estudar filtros digitais na faculdade e era de alguma forma aborrecido. Na altura não era tão fácil criar exemplos úteis e práticos.

Felizmente hoje em dia existe Python e é realmente fácil brincar com processamento de som como pode ser visto nesta página.

A maior parte do código encontrado nesta página foi criado usando fragmentos encontrados na internet.

1. Introdução

Quando comecei a aprender SystemC-AMS, um dos primeiros circuitos que decidi implementar foi um Phase Locked Loop. A razão para isto é porque tive uma experiência a simular um PLL de 2.4GHz enquanto era membro do Grupo de Estudantes de Microelectrónica, e apercebi-me de como é difícil simular tal circuito, especialmente quando a frequência de saída e a frequência de referência estão várias ordens de grandeza separadas. O simulador tem de usar um passo de tempo pequeno para acomodar a frequência mais alta, mas ao mesmo tempo, o PLL vai demorar um tempo relativamente longo a bloquear e atingir o estado estacionário.