Em 27 de janeiro de 2025, um laboratório chinês desconhecido para a maioria dos investidores apagou 589 mil milhões de dólares do valor de mercado da Nvidia numa única sessão. Foi a maior perda diária da história das bolsas norte‑americanas. O gatilho foi a DeepSeek, e o “crime” foi a abertura.
Até o Bitcoin (BTC) vacilou quando o mercado assimilou uma ideia simples: a fronteira da IA deixou de ser monopólio de meia dúzia de laboratórios fechados.
Pontos‑chave
- Modelos com pesos abertos divulgam os parâmetros treinados para qualquer pessoa descarregar, executar e adaptar — o que é diferente de IA verdadeiramente open source, que também inclui dados de treino e código.
- A diferença de qualidade medida entre os melhores modelos abertos e fechados em rankings públicos caiu de 8% para menos de 2% em cerca de um ano, enquanto os preços de inferência colapsaram várias centenas de vezes.
- Implementação barata, pressão por soberania nacional, regulação mais amigável e um vasto ecossistema de programadores dão hoje aos pesos abertos um ímpeto real face aos incumbentes dependentes apenas de API.
O que realmente significa IA de pesos abertos
O termo é usado de forma vaga, por isso a precisão importa. Pesos abertos significam que um desenvolvedor publica os parâmetros finais de uma rede neural treinada — os números que codificam o que o modelo aprendeu. Pode descarregá‑los, executá‑los na sua própria infraestrutura e afiná‑los.
Pesos abertos não são o mesmo que open source. A Open Source Initiative publicou a sua Open Source AI Definition em 28 de outubro de 2024, estabelecendo uma fasquia mais alta. Para qualificar, uma publicação tem de incluir pesos, código de treino e detalhe suficiente sobre os dados utilizados para que alguém qualificado consiga reproduzir substancialmente o sistema.
A maioria dos modelos hoje promovidos como open source não passa neste teste. O Llama da Meta, o Qwen da Alibaba e a própria DeepSeek disponibilizam pesos, mas não toda a “receita” de dados.
A Open Source Initiative é clara sobre a distinção, sublinhando que só pesos abertos não garantem as liberdades do software open source. Essa diferença alimenta uma guerra permanente contra o “open washing”, em que empresas reclamam abertura enquanto retêm os elementos que permitiriam reproduzir o trabalho.
Ainda assim, para a maioria dos construtores, o prémio são os pesos. Com eles pode servir um modelo, encolhê‑lo, retreiná‑lo e integrá‑lo em produto. Na prática, cada tipo de divulgação entrega algo diferente:
- Pesos abertos: parâmetros treinados, normalmente sob licença que permite uso, modificação e, muitas vezes, exploração comercial.
- Open source integral: pesos, código de treino e documentação de dados suficiente para reconstruir o modelo.
- Fechado: nada descarregável, apenas acesso medido através de uma interface.
É esta categoria intermédia que está a explodir em popularidade — e é ela que tira o sono aos laboratórios fechados.
Leia também: Nvidia cai quase 5% com garantia de 250 mil milhões de dólares à OpenAI que ainda não foi assinada
Como isto difere do que fazem a OpenAI e a Anthropic
A OpenAI e a Anthropic seguem a estratégia oposta. Mantêm os melhores pesos trancados nos próprios data centers e vendem acesso via API. O cliente envia um prompt, recebe uma resposta e nunca toca no modelo.
Este desenho tem lógica comercial: protege o investimento em treino, mantém o contador da subscrição a rolar e permite ao laboratório corrigir comportamentos ou cortar acesso de forma unilateral.
Há também um argumento de segurança. O CEO da Anthropic, Dario Amodei, tem defendido que, uma vez tornados públicos os pesos, o desenvolvedor perde a capacidade de atualizar travões de segurança ou de “recolher” um sistema perigoso.
O problema é a dependência.
Quando o modelo vive apenas nos servidores de terceiros, é o fornecedor que define o preço, o nível de serviço, as regras de dados e o calendário de descontinuação. O seu produto passa a assentar numa infraestrutura que não controla nem pode auditar.
Apesar de anos a defender investigação aberta, a OpenAI não divulgara nenhum grande modelo de linguagem aberto desde o GPT‑2, em 2019, até 5 de agosto de 2025. Os dois modelos gpt‑oss, lançados sob a licença permissiva Apache 2.0, soam a concessão direta à pressão exercida pelos pesos abertos. A empresa que construiu o negócio de API fechada viu‑se obrigada a responder no terreno da abertura.
Leia também: OpenAI procura 250 mil milhões de dólares em crédito da Nvidia para o megacampus em Ohio
Dez razões pelas quais pesos abertos ameaçam o modelo centralizado
Nada disto garante que os pesos abertos vençam por completo. A fronteira de capacidade ainda pertence aos grandes laboratórios e os riscos são reais. Mas a trajetória é consistente há três anos — e vai contra o modelo fechado e medido à API.
