Mini Taiwan Pulse: com olhar curatorial, Taiwan se transforma em um mapa que respira

Em certo dia do início de 2026, um analista de dados chamado Migu converteu um arquivo CSV em GeoJSON e o arrastou para uma ferramenta chamada Kepler.gl no navegador. Sem escrever uma única linha de código, viu surgir na tela seu primeiro mapa de Taiwan.

Na universidade, ele havia estudado planejamento urbano e tido algum contato com GIS — sistema de informações geográficas, ou, em termos simples, uma ferramenta que permite situar dados em um mapa. Depois de entrar no mercado de trabalho e seguir pela área de análise de dados, passou muito tempo sem voltar a trabalhar com mapas. Naquele dia, ao arrastar o CSV para o Kepler.gl e ver Taiwan tomar forma na tela, uma surpresa muito simples lhe veio à mente:

“Então Taiwan tem tantos dados assim; e transformá-los em um mapa não é difícil.”¹

A frase não parece nada de extraordinário. Mais tarde, porém, ela se tornaria a semente de todo um sistema.

Visão geral em 30 segundos: desde o fim de 2025, Migu — ianlkl11234s no GitHub — criou mais de uma dezena de projetos de visualização com dados abertos de Taiwan. O mais popular, mini-taiwan-pulse, acumulou 375 estrelas no GitHub e sobrepõe cinco tipos de dados em tempo real — céu, oceano, terra, ruas e coleta de resíduos — em um único mapa animado². Mas, em uma palestra para a comunidade sciwork em junho de 2026, ele expôs o problema sem rodeios: só o governo central de Taiwan disponibiliza cerca de 50 mil conjuntos de dados abertos, dispersos ainda por plataformas de mais de vinte condados e municípios. “O cérebro humano não consegue examinar tudo.” Sua resposta não foi pedir que mais pessoas ajudassem nessa triagem, mas entregar todo o acervo a um sistema orquestrado por agentes de IA, capaz de crescer por conta própria, enquanto os seres humanos se limitam a formular as perguntas e validar os resultados³.

Este artigo trata do caminho percorrido por uma pessoa: da ingenuidade de arrastar um arquivo CSV até a decisão de deixar que um sistema crescesse em seu lugar.

Como o GitHub de uma pessoa se transformou em uma galáxia

Se considerarmos apenas o mini-taiwan-pulse, é fácil imaginar Migu como um engenheiro amador: alguém que, inspirado em um fim de semana, criou uma demonstração que por acaso se tornou viral.

Essa imagem está errada em dois aspectos.

Primeiro, ele fez muito mais que um único projeto. Ao abrir seu GitHub, vê-se que, desde dezembro de 2025, ele vem publicando visualizações de dados abertos de Taiwan em profusão. O primeiro foi uma prova de conceito sobre a área de cobertura dos ônibus. Depois, no fim de dezembro, um projeto de aprendizagem chamado mini-taiwan-learning-project tornou-se popular antes dos demais e hoje soma 189 estrelas. Em fevereiro, vieram a visualização de posições de navios em tempo real por AIS e o flight-arc-graph, que desenha cada trecho de pouso e decolagem como um arco e chegou a 56 estrelas. Só no fim de fevereiro nasceu o mini-taiwan-pulse, seguido por um atlas ferroviário da Taiwan Railways, órbitas de satélites, imagens de câmeras de segurança em tempo real, o painel situacional mini-taiwan-info, que reúne todos esses dados, e muitos outros projetos, em uma sequência que avançou até junho². Mais de uma dezena de repositórios passou a formar um conjunto ao qual ele próprio deu o nome de galáxia “Mini Taiwan”.

Outro integrante da galáxia, o Mini Taiwan Info, reúne dados abertos dispersos em um painel de monitoramento situacional: população, transporte ferroviário, navegação, recursos hídricos, combate a incêndios e saúde, com um tema por página. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Quando os projetos são ordenados pelo número de estrelas, fica claro que não foi apenas um deles que se destacou.

O segundo equívoco está escondido nas palavras “uma pessoa”. Voltaremos a isso mais adiante. Primeiro, vejamos como a galáxia tomou forma.

