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 da bolsa norte‑americana. O gatilho chamou‑se DeepSeek — e o “crime” foi ser aberto.
Até o Bitcoin (BTC) vacilou quando o mercado percebeu uma ideia simples: a fronteira da IA deixou de ser monopólio de meia dúzia de laboratórios fechados.
Pontos‑chave
- Modelos de peso aberto divulgam os parâmetros treinados para qualquer pessoa descarregar, executar e adaptar, ao contrário da IA verdadeiramente open source, que também inclui dados e código de treino.
- A diferença de qualidade medida entre os melhores modelos abertos e fechados nas tabelas públicas encolheu de 8% para menos de 2% em cerca de um ano, enquanto os preços de inferência caíram centenas de vezes.
- Desempenho barato, pressão por soberania nacional, regulação mais favorável e um vasto ecossistema de programadores dão agora aos pesos abertos um ímpeto real contra os incumbentes que só vendem acesso via API.
O que realmente significa IA de peso aberto
A expressão é usada de forma vaga, por isso a precisão importa. “Peso aberto” significa que o programador divulga os parâmetros finais de uma rede neuronal treinada — os números que codificam o que o modelo aprendeu. Pode fazer download, correr no seu próprio hardware e afiná‑lo.
Peso aberto não é o mesmo que open source. A Open Source Initiative publicou a sua Open Source AI Definition em 28 de outubro de 2024, elevando a fasquia. Para cumprir os critérios, um lançamento tem de incluir pesos, código de treino e informação suficiente sobre os dados para que alguém qualificado consiga, em grande medida, recriar o sistema.
A maioria dos modelos hoje vendidos como open source não passa nesse teste. O Llama da Meta, o Qwen da Alibaba e o próprio DeepSeek fornecem pesos, mas não divulgam a “receita” completa dos dados.
A Open Source Initiative é frontal na distinção, sublinhando que pesos abertos, por si só, não conferem as liberdades do software open source. Essa lacuna alimenta uma guerra permanente contra o “open washing”: empresas que se dizem abertas enquanto retêm as peças que permitiriam a qualquer um reproduzir o trabalho.
Ainda assim, para a maioria dos criadores, os pesos são o troféu. Com eles é possível servir um modelo, encolhê‑lo, voltar a treiná‑lo e empacotá‑lo em produto. Na prática, cada categoria entrega algo distinto:
- Peso aberto: os parâmetros treinados, normalmente sob licença que permite uso, modificação e, muitas vezes, exploração comercial.
- Verdadeiramente open source: 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
Em que isto difere do que fazem a OpenAI e a Anthropic
OpenAI e Anthropic seguem a estratégia oposta. Guardam os melhores pesos trancados nos seus data centers e vendem acesso via API. O cliente envia o prompt, recebe a resposta — e nunca toca no modelo.
O desenho tem lógica comercial: protege o investimento em treino, mantém o contador da subscrição a correr e permite ao laboratório ajustar o comportamento ou cortar o acesso quando quiser.
Há também um argumento de segurança. O presidente‑executivo da Anthropic, Dario Amodei, defende que, uma vez divulgados os pesos, o programador perde a capacidade de atualizar barreiras de segurança ou retirar um sistema perigoso de circulação.
O problema é a dependência.
Quando o modelo vive apenas nos servidores de terceiros, é o fornecedor que define o preço, a disponibilidade, os termos 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 lançava um 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 dos pesos abertos. A empresa que construiu o negócio de API fechada foi forçada a responder no terreno do campo aberto.
Leia também: OpenAI procura 250 mil milhões de dólares em crédito da Nvidia para o seu megacampus em Ohio
Dez motivos pelos quais os pesos abertos ameaçam o modelo centralizado
Nada disto garante que os pesos abertos vençam por completo. A fronteira tecnológica continua nas mãos dos grandes laboratórios e os riscos são reais. Mas a direção de marcha mantém‑se há três anos — e vai contra o modelo fechado e medido ao token.
O que mudou foi a relação custo‑benefício de alugar uma “caixa‑preta” premium. A convergência é simultaneamente técnica, económica e política.
Eis dez motivos para a balança ter mudado.
A diferença de qualidade praticamente desapareceu
O facto fundamental 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 na tabela Chatbot Arena caiu de 8% em janeiro de 2024 para 1,7% em fevereiro de 2025.
A própria fronteira ficou mais concorrida. A distância entre o primeiro e o décimo classificado encolheu de 11,9% para 5,4% em apenas um ano.
Quando a segunda melhor opção custa uma fração da primeira, torna‑se difícil justificar o prémio de um modelo fechado. Para quem tem a exclusividade como pilar do negócio, isto é um problema de preços.
O preço da “inteligência” colapsou
Os custos caíram ainda mais depressa do que a diferença de qualidade. Com base em dados da Epoch AI e da Artificial Analysis, o AI Index reportou que o preço para correr uma query ao nível 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.
O DeepSeek levou a mesma lógica para o treino. O relatório técnico do V3 alega um custo final de cerca de 5,6 milhões de dólares numa corrida de treino com 2.048 chips Nvidia H800 — contra dezenas ou centenas de milhões gastos em modelos ocidentais comparáveis. Inteligência barata favorece quem consegue distribuí‑la amplamente, não quem a guarda a sete chaves.
Você passa a ser dono do modelo
Ao alugar um modelo fechado, herda as regras do senhorio. O fornecedor pode subir preços, alterar condições ou desligar a versão de que o seu produto depende.
Com os pesos na mão, essa alavanca desaparece. Pode congelar uma versão, usá‑la durante anos e mudar de infraestrutura sem reescrever o seu stack.
