Quem tem medo dos modelos chineses?
Os laboratórios de IA chineses estão lançando modelos de linguagem poderosos, muitas vezes com pesos abertos, que rivalizam com os sistemas de “fronteira” dos EUA enquanto os subcotam em preço, levantando questões sobre moats, margens e se investidores ocidentais supervalorizaram enormemente provedores de modelos fechados como OpenAI e Anthropic. Os comentaristas debatem se as saídas dos modelos devem ser livremente “destiláveis” em novos modelos, quanto do progresso da China vem de cópia versus pesquisa original e se os governos responderão com proibições protecionistas a modelos chineses. Muitos argumentam que, à medida que os modelos se comoditizam, valor e lock-in migrarão para ferramentas e fluxos de trabalho voltados ao usuário, enquanto outros alertam que a captura regulatória e a retórica de segurança nacional podem ser usadas para consolidar as empresas norte-americanas incumbentes.
Destilação, Fair Use e Termos de Serviço
- Muitos apoiam legalizar a destilação de modelos e esclarecer que treinar com dados da internet é fair use, dizendo que isso é coerente com a forma como os laboratórios de fronteira treinaram seus próprios modelos.
- Outros argumentam que proibir cláusulas de ToS contra destilação é impraticável (as empresas ainda podem banir usuários) ou um excesso de ingerência em contratos privados.
- Alguns traçam uma distinção moral: treinar com dados “brutos” da internet é visto como criação de valor, enquanto destilar outro modelo é visto como extração de valor, embora outros digam que seleção e limpeza também agregam valor.
Modelos Chineses vs. dos EUA: Capacidade, Dados e Estratégia
- Vários comentaristas acham que os modelos chineses (por exemplo, Kimi, DeepSeek, Qwen, GLM) agora estão próximos ou no mesmo nível dos modelos de fronteira dos EUA em muitas tarefas.
- As explicações incluem: pesquisa doméstica forte, rastreamento web centralizado em grande escala e compartilhamento de dados, acesso a “traces” de usuários de apps e APIs proxy, e não apenas destilação.
- Outros estão céticos de que a destilação em grande escala seja economicamente viável ou de que os modelos chineses sejam mais eficientes; eles veem o discurso sobre “moats roubados” como defensividade dos laboratórios de fronteira.
Economia: Custos, Commoditização e Moats
- Há amplo acordo de que a inferência tem custo marginal real (ao contrário do software tradicional), então os LLMs se comportam mais como um negócio de manufatura de commodities.
- O debate é sobre quem tem melhor economia unitária: alguns afirmam que os laboratórios dos EUA lideram em eficiência de tokens e $/tarefa; outros apontam energia e infraestrutura mais baratas na China e a queda dos custos de modelos abertos.
- Muitos esperam que os modelos se comoditizem; o valor pode migrar para SaaS, ferramentas verticais ou “harnesses” voltados ao usuário, embora vários argumentem que esses harnesses são fáceis de trocar e não constituem um moat durável.
Modelos Abertos vs. Fechados e Segurança
- Comentaristas distinguem menos entre “chinês vs. americano” do que entre “open-weight vs. closed”. Pesos abertos permitem auditoria, auto-hospedagem e concorrência.
- Alguns observam que até pesos abertos podem esconder backdoors; a verdadeira garantia exigiria código e dados abertos, além de recursos enormes para re-treinamento. Outros sugerem usar um modelo para auditar outro.
Regulação, Segurança Nacional e Proibições
- Alguns antecipam ou apoiam restrições dos EUA a modelos chineses com base em segurança nacional; outros se preocupam que tais proibições consolidariam os laboratórios fechados domésticos e possivelmente justificariam mais vigilância.
Investidores, Avaliações e Risco Sistêmico
- Vários veem os modelos abertos chineses como uma ameaça direta às avaliações altíssimas de IA nos EUA, especialmente para laboratórios apostando em preços premium de API no longo prazo.
- Há preocupação de que as perdas acabem socializadas por meio dos mercados públicos e das pensões se essas avaliações entrarem em colapso.