O mesmo método, do metrô ao Sistema Solar

O próprio projeto principal também continuou crescendo. A primeira versão do mini-taiwan-pulse tinha três camadas: céu, oceano e terra. Na versão apresentada na palestra, já havia “cinco pulsos em movimento conjunto”: aviões no céu, navios no oceano, trens em terra, ônibus nas ruas e caminhões de coleta de lixo. Cinco tipos de dados em tempo real, atualizados em frequências diferentes, foram sobrepostos em um único mapa que respira. Segundo Migu, foi a primeira vez que o projeto “evoluiu de um JSON estático para um banco de dados espaço-temporal”³. Apenas a camada das ruas, afirmou, estava conectada a mais de 5.700 ônibus do TDX, com a posição de cada veículo atualizada a cada 30 segundos.

O “DAY 0” de sua palestra: ao converter um arquivo CSV em GeoJSON e arrastá-lo para o Kepler.gl, ele obteve o primeiro mapa de Taiwan sem escrever nenhuma linha de código. Foi o ponto de partida de toda a galáxia. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

A primeira centelha dessa galáxia foi uma visualização ferroviária de Taipé que ele chamou de “Mini Taipei”. Migu sobrepôs em um mapa animado três sistemas ferroviários — metrô, Taiwan Railways e trem de alta velocidade —, com os veículos circulando de acordo com os horários programados. Segundo ele, foi naquele momento que “experimentou o encanto do movimento”: havia mais de trezentos trens em circulação simultânea na tela³. Uma tabela de horários estática transformou-se, assim, na respiração de uma cidade.

Mini Taipei: metrô, Taiwan Railways e trem de alta velocidade aparecem juntos, com mais de trezentos trens circulando segundo os horários programados. Segundo Migu, foi a primeira vez que “experimentou o encanto do movimento”. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

A partir daí, como se tivesse ficado viciado, ele passou a aplicar o mesmo método de “transformar dados em movimento” a escalas cada vez maiores. No mar, conectou-se às posições AIS em tempo real da Administração Marítima e Portuária e usou esferas luminosas azul-esverdeadas, acompanhadas por rastros em gradiente dos trinta minutos anteriores, para mostrar o destino dos navios nas águas ao redor de Taiwan.

O pulso do oceano: posições AIS em tempo real da Administração Marítima e Portuária, com esferas azul-esverdeadas e rastros em gradiente dos trinta minutos anteriores, mostram os navios nas águas ao redor de Taiwan. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Depois, ele levou o mesmo método para além da Terra. Com parâmetros orbitais TLE públicos, estimou a posição de satélites, desenhou suas trajetórias sobre Taiwan e, em seguida, estendeu o trabalho a todo o Sistema Solar. Na apresentação, foi direto: “O mesmo método pode ser ampliado indefinidamente, desde que existam dados.”³ É nesse momento que se percebe que sua verdadeira fascinação está em “transformar dados em algo visível”. O mapa foi apenas sua primeira forma.

O mesmo método levado para além da Terra: parâmetros TLE públicos são usados para calcular órbitas de satélites, com uma extensão posterior para todo o Sistema Solar. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Sobrepor ilhas de dados: as lacunas aparecem sozinhas

Aos poucos, o que merecia atenção deixou de ser apenas “pontos em tempo real que se movimentam” e passou a ser “a sobreposição de dados originalmente desconectados, fazendo as lacunas aparecerem por conta própria”. Alguns projetos dessa galáxia são dedicados exatamente a isso. Um deles, chamado por Migu de “Agricultura × Água”, sobrepõe em um único mapa as ilhas de dados de três áreas governamentais — agricultura, recursos hídricos e prevenção de desastres —, reunindo terras agrícolas, rios, canais, diques e áreas suscetíveis a inundações. Para que essa visualização funcionasse no navegador, ele usou o formato PMTiles com requisições HTTP por intervalo, reduzindo um conjunto de 400 MB a cerca de 5 MB efetivamente carregados pelo navegador³.

Agricultura × Água: as ilhas de dados de três áreas governamentais — agricultura, recursos hídricos e prevenção de desastres — são reunidas em um mapa com terras agrícolas, rios, canais, diques e áreas suscetíveis a inundações. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Outro projeto sobrepõe hospitais, clínicas, farmácias, desfibriladores externos automáticos (AED) e unidades de cuidados prolongados à densidade populacional, acrescentando isócronas. Segundo ele, isso permite “ver a acessibilidade e também os desertos de assistência médica”: lugares em que a população está a uma distância excessiva do recurso de saúde mais próximo.

