Em 27 de janeiro de 2025, um laboratório chinês desconhecido para a maioria dos investidores eliminou 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 “pecado” foi a abertura.
Até o Bitcoin (BTC) vacilou quando o mercado assimilou uma ideia simples: a fronteira da IA já não pertence apenas a um punhado de laboratórios fechados.
Pontos-chave
- Modelos de peso aberto divulgam os parâmetros treinados para qualquer pessoa descarregar, executar e adaptar, o que difere do verdadeiro open source, que também inclui dados e código de treino.
- 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 desabaram centenas de vezes.
- Deploy barato, ambições de soberania nacional, regulação mais amigável e um vasto ecossistema de developers dão agora aos pesos abertos um impulso real contra incumbentes que operam só via API.
O que realmente é IA de peso aberto
O termo é usado com alguma leveza, por isso a precisão importa. Peso aberto significa que o developer publica os parâmetros finais de uma rede neuronal treinada — os números que codificam o que o modelo aprendeu. É possível descarregá-los, correr o modelo em hardware próprio e afiná-lo.
Peso aberto não é sinónimo de open source. A Open Source Initiative publicou a sua Open Source AI Definition em 28 de outubro de 2024, definindo uma fasquia mais elevada. Para cumprir, uma publicação tem de trazer pesos, código de treino e informação suficiente sobre os dados usados para que alguém qualificado consiga, em grande medida, recriar o sistema.
A maioria dos modelos hoje vendidos como open source não passa neste teste. O Llama, da Meta, o Qwen, da Alibaba, e a própria DeepSeek divulgam pesos, mas não a “receita” completa de dados.
A Open Source Initiative é clara na distinção, sublinhando que pesos abertos, por si só, não oferecem as mesmas liberdades do software verdadeiramente open source. Essa diferença alimenta uma disputa constante em torno do “open washing”: empresas que reivindicam abertura enquanto retêm as peças essenciais para que qualquer pessoa possa reproduzir o trabalho.
Ainda assim, para a maioria dos construtores, o prémio está nos pesos. Com eles é possível servir um modelo, encolhê-lo, voltar a treiná-lo e colocá-lo em produção. Vale a pena destrinçar o que cada tipo de lançamento realmente entrega:
- Peso aberto: parâmetros treinados, normalmente sob uma licença que permite uso, modificação e, muitas vezes, exploração comercial.
- Open source completo: pesos mais código de treino e documentação dos dados suficiente para reconstruir o modelo.
- Fechado: nada descarregável; só acesso medido através de uma interface.
É essa 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
OpenAI e Anthropic seguem a estratégia oposta. Mantêm os seus melhores pesos trancados nos próprios data centers e vendem acesso via API. O utilizador envia um prompt, recebe uma resposta e nunca chega a tocar no modelo.
O desenho tem lógica comercial. Protege o investimento em treino, assegura um fluxo recorrente de receitas por subscrição e permite ao laboratório corrigir o comportamento ou cortar o acesso quando quiser.
Há também um argumento de segurança. O CEO da Anthropic, Dario Amodei, defende que, uma vez tornados públicos os pesos, o developer perde a capacidade de atualizar salvaguardas ou recuperar um sistema potencialmente perigoso.
O problema é a dependência.
Quando o modelo vive apenas nos servidores de outra entidade, é o fornecedor que define o preço, a disponibilidade, as regras sobre dados e o calendário de descontinuação. O produto do cliente assenta sobre uma infraestrutura que não controla nem pode inspecionar.
Apesar de anos a defender investigação aberta, a OpenAI não lançava qualquer modelo linguístico aberto desde o GPT-2, em 2019, até 5 de agosto de 2025. Os seus dois modelos gpt-oss, lançados sob licença permissiva Apache 2.0, soam a concessão direta à pressão que os pesos abertos passaram a exercer. A empresa que construiu o negócio de API fechada viu-se obrigada a responder no terreno da concorrência.