O lock‑in de fornecedor não é teoria. Materializa‑se em custos de mudança, migrações forçadas e preços que não consegue verdadeiramente negociar. Ter os pesos reduz cada um destes riscos:
- Congelar a versão do modelo e mantê‑la estável pelo tempo que for necessário.
- Migrar entre clouds ou para infraestrutura própria sem reengenharia profunda.
- Evitar desativações súbitas que partem um produto em produção de um dia para o outro.
Mesmo licenças abertas generosas trazem 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 à parte — um dos motivos pelos quais os puristas recusam chamar Llama de open source.
Privacidade e soberania de dados
Há dados que, por lei, não podem sair do perímetro. Hospitais, bancos e entidades públicas muitas vezes não podem enviar registos sensíveis para a API de terceiros.
Pesos abertos resolvem isso levando o modelo até aos dados. É possível correr inferência on‑premises ou numa cloud privada, garantindo que nada sensível atravessa a fronteira com o fornecedor.
Esta característica, por si só, abre portas vedadas aos modelos apenas via API. Em contextos regulados, o controlo on‑prem é frequentemente o fator decisivo.
Estados estão a construir os seus próprios modelos
A ansiedade com a soberania digital tornou‑se global. Governos veem cada vez mais a dependência de umas poucas APIs 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, cobrindo mais de mil idiomas. O Technology Innovation Institute, em Abu Dhabi, promove a família aberta Falcon desde 2023, e outros países seguiram com esforços nacionais próprios.
O padrão repete‑se por regiões:
- A Suíça lançou o Apertus com pesos, dados e código inteiramente públicos.
- Os Emirados Árabes Unidos têm sucessivas versões do Falcon sob licenças permissivas.
- França, Índia, Japão e Coreia do Sul apoiam programas domésticos de modelos ou de computação.
Não se constrói IA soberana sobre um modelo que só é permitido alugar. Pesos abertos são condição de base — e isso torna os governos patrocinadores naturais do campo aberto.
Reguladores começam a favorecer o aberto
A política também começou a inclinar‑se para a abertura. Em 23 de julho de 2025, a Casa Branca publicou o “America’s AI Action Plan”, com uma secção explícita: “Encourage Open-Source and Open-Weight AI”.
A Europa segue na mesma direção, ainda que com outra retórica. 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 passaram a apontar para a divulgação — e não para o bloqueio —, pelo menos para modelos abaixo da fronteira. Quando o maior Estado na corrida da IA incentiva ativamente pesos abertos, o modelo fechado perde a vantagem presumida.
O ecossistema de developers é um efeito de rede
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 em 2025.
As corridas de downloads contam o resto da história. A Meta afirma que o Llama ultrapassou mil milhões de downloads a 18 de março de 2025, face a 650 milhões no início de dezembro de 2024, enquanto o Qwen da Alibaba atingiu 700 atingiu milhões de downloads acumulados 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 do mercado.
Cada fine-tune, adaptador e quantização construídos sobre um modelo aberto alargam a sua vantagem competitiva. Uma API fechada não consegue capturar esse efeito de rede composto, porque ninguém consegue construir em cima de um modelo que não pode, de facto, possuir.
Corre No Seu Portátil
Pesos abertos aproximam-se do hardware comum através de uma cadeia de ferramentas barata. A quantização comprime o modelo para uma precisão inferior, de forma 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 que desenvolvedores sirvam modelos bastante capazes numa única GPU de consumo ou até num simples portátil.
Um modelo que corre numa máquina de 2.000 dólares é um modelo que ninguém pode desligar à distância. Essa independência é precisamente aquilo que o modelo medido, acessível apenas via API, não consegue oferecer.
Auditabilidade E Interpretabilidade
Não se pode inspecionar aquilo que não se vê. As APIs fechadas devolvem apenas saídas, sem qualquer forma de examinar o mecanismo por detrás delas.
Com pesos abertos, investigadores podem sondar diretamente um modelo, estudar como falha e testar a sua segurança de forma transparente. É essa abertura que leva o campo open source a defender que os seus modelos são, ao longo do 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 exigência legal.
A Fronteira Descentralizada
O argumento mais recente vive na interseção entre IA e cripto. Se os pesos são abertos, o poder computacional para treinar e servir modelos deixa de ter de ficar concentrado no data center de uma única empresa.
Projetos como Prime Intellect já treinaram modelos em hardware distribuído globalmente, com esquemas para verificar se as máquinas remotas realmente executaram o trabalho que afirmam ter feito. A Bittensor opera um mercado de inteligência de máquina incentivado por tokens, precificado no seu token TAO (TAO).
A ressalva honesta é que, hoje, o treino descentralizado continua mais lento e 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 nos laboratórios fechados.
Also Read: Pixel 11 Will Cost More, And Google Says AI Data Centers Are Why
O Veredito
Os pesos abertos não vão fazer desaparecer os laboratórios fechados. A fronteira tecnológica continua a favorecer quem mais gasta em computação, os lançamentos abertos ainda chegam meses depois dos melhores modelos proprietários, e pesos públicos trazem riscos de abuso impossíveis de “recolher” após a publicação.
Mas “ultrapassar” não significa “apagar”. Significa deslocar o centro de gravidade — e essa deslocação já começou.
A diferença de qualidade é mínima, o custo marginal da inteligência aproxima‑se de zero e governos, desenvolvedores 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 está, silenciosamente, a caminhar em direção aos pesos que pode possuir.
Read Next: Apple Loses Its Grip On Memory Prices And Customers Pay The Difference