Recursos de saúde: hospitais, clínicas, farmácias, AED e unidades de cuidados prolongados são sobrepostos à população e complementados com isócronas para “ver a acessibilidade e também os desertos de assistência médica”. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Na área de desastres, ele foi ainda mais minucioso: dados com frequências de atualização diferentes — ecos de radar, níveis de reservatórios, precipitação e alertas de desastre — são unificados internamente em uma única linha do tempo. Quando o usuário a arrasta, todas as camadas reproduzem o passado em sincronia. Onde uma tempestade começou, como o reservatório subiu e quando o alerta foi emitido passam a formar uma cadeia causal em uma única tela.

Chuvas intensas e desastres: ecos de radar, reservatórios, precipitação e alertas são unificados internamente em uma única linha do tempo; basta arrastá-la para reproduzir todas as camadas em sincronia. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Há também o flight-arc, que representa cada trecho de pouso e decolagem como um arco. A mesma API, alimentada com dados de aeroportos diferentes, faz surgir uma “impressão digital” própria para cada um: Taoyuan, Haneda em Tóquio e Frankfurt assumem formas distintas. Migu destacou especialmente o aeroporto de Atlanta, o mais movimentado do mundo, onde cinco pistas paralelas e os circuitos de espera produzem uma geometria “parecida com uma pista de corrida”. Segundo ele, aquela imagem continha 1.839 trajetórias³.

O flight-arc sobrepõe todos os pousos e decolagens do aeroporto de Atlanta durante determinado período: cinco pistas paralelas e circuitos de espera desenham uma geometria semelhante a uma pista de corrida. Segundo Migu, o próprio fluxo é uma forma. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

📝 Nota do curador
Dois anos atrás, se alguém dissesse que “uma pessoa criou o mapa em tempo real mais completo dos dados abertos de Taiwan”, a resposta seguinte provavelmente seria: “Então ela deve estar exausta.” Essa intuição vincula escala e mão de obra: quanto maior a produção, maior o desgaste humano. A galáxia de Migu merece atenção justamente porque rompeu esse vínculo. Uma pessoa avançava simultaneamente em mais de uma dezena de repositórios, enquanto o projeto principal continuava ganhando funcionalidades. Por trás disso havia uma mudança mais fundamental: nas fases posteriores, uma parcela cada vez maior dos commits não era escrita pelas próprias mãos de Migu. Como essa “uma pessoa” passou a existir é a verdadeira questão deste artigo.

Cinquenta e dois mil oitocentos e noventa e um conjuntos: o cérebro humano não consegue examinar tudo

Até aqui, a história parece relativamente linear: uma pessoa talentosa produz cada vez mais e cada vez melhor. A virada ocorre no meio da palestra, quando Migu deixa de falar sobre “o que eu fiz” e começa a explicar “contra que parede eu bati”.

Ele apresentou um slide intitulado “Por que usar OSINT agêntica”. Nele, um número ocupava lugar de destaque: cerca de 52.891 conjuntos de dados no data.gov.tw. Somadas as plataformas de dados abertos dos 22 condados e municípios, haveria cerca de 60 mil ou 70 mil conjuntos, incluindo duplicatas. E isso ainda não incluía os dados mantidos por organizações privadas, ONGs e instituições acadêmicas que não aparecem nos catálogos governamentais. Sua conclusão foi curta:

“O cérebro humano não consegue examinar tudo.”³

Esse é o eixo de toda a história. A pessoa que, na primeira metade, arrastava um CSV e exclamava “Então há tantos dados assim” agora se deparava com o outro lado dessa abundância. Mesmo que alguém lesse cem dos mais de 50 mil conjuntos do data.gov.tw por dia, levaria mais de quinhentos dias consecutivos para percorrer uma única vez apenas esse catálogo central. Há dados demais para uma pessoa ler durante toda a vida, muito menos para fazê-los conversar entre si. O esforço individual encontra aqui seu teto.

O que Migu realmente compreendeu está na frase seguinte. Para ele, a impossibilidade de examinar tantos dados era um sinal de que era preciso mudar de ferramenta:

“Os dados precisam ser visíveis para o LLM; só então o agente poderá ajudar você a descobrir ‘quais dados devem ser observados em conjunto’.”³

A expressão decisiva é “observados em conjunto”. Mesmo que alguém decorasse o nome dos 50 mil conjuntos de dados, dificilmente concluiria, apenas com base na memória, que um “mapa de risco de incêndio” deve ser combinado com “áreas de difícil acesso para resgate”, ou que “localização de hospitais” precisa ser sobreposta à “densidade populacional” para revelar desertos de assistência médica. O valor dos dados não está em cada conjunto isolado, mas em suas combinações; e o número de combinações possíveis entre 50 mil conjuntos alcança uma escala astronômica. É justamente aí que o cérebro humano não dá conta, mas as máquinas se destacam.