Leia também: OpenAI procura 250 mil milhões de dólares em crédito da Nvidia para o mega campus no Ohio
Dez motivos pelos quais pesos abertos ameaçam o modelo centralizado
Nada do que se segue garante que os pesos abertos venham a dominar por completo. A fronteira tecnológica continua nas mãos dos grandes laboratórios, e os riscos são reais. Mas a direção de marcha é consistente há três anos — e contraria o modelo fechado e taxado ao token.
O que mudou foi o racional para pagar um prémio por alugar uma “caixa‑preta”: esse racional está a esvaziar‑se. A convergência é simultaneamente técnica, económica e política.
Eis dez razões para a mudança de equilíbrio.
A diferença de qualidade praticamente desapareceu
O dado 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 apenas uma fração da primeira, o prémio a pagar por acesso fechado torna‑se difícil de justificar. É um problema de preços para qualquer empresa cujo negócio assente na exclusividade.
O preço da “inteligência” ruiu
Os custos caíram ainda mais depressa do que o diferencial de qualidade. Com base em dados da Epoch AI e da Artificial Analysis, o AI Index relata que o custo de executar uma consulta 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.
Trata‑se de um recuo de aproximadamente 280 vezes em menos de dois anos.
A DeepSeek levou a mesma lógica ao treino. O relatório técnico do modelo V3 indica um custo final de cerca de 5,6 milhões de dólares para o treino em 2.048 GPUs Nvidia H800 — contra as dezenas ou centenas de milhões gastas em modelos ocidentais comparáveis. Inteligência barata favorece quem a consegue distribuir amplamente, não quem a guarda mais ciosamente.
O modelo é seu
Ao alugar um modelo fechado, o utilizador aceita as regras do senhorio. O fornecedor pode subir preços, alterar condições ou descontinuar a versão de que o seu produto depende.
Se detiver os pesos, esse poder de barganha desaparece. Pode congelar uma versão, correr o modelo durante anos e mudar de fornecedor sem reescrever toda a pilha tecnológica.
O lock‑in de fornecedor não é um receio teórico. Manifesta‑se em custos de mudança, migrações forçadas e estruturas de preços inegociáveis. Ter os pesos em mãos neutraliza estes riscos, um a um:
- Congelar uma versão e mantê‑la estável enquanto for necessário.
- Alternar entre clouds, ou passar para infraestrutura própria, sem reengenharia profunda.
- Evitar desativações súbitas que podem inutilizar 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 mensais ativos a negociar um acordo à parte — motivo pelo qual os puristas se recusam a classificar o Llama como open source.
Privacidade e soberania dos dados
Há dados que, por lei, não podem sair de determinadas instalações. Hospitais, bancos e organismos públicos muitas vezes não podem enviar registos sensíveis para uma API de terceiros.
Pesos abertos resolvem isto invertendo a lógica: é o modelo que vai até aos dados. A inferência pode ser feita on‑premises ou numa cloud privada, garantindo que nada sensível atravessa fronteiras de fornecedor.
Esta única característica está a abrir portas vedadas às APIs fechadas. Em muitos contextos regulados, o controlo total on‑prem é o fator decisivo.
Os Estados estão a construir os seus próprios modelos
A ansiedade em torno da soberania digital tornou‑se global. Governos começam a ver a dependência de meia dúzia de APIs norte‑americanas ou chinesas como risco estratégico.
Em 2 de setembro de 2025, a EPFL, a ETH Zurich e o Centro Suíço de Supercomputação Nacional lançaram o Apertus, um modelo totalmente aberto treinado em 15 biliões de tokens em mais de 1.000 línguas. Em Abu Dhabi, o Technology Innovation Institute promove a família aberta Falcon desde 2023, e outros países seguiram‑lhe os passos com iniciativas nacionais.
O padrão repete‑se por regiões:
- A Suíça lançou o Apertus com pesos, dados e código integralmente públicos.
- Os Emirados Árabes Unidos têm vindo a lançar sucessivas versões do Falcon sob termos permissivos.
- França, Índia, Japão e Coreia do Sul apoiaram programas domésticos de modelos ou de capacidade computacional.
