Não acredito que eles realmente enviaram 😂 Um $20, do tamanho 🦞 de uma tampa de garrafa, no seu bolso 🔥

Isso é muito legal (e louco): Cientistas simularam uma célula viva completa pela primeira vez. Cada molécula, cada reação, desde a replicação do DNA até a divisão celular. O artigo (Luthey-Schulten et al., Cell 2026, ), lançado recentemente hoje, usou JCVI-Syn3A — uma bactéria mínima sintética com menos de 500 genes. Uma simulação 3D+tempo do ciclo celular completo de 105 minutos: replicação do DNA, tradução de proteínas, metabolismo, divisão. Cada gene, proteína, RNA e reação química rastreada pelo espaço físico. Levou anos para construir. Múltiplas GPUs. Seis dias de tempo de computação por execução. E essa é a célula mais simples possível. Uma célula humana tem ~20.000 genes. Ela vive em tecido. Ela interage com vizinhos. Isso diferencia. Ele responde aos medicamentos de maneiras que dependem do contexto que ainda não medimos completamente. A simulação mecanicista da célula mínima custa 6 GPU-dias para 105 minutos de biologia. Você não pode escalar isso para células humanas. A complexidade não é 40 vezes maior. É exponencialmente mais difícil. É por isso que o campo migrou para modelos orientados por dados. Você não pode codificar manualmente a fiação regulatória de um hepatóto humano. Mas você pode aprendê-la — se tiver os dados certos de perturbação coletados em contextos biológicos diversos o suficiente. As duas abordagens não estão competindo. Artigos como este geram a verdade fundamental que futuros modelos de ML precisam para validação. Mas o caminho para uma célula virtual clinicamente útil passa por modelos de fundação, não pela ampliação da simulação mecanicista. Trabalho incrível!

Provavelmente este é o primeiro trabalho de RL sobre OpenClaw 🔥 MetaClaw: Apenas converse com seu agente e deixe a evolução automática. Github: A maioria dos agentes de IA fica congelada no momento em que embarca. Cada erro que eles cometerem, vão cometer de novo amanhã. MetaClaw resolve isso. É uma camada de RL online construída sobre o OpenClaw que permite aos agentes aprender com suas próprias interações — sem cluster de GPU, sem conjunto de dados offline, sem equipe de engenharia necessária. O ciclo é simples: toda conversa é registrada como uma trajetória de treinamento. Quando o agente falha, ele analisa o que deu errado e propõe uma nova habilidade reutilizável. O LoRA atualiza o train de forma assíncrona em segundo plano. Na próxima vez que uma situação semelhante ocorrer, a habilidade relevante é automaticamente recuperada no prompt. O agente não apenas acumula conversas. Ele acumula capacidade. O que diferencia isso do ajuste fino: não há pipeline de rotulagem humana, nem execuções de treinamento em lote, nem ciclo de implantação. A melhoria acontece continuamente e invisivelmente na produção. Interação → aprendizado → melhoria, em um ciclo. Sem conjunto de dados offline. Não é necessário programar. Sem cluster de GPU. A parte que vale a pena prestar atenção: isso transforma toda interação do usuário em um sinal de treinamento. O agente que você envia no primeiro dia não é o que você tem no dia trinta. Foi moldado por tudo que errou e corrigiu. Ótimo trabalho de @HuaxiuYaoML!