📝 Nota do curador
A narrativa habitual sobre dados abertos estabelece uma divisão clara de responsabilidades. Depois do hackathon “Escrever programas para transformar a sociedade”, realizado na Academia Sinica em 2012, o g0v demonstrou isso de maneira exemplar: o governo abre os dados, e a comunidade cívica faz com que eles sejam vistos. Em 2020, no mapa de máscaras, Wu Chan-wei e seus colaboradores transformaram, em 72 horas, os dados de estoque da Administração Nacional de Seguro de Saúde em um mapa acessível a toda a população. Foi uma das manifestações mais comoventes dessa divisão⁴. A narrativa antiga colocaria Migu como sua continuação: se o g0v era um coletivo, ele seria a versão individual do mapa de máscaras.

Mas essa comparação permanece na superfície e ainda inverte a causalidade. O motivo pelo qual Migu consegue, sozinho, aproximar-se da escala de “toda uma galáxia de dados” não é sua força de trabalho. Desde o início, ele não pretendia enfrentar o oceano de dados por meio de trabalho braçal exaustivo. Em vez de interpretar “o cérebro humano não consegue examinar tudo” como uma admissão de derrota, é melhor entendê-la como o ponto de partida para a substituição de todo o seu modelo de trabalho. A verdadeira novidade não é “indivíduo versus coletivo”, mas “indivíduo × agente”: uma pessoa só alcança a escala de uma galáxia porque nem todos os commits foram digitados por ela. É assim que esse sistema funciona.

Não escrevi uma palavra: um pipeline de incêndios que se executa sozinho

A melhor forma de compreender o significado de “entregar aos agentes” é examinar o exemplo dos incêndios apresentado na palestra.

Migu disse que forneceu ao sistema apenas uma frase: “Analise os dados públicos relacionados a incêndios em Taiwan.” Depois, deixou-o trabalhar.

O sistema começou a expandir sozinho o escopo da busca. Migu descreveu o processo por meio de uma sequência crescente de números: primeiro, 582 resultados por palavras-chave; depois, 1.945 resultados com a expansão por sinônimos e temas; em seguida, busca complementar de texto integral e eliminação de duplicatas; por fim, um catálogo unificado com 73.900 registros provenientes de 21 plataformas³. Uma frase entrou; um inventário de mais de 70 mil registros saiu.

A coleta não encerrou o processo. Em seguida, o pipeline dividiu os incêndios em seis etapas — prevenção, resposta, notificação, análise da origem, perdas e relatórios — e as cruzou com os 22 condados e municípios para produzir uma matriz de cobertura. O levantamento chegou a encontrar recursos locais, como mapas de risco de incêndio de Hsinchu, áreas de difícil acesso para resgate em Taipé e operações de salvamento nos reservatórios de irrigação de Taoyuan. Também indicou com franqueza as lacunas: não havia uma API de incêndios em tempo real, as coordenadas de ocorrências individuais eram escassas e os dados de acompanhamento pós-desastre não eram públicos.

Depois veio a análise. Migu mostrou um relatório sobre as causas de incêndios produzido pelo próprio sistema: com base em 15.405 registros nacionais do ano 113 do calendário da República da China, os fatores elétricos eram a principal causa na cidade de Nova Taipé, com 30,9%; no condado de Pingtung, eram as pontas de cigarro, com 35,2%³. Esses números foram produzidos por agentes que conectaram APIs de diferentes fontes, conforme a captura de tela apresentada por Migu, e não por cálculos manuais realizados registro por registro.

Nesse momento, ele exibiu no slide uma frase com espaços deliberados entre as palavras, como se temesse que o público não a percebesse:

“Pipeline produzido automaticamente. Eu não escrevi uma única palavra.”³

Essa frase foi o ponto de ignição da palestra. Ela transformou a ideia um tanto abstrata de “entregar aos agentes” em um fato concreto e quase inquietante: entre uma única frase, um catálogo com mais de 70 mil registros e um relatório de causas dividido por condado e município, o lugar normalmente ocupado por uma pessoa — dando instruções, escrevendo scripts, limpando dados e executando análises — estava vazio.