O que mudou foi o equilíbrio de argumentos para pagar um prémio por uma “caixa‑preta” alugada. A convergência é técnica, económica e política ao mesmo tempo.
Eis dez motivos pelos quais a balança se inclinou.
A diferença de qualidade praticamente desapareceu
O facto mais relevante é a convergência. O AI Index 2025 de Stanford apurou que a diferença de pontuação entre o melhor modelo fechado e o melhor modelo aberto no ranking Chatbot Arena caiu de 8% em janeiro de 2024 para 1,7% em fevereiro de 2025.
A própria fronteira ficou mais concorrida: o fosso entre o primeiro e o décimo lugar encolheu de 11,9% para 5,4% em apenas um ano.
Quando a segunda melhor opção custa uma fração da primeira, o prémio a pagar pelo acesso fechado torna‑se difícil de justificar. É um problema de preço para qualquer negócio assente em exclusividade.
O preço da inteligência colapsou
Os custos caíram ainda mais rápido do que a diferença de qualidade. Com base em dados da Epoch AI e da Artificial Analysis, o AI Index reportou que o custo de correr uma consulta ao nível do GPT‑3.5 desceu de cerca de 20 dólares por milhão de tokens em novembro de 2022 para 0,07 dólares em outubro de 2024.
É uma queda de aproximadamente 280 vezes em menos de dois anos.
A DeepSeek levou a mesma lógica para o treino. O relatório técnico do V3 afirma um custo final de cerca de 5,6 milhões de dólares numa corrida com 2.048 GPUs Nvidia H800, face às dezenas ou centenas de milhões gastas em modelos ocidentais comparáveis. Inteligência barata favorece quem a consegue distribuir amplamente, não quem a guarda a sete chaves.
O modelo passa a ser seu
Ao alugar um modelo fechado, herda as regras do “senhorio”: o fornecedor pode subir preços, alterar termos ou descontinuar a versão de que o seu produto depende.
Se detiver os pesos, esse poder de barganha desaparece. Pode congelar uma versão, mantê‑la anos em produção e trocar de fornecedor de infraestrutura sem reescrever toda a pilha tecnológica.
O lock‑in de fornecedor não é um fantasma teórico: materializa‑se em custos de mudança, migrações forçadas e preços “tomados” que não consegue negociar. Ter pesos próprios neutraliza, um a um, esses riscos:
- Congela uma versão e garante comportamento estável enquanto for preciso.
- Alterna entre clouds ou regressa ao on‑prem sem reengenharia profunda.
- Evita desativações súbitas que partem um produto em produção de um dia para o outro.
Mesmo licenças abertas generosas têm cláusulas a ler com atenção. Os termos do Llama da Meta obrigam qualquer empresa com mais de 700 milhões de utilizadores ativos mensais a negociar um acordo separado — uma das razões pelas quais muitos puristas recusam chamar “open source” ao Llama.
Privacidade e soberania de dados
Há dados que, por lei, não podem sair do perímetro da organização. Hospitais, bancos e entidades públicas muitas vezes estão proibidos de enviar informação sensível para APIs de terceiros.
Pesos abertos resolvem isso ao levar o modelo até aos dados. É possível correr inferência on‑prem ou numa cloud privada, garantindo que nada de sensível atravessa fronteiras de fornecedor.
Esta característica, por si só, abre portas que as APIs fechadas não conseguem atravessar. Em ambientes regulados, controlo on‑prem é frequentemente o fator decisivo.
Os Estados estão a construir modelos próprios
A ansiedade em torno da soberania digital tornou‑se global. Governos encaram cada vez mais a dependência de meia dúzia de APIs norte‑americanas ou chinesas como risco estratégico.
Em 2 de setembro de 2025, o EPFL, o ETH Zurich e o Centro Nacional Suíço de Supercomputação lançaram o Apertus, um modelo totalmente aberto treinado em 15 biliões de tokens e mais de mil línguas. Em Abu Dhabi, o Technology Innovation Institute vem a expandir a família Falcon desde 2023, e outros países seguiram com iniciativas nacionais.
O padrão repete‑se em várias geografias:
- A Suíça lançou o Apertus com pesos, dados e código integralmente públicos.
- Os Emirados Árabes Unidos divulgaram sucessivas versões do Falcon sob licenças permissivas.
- França, Índia, Japão e Coreia do Sul financiaram programas domésticos de modelos e de computação.
Não se constrói IA soberana em cima de um modelo que só pode ser alugado. Pesos abertos são condição de base — o que torna os governos patrocinadores naturais do campo aberto.
