IA Compendium — Search Configuration

Camadas de pesquisa específicas do topic IA consumidas por /k-compendium ia. Estrutura genérica do comando (Passos 00.5123456) vive em `metacontextcommandsk-compendium.md`.

Topic metadata

topic: ia
display_name: AI / Artificial Intelligence
update_frequency: weekly
timeline: ../IA_Volume_Completo.kmd

Passo 1 — Pesquisa de conteúdo novo

A pesquisa acontece em quatro camadas. Execute sempre nesta ordem: Camada 0 primeiro (sozinha), depois Camadas A, B e D em paralelo.

Importante: muitos papers e relatórios técnicos relevantes nunca chegam ao arXiv — são publicados diretamente em blogs, HuggingFace, GitHub ou sites dos labs. A Camada B garante que esses itens não sejam perdidos. A Camada 0 garante que nenhuma tendência ou ator novo passe despercebido. A Camada D garante que linhas de pesquisa alternativas ao mainstream LLM-transformer continuem sendo monitoradas — sem ela, o compendium tende a virar uma enciclopédia exclusiva de transformers.

Camada 0 — Descoberta ampla (executar primeiro, sozinha)

Objetivo: Capturar o que não se sabe que não se sabe — novas empresas, novas abordagens, novos paradigmas, novos recursos de IAs existentes, novos sites de referência, tendências emergentes. Antes das buscas específicas, é preciso saber o que mudou no panorama geral.

Lance estas buscas em paralelo:

Após a Camada 0:

• Liste tudo que foi encontrado e que NÃO estava no compendium ou nas camadas A/B planejadas
• Identifique novos labs ou modelos que devem ser adicionados à Camada B de buscas futuras
• Identifique novos domínios que podem precisar de novos arquivos no compendium
• Só então passe para as Camadas A, B e D

Camada A — Por domínio temático

Lance pesquisas paralelas cobrindo os últimos 90 dias por área de conhecimento:

Camada B — Por lab de IA (obrigatória)

Para cada lab abaixo, busque explicitamente qualquer modelo, paper, relatório técnico ou blog post publicado nos últimos 90 dias. Não assuma que já apareceu na Camada A — muitos labs publicam fora do arXiv.

Labs estabelecidos (frontier):

Labs emergentes e especializados:

Labs especializados em código, raciocínio e ciência:

Onde buscar além do arXiv:

• huggingface.co/papers — papers novos curados pela comunidade
• huggingface.co/<lab-name> — model cards e relatórios técnicos
• Blogs oficiais dos labs
• Simon Willison's Weblog (simonwillison.net) — cobre releases rapidamente
• The Batch (deeplearning.ai) — compilado semanal
• Papers With Code (paperswithcode.com) — novos SOTAs com código

Camada D — Linhas de pesquisa alternativas ao mainstream (obrigatória)

Objetivo: garantir que paradigmas que não cabem no eixo "transformer + escala + RLHF" não fiquem esquecidos. O mainstream de IA progride rápido e tende a abafar linhas de pesquisa que podem virar relevantes quando o gargalo muda (memória, energia, edge, interpretabilidade, raciocínio simbólico, dados escassos).

Estrutura: Camada D tem duas partes:

1. D-disc (descoberta) — busca explícita por linhas novas que ainda não estão na tabela; executa primeiro
2. D1-D16 (monitoramento) — atualização das linhas já catalogadas; executa depois da D-disc, em paralelo entre si

Como usar: lance D-disc primeiro (paralelo entre si, sozinha). Depois lance D1-D16 + novas linhas descobertas em D-disc + Camadas A e B em paralelo. Cobertura últimos 90 dias. Toda novidade encontrada → roteamento obrigatório para o arquivo do compendium listado na última coluna; se não couber em nenhum, propor novo arquivo no Passo 2.

D-disc — Descoberta de linhas novas (executar primeiro)

Busca dedicada para capturar paradigmas que ainda não estão na tabela D1-D16. Sem essa etapa, Camada D vira só "vigilância sobre o que já sabemos" e perde alternativas radicais emergentes — que é exatamente o tipo de coisa que costuma surgir fora do radar mainstream.

Pós-processamento de D-disc:

1. Listar todos os hits que não se encaixam em nenhuma linha D1-D16 nem em nenhum arquivo existente do compendium.
2. Para cada hit candidato a "linha nova":
   • Confirmar via 2 buscas adicionais (lab/autor + termo técnico próprio) que existe corpo de pesquisa (não é one-paper-wonder).
   • Se confirmado → propor nova linha D17+ na tabela monitoring + propor novo arquivo no Passo 2 (categoria de destino: 02-arquiteturas/paradigmas-alternativos.md por default; novo .md só se for substancial o bastante).
3. Para cada hit que é variação de linha existente → roteamento normal pelo arquivo-destino dessa linha.

Heurística para "linha nova qualificada":

• Tem ≥ 2 papers ou ≥ 1 paper + 1 lab/empresa rodando
• Tem nome próprio (não é só "extensão de X")
• Endereça um trade-off que linhas D1-D16 não endereçam (ex: nova dimensão de eficiência, nova classe de hardware, novo princípio de aprendizado)

Anti-padrão a evitar: não criar linha nova só porque saiu "Mamba-3" ou "JEPA-3" — isso é update de linha existente (D1 ou D4). Linha nova = paradigma com vocabulário próprio e comunidade própria.

D1-D16 — Monitoramento de linhas já catalogadas

Regras de roteamento:

• Update incremental (novo modelo / nova variante / novo resultado) → editar arquivo existente.
• Paradigma totalmente novo que não cabe em nenhum dos arquivos → propor novo .md no Passo 2 e adicionar nova linha (D17+) a esta tabela neste arquivo.
• Se uma linha não produzir resultado novo em 3 ciclos consecutivos, marcar com [DORMENTE] na próxima execução (não remover — só reduzir prioridade de leitura).

Fontes preferenciais para Camada D (complementares ao arXiv):

• frontiersin.org/journals/neuroscience (neuromorphic, SNN)
• direct.mit.edu/neco (Neural Computation)
• Workshops específicos: NICE (Neuro-Inspired Computational Elements), NeurIPS Neuro4ML, ICLR Re-Align
• Blogs: Numenta, Liquid AI, Anthropic interpretability, VERSES research