O inventário temático de incêndios apresentado por Migu na sciwork 2026: ao receber a frase “Analise os dados públicos relacionados a incêndios em Taiwan”, o sistema expandiu sozinho a busca e consolidou dados de várias plataformas em um catálogo unificado. Segundo ele, nesse pipeline, “eu não escrevi uma única palavra”. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Quatro etapas substituíveis: os dados entram, o relatório se envia sozinho

O pipeline de incêndios é apenas um recorte de todo o sistema. Ele é dividido em quatro etapas: recepção de dados, integração de conhecimento, geração de análises e acionamento de ações. Migu enfatiza que “cada etapa pode ser substituída isoladamente, sem reconstruir o sistema inteiro”. A própria camada inferior, de recepção dos dados, evoluiu ao longo do tempo. No início, ele acessava manualmente o data.gov.tw, baixava arquivos Excel, lia-os e os armazenava por conta própria; o gargalo era a “memória humana”. Na fase intermediária, passou a procurar APIs na internet, coletar relatórios em PDF e extrair dados das plataformas de cada condado e município, mas o problema era a “falta de um índice”. Agora, os metadados de cada conjunto são padronizados e armazenados em um catálogo SQLite, que pode ser consultado e ampliado automaticamente³. O sistema conta com mais de quarenta coletores de dados: YouBike, ônibus, tráfego nas rodovias nacionais, horários da Taiwan Railways, AIS de navios, satélites meteorológicos, terremotos, níveis de reservatórios e qualidade do ar. Segundo Migu, três falhas consecutivas acionam imediatamente um alerta no Telegram, enquanto uma revisão diária é enviada ao seu e-mail todas as manhãs, às nove horas³.

Na última etapa, o “acionamento de ações”, ele descreve com maior clareza o papel humano: “O agente executa o ciclo inteiro. Papel dos seres humanos: definir o objetivo e receber o relatório. As cinco engrenagens intermediárias giram sozinhas: descoberta, coleta, integração, produção e monitoramento.” O sistema chega a gerar automaticamente um boletim semanal de “novos dados abertos desta semana”. Nas palavras de Migu: “Os temas surgem sozinhos; os relatórios chegam sozinhos à caixa de entrada.”³

Um comandante e uma série de painéis: a frota de Claude no tmux

É fácil tratar a afirmação de que “o agente executa o ciclo inteiro” como mero discurso de marketing. No trecho final da palestra, Migu levantou a tampa e mostrou como eram as engrenagens internas. A estrutura revelou-se muito mais concreta — e mais honesta — do que o slogan.

Primeiro, vejamos o ciclo inteiro. Segundo Migu, seu sistema GIS consiste em “um núcleo de orquestração que conecta uma série de repositórios independentes, pelos quais os agentes passam em sequência”. Primeiro, eles entram no repositório responsável pela exploração para identificar os dados que valem a pena; depois, seguem para o repositório de coleta, que incorpora esses dados; por fim, entram em repositórios de apresentação, como mini-taiwan-pulse ou mini-taiwan-info, para desenhar os mapas. Sua descrição é precisa: “Cada estação é um repositório independente; a camada de orquestração cuida apenas do progresso e das decisões, enquanto o trabalho fica nas mãos dos workers de cada repositório.”³

Ele chama esse núcleo de Orchestrator. Em essência, trata-se de “uma sessão do Claude”. Esse agente principal trabalha como um supervisor: lê um documento de proposta, divide as tarefas, ordena suas dependências e dá início ao trabalho.

A forma de iniciar esse trabalho é a etapa central da arquitetura. Migu não deixa uma única IA cuidar de tudo do começo ao fim. Em vez disso, usa o tmux — uma ferramenta antiga que divide o terminal em vários painéis independentes — para isolar o trabalho. Nas palavras dele: “Um Orchestrator, um grupo de Workers. O agente principal é uma sessão do Claude; o tmux cuida do isolamento, e cada Worker tem seu próprio painel e sua própria sessão.” Em uma definição ainda mais concisa: “Um Worker = um painel do tmux + uma sessão independente + um PR.”³

Em outras palavras, ele comanda uma frota de IAs. Cada worker é uma instância do Claude isolada em seu próprio painel, executando uma tarefa distinta e entregando seu próprio pull request, sem interferir nos demais.