Reguladores começam a favorecer a abertura
A política também se inclinou para o lado aberto. Em 23 de julho de 2025, a Casa Branca divulgou o “America's AI Action Plan”, incluindo um capítulo explícito: “Encourage Open‑Source and Open‑Weight AI”.
A Europa segue direção semelhante na arquitetura regulatória, ainda que com outra filosofia. O AI Act da UE concede aos fornecedores de modelos de uso geral gratuitos e open source uma isenção parcial de certas obrigações de documentação, desde que o modelo não seja classificado como risco sistémico.
Os incentivos, pelo menos para modelos abaixo da fronteira mais avançada, começam assim a apontar para a divulgação em vez do bloqueio. Quando a principal potência na corrida da IA encoraja ativamente pesos abertos, o modelo fechado perde a aura de opção “natural”.
O ecossistema de programadores é um motor de escala
Escala gera escala. A Hugging Face cresceu para 13 milhões de utilizadores, mais de dois milhões de modelos públicos e mais de 500 mil conjuntos de dados públicos ao longo de 2025.
As corridas às descargas contam o resto da história. A Meta afirmou que o Llama ultrapassou mil milhões de downloads em 18 de março de 2025, face a 650 milhões no início de dezembro de 2024, enquanto o Qwen da Alibaba chegou aos 700 milhões. atingiu milhões de downloads cumulativos na Hugging Face até janeiro de 2026 e deu origem a mais de 180.000 versões derivadas, ultrapassando o Llama como a família aberta com mais forks no mercado.
Cada fine-tune, adapter e quantização construídos sobre um modelo aberto aprofunda a sua vantagem competitiva. Uma API fechada não captura esse efeito de rede composto, porque ninguém consegue construir em cima de um modelo ao qual não tem acesso direto.
Corre No Seu Portátil
Pesos abertos encontram hardware comum através de uma cadeia de ferramentas barata. A quantização comprime o modelo para uma precisão mais baixa, de modo a caber em menos memória, e técnicas como LoRA permitem ajustá‑lo sem ter de o voltar a treinar de raiz.
Os runtimes locais tornaram isto mainstream. Ollama, llama.cpp e vLLM permitem hoje a programadores servir modelos sofisticados numa única GPU de consumo ou até num portátil.
Um modelo que corre numa máquina de 2.000 dólares é um modelo que ninguém pode desligar remotamente. Essa independência é precisamente o que o modelo medido, vendido por API, não consegue oferecer.
Auditabilidade E Interpretabilidade
Não se pode inspecionar o que não se vê. As APIs fechadas devolvem outputs sem qualquer forma de examinar o mecanismo que está por trás.
Pesos abertos permitem aos investigadores analisar o modelo diretamente, estudar como falha e testar a sua segurança de forma pública. Essa transparência é exatamente o motivo pelo qual o campo open argumenta que os seus modelos são, com o tempo, mais fáceis — e não mais difíceis — de tornar confiáveis.
Para setores regulados que têm de justificar decisões, essa visibilidade não é um extra. É muitas vezes uma obrigação legal.
A Fronteira Descentralizada
O argumento mais recente está na interseção entre IA e cripto. Se os pesos são abertos, a computação para treinar e servir modelos não tem de residir no data center de uma única empresa.
Projetos como Prime Intellect já treinaram modelos em hardware distribuído globalmente, com esquemas de verificação para garantir que as máquinas remotas realmente executaram o trabalho que dizem ter feito. Bittensor opera um mercado incentivado por tokens para inteligência de máquina, precificado no seu token TAO (TAO).
A nota de prudência é clara: hoje, o treino descentralizado é mais lento e mais caro do que um cluster centralizado. Mas a combinação de pesos abertos com computação verificável e tokenizada é um vetor competitivo genuinamente novo, impossível de replicar por laboratórios fechados.
Também pode ler: Pixel 11 Vai Custar Mais, E A Google Diz Que A Culpa É Dos Data Centers De IA
O Veredito
Os pesos abertos não vão eliminar os laboratórios fechados. A fronteira continua a favorecer quem mais gasta em computação, os lançamentos open ainda chegam meses depois dos melhores modelos proprietários, e pesos públicos trazem riscos de abuso impossíveis de “recolher” após a publicação.
Mas “ultrapassar” não é “apagar”. É deslocar o centro de gravidade — e essa mudança já começou.
O fosso de qualidade é estreito, o custo marginal de inteligência aproxima‑se de zero, e governos, programadores e reguladores continuam a preferir modelos que podem efetivamente deter. A IA centralizada continuará a vender conveniência no topo da pirâmide. O resto do mercado caminha, discretamente, para os pesos que pode possuir.
A Seguir: Apple Perde O Controlo Dos Preços De Memória E Os Clientes Pagam A Diferença