Não se constrói IA soberana a partir de um modelo apenas alugado. Pesos abertos são pré‑condição — o que torna os Estados financiadores naturais do campo aberto.
Reguladores inclinam‑se para o aberto
A política começou também a favorecer a abertura. Em 23 de julho de 2025, a Casa Branca publicou o “America's AI Action Plan”, com uma secção intitulada “Encourage Open-Source and Open-Weight AI”.
A Europa segue direção semelhante na estrutura, ainda que com espírito diferente. O AI Act da UE concede aos fornecedores de modelos gratuitos e open source de uso geral uma isenção parcial de certas obrigações de documentação, desde que o modelo não seja classificado como risco sistémico.
Os incentivos passaram a apontar mais para divulgar do que para trancar, pelo menos para modelos abaixo da fronteira. Quando a maior potência na corrida da IA incentiva ativamente pesos abertos, o modelo fechado perde a aura de padrão inevitável.
O ecossistema de developers é um motor de escala
Escala gera mais 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 durante 2025.
As corridas de downloads contam o resto da história. A Meta afirma que o Llama passou a fasquia de mil milhões de descargas em 18 de março de 2025, face a 650 milhões no início de dezembro de 2024, enquanto o Qwen, da Alibaba, chegou aos 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 no mercado.
Cada fine-tune, adapter e quantização construídos sobre um modelo aberto reforçam a sua vantagem competitiva. Uma API fechada não captura esse efeito de composição do esforço comunitário, porque ninguém consegue construir em cima de um modelo que não pode, de facto, possuir.
Roda 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 forma a caber em menos memória, e técnicas como LoRA permitem afiná‑lo sem ter de o treinar de raiz.
Os runtimes locais generalizaram isto. Ollama, llama.cpp e vLLM permitem hoje a programadores servir modelos bastante capazes 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 a partir da cloud não consegue oferecer.
Auditabilidade E Interpretabilidade
Não se pode inspecionar aquilo que não se consegue ver. APIs fechadas devolvem apenas respostas, sem qualquer forma de examinar o mecanismo que está por trás.
Pesos abertos permitem a investigadores dissecar o modelo diretamente, estudar como falha e testar a sua segurança à vista de todos. Essa transparência é justamente o motivo pelo qual o campo open argumenta que os seus modelos são, com o tempo, mais fáceis — não mais difíceis — de tornar confiáveis.
Em setores regulados que precisam de justificar decisões, essa visibilidade não é um luxo. É, muitas vezes, uma exigência legal.
A Fronteira Descentralizada
O argumento mais recente está na interseção entre IA e cripto. Se os pesos são abertos, o poder de computação para treinar e servir estes modelos não tem de estar concentrado no data center de uma única empresa.
Projetos como o Prime Intellect já treinaram modelos em hardware distribuído globalmente, com esquemas para verificar se as máquinas remotas executaram mesmo o trabalho que afirmam ter feito. O Bittensor opera um mercado de inteligência artificial incentivado por tokens, precificado no seu token TAO (TAO).
A ressalva honesta é que o treino descentralizado continua hoje 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 para laboratórios fechados.
Também pode interessar: Pixel 11 Vai Ficar Mais Caro, E A Google Diz Que A Culpa É Dos Data Centers De IA
O Veredito
Pesos abertos não vão apagar os laboratórios fechados do mapa. A fronteira de desempenho continua a favorecer quem mais gasta em compute, os lançamentos open ainda chegam meses depois dos melhores modelos proprietários, e pesos públicos trazem riscos de uso indevido que não podem ser “recolhidos” após a sua publicação.
Mas “ultrapassar” não significa “eliminar”. 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, developers e reguladores continuam a preferir modelos que podem efetivamente controlar. A IA centralizada vai continuar a vender conveniência no topo da pirâmide. O resto do mercado avança, de forma discreta, na direção dos pesos que pode possuir.
Leia a seguir: Apple Perde Mão No Preço Da Memória E Os Consumidores Pagam A Fatura