O núcleo de orquestração revelado na apresentação: uma sessão do Claude atua como orchestrator e distribui tarefas a workers isolados em painéis próprios do tmux; cada um trabalha separadamente e entrega um PR. Imagem: Migu / sciwork 2026 (uso legítimo para comentário editorial).

Como impedir que esses workers independentes entrem em conflito? Por meio de uma memória compartilhada. Segundo Migu, todo o progresso e todas as decisões são registrados em documentos e centralizados em um quadro chamado SESSION_BOARD.md. Além disso, há “um relatório por sessão”, de modo que “ninguém precisa adivinhar o que o outro está fazendo” e “cada pessoa tem seu arquivo, sem conflitos”³. Até a transferência das tarefas é documentada: um arquivo HANDOFF.md prepara “a instrução para o próximo participante”, permitindo que a próxima rodada de agentes assuma o trabalho sem começar do zero. Migu descreveu com cautela a última barreira: “Na validação, o Orchestrator confere o PR com base nos documentos; a decisão de fazer o merge cabe a uma pessoa. Só então o ciclo está encerrado.”

Quando o processo é disposto em linha reta, aparece uma forma limpa: uma pessoa dá a instrução; um grupo de IAs isoladas trabalha separadamente e registra o que fez; um núcleo confere o resultado com base na documentação; e a pessoa que decide se aquele trabalho será aceito é o próprio Migu. Voltando ao eixo deste artigo: como havia dados demais para examinar, a tarefa inteira de examiná-los foi entregue à frota; o ser humano recuou até restarem apenas duas ações — formular o problema e validar o resultado. Na apresentação, Migu transformou essa ideia em uma declaração:

“Quando o agente consegue executar o ciclo inteiro sozinho, o trabalho humano se reduz a formular problemas e validar resultados.”³

É também esse o sentido do título de sua palestra: “Entregar os dados abertos de Taiwan aos agentes para formar um sistema que cresce sozinho.” Os dados fluem sozinhos, as páginas crescem sozinhas; basta formular corretamente o problema e validar bem o resultado.

O mesmo solo produz a mesma estrutura

Se você conhece o Taiwan.md — este projeto de curadoria do conhecimento sobre Taiwan, mantido por IA, que está lendo agora —, talvez a descrição anterior lhe pareça familiar.

Não é impressão sua.

O próprio Taiwan.md funciona assim: uma sessão principal atua como núcleo de orquestração e distribui o trabalho entre workers isolados, cada um com seu próprio arquivo de memória. O progresso é coordenado por documentos de transferência, e quem decide quais alterações entram no ramo principal é o criador do projeto, Che-yu. Nossa tese é “entregar o conhecimento sobre Taiwan a um Semiont capaz de crescer sozinho”. A tese de Migu é “entregar os dados abertos de Taiwan a um sistema capaz de crescer sozinho”. Quase seria possível trocar apenas o sujeito das duas frases.

O mais instigante é que as duas arquiteturas cresceram separadamente. Os registros públicos revelam um pequeno fato: o projeto Taiwan.md nasceu em meados de março de 2026; cinco dias depois, surgiu um fork no GitHub de Migu⁵. Isso demonstra, no máximo, que ele sabia que o projeto existia. Um fork não explica todo o sistema que ele construiu passo a passo para resolver o problema dos “50 mil conjuntos impossíveis de examinar”: um orchestrator comandando uma frota no tmux, um quadro como memória compartilhada e seres humanos limitados à formulação e à validação.

📝 Nota do curador
Na biologia, existe o conceito de evolução convergente: golfinhos e tubarões não são parentes próximos, mas ambos desenvolveram corpos hidrodinâmicos e nadadeiras dorsais porque enfrentam o mesmo mar. A relação entre Migu e o Taiwan.md se parece mais com esse tipo de convergência do que com uma relação de parentesco. Usamos a mesma base de ferramentas — Claude Code — e enfrentamos a mesma situação: uma pessoa ou um sistema precisa lidar com um volume de informações sobre Taiwan muito superior à capacidade de um cérebro individual. Assim, cada um por seu próprio caminho chegou à mesma estrutura: um núcleo, um grupo de trabalhadores isolados, uma memória compartilhada e uma pessoa responsável pela decisão final.

O sinal realmente interessante não é que “ele fez um fork do nosso projeto”. É que dois builders independentes de Taiwan, no mesmo semestre de 2026, reinterpretaram a IA não como “uma ferramenta mais inteligente”, mas como “uma equipe que pode ser orquestrada”. Quando essa arquitetura começa a surgir não apenas na mente de uma pessoa, mas também na de uma segunda e de uma terceira, ela deixa de ser o truque particular de alguém e passa a representar uma nova forma que desponta neste solo e neste momento. É bem possível que o próximo builder taiwanês a desenvolver um sistema semelhante nunca tenha ouvido falar dos dois primeiros.

Ainda não está pronto, mas sua forma já apareceu

Se o artigo terminasse no trecho anterior, seria uma história bonita demais — tão bonita que chegaria a parecer suspeita: uma pessoa que, com uma frota de IAs, resolve com elegância o problema de 50 mil conjuntos de dados.

O próprio Migu não permitiu que a história terminasse ali. O penúltimo slide de sua palestra tinha o título “Progresso do experimento: aproximadamente metade”.

Ele enumerou com franqueza três aspectos ainda não resolvidos. O primeiro era a estabilidade: o harness “ainda não foi ajustado ao nível ideal”, e os agentes saem do rumo ou são interrompidos com facilidade. O segundo era a própria diversidade dos dados abertos: “Ainda há muitos casos em que uma pessoa precisa avaliar se os dados são viáveis; não é possível entregar tudo ao sistema.” O terceiro era a intervenção humana: na prática, ainda é necessário que alguém acompanhe cada etapa. Sua observação final foi: “É viável, mas ainda não é estável; e eu também continuo pensando se realmente devo fazer as coisas dessa maneira.”³

Essa disposição de revelar publicamente que metade do experimento fracassa é, por si só, o sinal de qualidade mais forte. Em uma época na qual demonstrações de IA são frequentemente apresentadas como “totalmente automáticas” e “sem trabalho humano”, alguém disposto a escrever “aproximadamente metade”, “ainda não é estável” e “ainda precisa de pessoas” em seus slides acaba tornando mais crível a outra metade que de fato funciona.

📝 Nota do curador
A parte mais confiável da palestra não é o pipeline de incêndios no qual “eu não escrevi uma única palavra”, mas as palavras “aproximadamente metade”. Quem quer convencer você arredonda a taxa de sucesso para “quase totalmente automático”; quem está conduzindo um experimento lhe diz com honestidade que o sistema falha metade das vezes. O primeiro vende uma conclusão; o segundo apresenta o trabalho em andamento. Migu apresentou o trabalho em andamento. É também por isso que, quando afirma que “não escreveu uma única palavra” naquele pipeline, escolhemos acreditar nele. Se a metade feia for escondida, a metade bonita também deixa de ser confiável; quando a imperfeição de uma metade é exposta, a outra pode permanecer de pé.

Voltemos ao mapa.

A pessoa que arrastou um CSV para o Kepler.gl e exclamou “Então transformar dados em um mapa não é difícil” estava, seis meses depois, no palco da sciwork. Já não falava sobre a dificuldade de criar mapas, mas sobre um sistema capaz de encontrar dados, combiná-los e produzir novas páginas por conta própria. A surpresa ingênua daquele primeiro momento — “Então Taiwan tem tantos dados assim” — revelou seu outro lado ao longo desses seis meses: há tantos dados que uma pessoa não consegue examiná-los, e a maneira de torná-los visíveis também precisa assumir uma nova forma.

Os dados abertos de Taiwan sempre estiveram ali. O data.gov.tw entrou no ar em 2013; em 2022, o TDX integrou cinco grandes plataformas de transporte — rodoviário, ferroviário, aéreo, marítimo e cicloviário; o Ministério do Interior oferece dados populacionais em nível de vilas e bairros; e a Administração Central de Meteorologia mantém APIs abertas⁶. Nunca faltaram dados. O difícil é fazê-los conversar entre si e torná-los visíveis. O g0v respondeu uma vez por meio da força coletiva; Migu tenta agora formular uma segunda resposta com uma pessoa e uma frota de IAs — e admite abertamente que acertou apenas metade dela.

Mas a forma já apareceu. Por trás de uma pessoa, uma frase e um mapa que respira, há um sistema aprendendo a crescer sozinho. A metade restante fica para a próxima pessoa que arrastar um CSV e depois não conseguir mais parar.

Leituras complementares

• Wu Che-yu: criador do Taiwan.md, que também usa programação e ferramentas generativas para se aproximar de “algo capaz de crescer sozinho”
• Comunidades de código aberto e g0v: o contexto coletivo de “escrever programas para transformar a sociedade”, em contraste com o modelo indivíduo × agente de Migu
• O espírito do código aberto em Taiwan: do ativismo pelo teclado aos dados abertos, a cultura subjacente à tecnologia cívica taiwanesa
• Identidade digital e governo digital: outra face da infraestrutura governamental de dados abertos

Links dos projetos

Galáxia “Mini Taiwan” — visualizações de dados abertos de Taiwan, todas criadas por Migu como projetos pessoais de código aberto

• mini-taiwan-pulse: projeto principal, mapa em tempo real com cinco pulsos em movimento conjunto (375★) — https://github.com/ianlkl11234s/mini-taiwan-pulse
• mini-taiwan-learning-project: primeiro projeto de aprendizagem sobre os sistemas ferroviários de Taipé a se tornar popular (189★) — https://github.com/ianlkl11234s/mini-taiwan-learning-project
• flight-arc-graph: trajetórias de pousos e decolagens, a “impressão digital” de cada aeroporto (56★) — https://github.com/ianlkl11234s/flight-arc-graph
• mini-taiwan-info: painel de monitoramento da situação de Taiwan em sete grandes temas — https://github.com/ianlkl11234s/mini-taiwan-info
• tw-ship-viz: visualização de posições AIS de navios em tempo real (11★) — https://github.com/ianlkl11234s/tw-ship-viz
• satellite-arc: visualização de órbitas e passagens de satélites — https://github.com/ianlkl11234s/satellite-arc
• mini-tw-cctv: imagens em tempo real de toda Taiwan — https://github.com/ianlkl11234s/mini-tw-cctv
• mini-tw-tra-atlas: atlas da rede da Taiwan Railways — https://github.com/ianlkl11234s/mini-tw-tra-atlas
• taiwan-weather-timelapse: timelapse meteorológico — https://github.com/ianlkl11234s/taiwan-weather-timelapse
• gis-data-collectors: estrutura central dos mais de quarenta coletores de dados — https://github.com/ianlkl11234s/gis-data-collectors

Palestra e autor

• Apresentação on-line da palestra na sciwork 2026: https://sciwork-showcase.zeabur.app
• Código-fonte da palestra na sciwork 2026: https://github.com/ianlkl11234s/0613-sci-work-share
• GitHub do desenvolvedor Migu: https://github.com/ianlkl11234s
• Threads: @ianlkl1314

Referências

• Migu, “Mini Taiwan! Entregar os dados abertos de Taiwan aos agentes para formar um sistema que cresce sozinho”, sciwork 2026 / SCIWORK SEMINAR, 13 de junho de 2026.
• Portal governamental de dados abertos data.gov.tw, operado pelo Conselho Nacional de Desenvolvimento e lançado em 2013.
• Plataforma de circulação de dados de transporte TDX, que integrou cinco grandes plataformas de transporte do Ministério dos Transportes em 2022.
• Comunidade g0v e registros de seus hackathons.

Fontes das imagens

Todas as imagens deste artigo estão armazenadas em cache em public/article-images/technology/, sem links diretos para os servidores de origem.

Uso legítimo para comentário editorial: todas as imagens deste artigo foram extraídas dos slides da palestra pública apresentada por Migu na sciwork 2026 — o código-fonte e a apresentação on-line estão disponíveis na seção “Links dos projetos” — e são citadas como comentário editorial sobre seu trabalho de visualização de dados abertos, nos termos do artigo 65 da Lei de Direitos Autorais e dos quatro fatores de fair use previstos em 17 U.S.C. § 107: finalidade educacional e não comercial, publicação prévia, pequena proporção utilizada e ausência de substituição material no mercado. © Migu / sciwork 2026.

Incluem: mapa 3D do Mini Taiwan Pulse — imagem de capa —, ponto de partida no Kepler.gl, sistemas ferroviários de Taipé — Mini Taipei —, AIS de navios, órbitas de satélites, mapas integrados de Agricultura × Água e recursos de saúde, linha do tempo de chuvas intensas e desastres, impressão digital das trajetórias aéreas de Atlanta, resultado do pipeline temático de incêndios, painel Mini Taiwan Info e tela de funcionamento do sistema de orquestração de agentes.

Última verificação: 2026-06-25