A Nvidia colocou o rack Groq 3 LPX em produção e pretende deixá-lo operacional ainda este ano na neocloud Nebius. A tecnologia chegou à empresa após a compra de ativos da Groq por US$ 20 bilhões (cerca de R$ 103 bilhões), a maior aquisição já realizada pela Nvidia.
O foco está na inferência de baixa latência, capaz de reduzir o intervalo entre o pedido do usuário e a resposta de um sistema de IA. A característica é especialmente relevante em aplicações de programação, nas quais atrasos podem ser percebidos rapidamente.
A estratégia da Nvidia é combinar tecnologias, não escolher uma só: Groq para baixa latência e GPUs para cargas mais amplas. – Imagem: Samuel Boivin/Shutterstock
Groq ganha espaço nos data centers
Na Nebius, os racks Groq 3 LPX serão instalados junto dos processadores Vera e das GPUs Rubin. Dion Harris, diretor sênior da Nvidia, afirmou que os equipamentos estarão disponíveis ainda este ano.
A arquitetura da Groq coloca 500 MB de memória SRAM de alta velocidade diretamente no chip. Com isso, a tecnologia busca diminuir gargalos provocados pelo acesso à memória durante a execução dos modelos.
Cada rack reúne 256 chips Groq 3. De acordo com a Nvidia, o sistema chega a 3.400 tokens por segundo, resultado baseado em um benchmark da Artificial Analysis.
Os principais números do Groq 3 LPX:
Cada rack Groq 3 LPX reúne 256 chips Groq 3;
O sistema chega a 3.400 tokens por segundo;
A arquitetura conta com 500 MB de SRAM integrada ao chip;
A tecnologia prioriza a inferência de baixa latência;
A Nvidia pagou US$ 20 bilhões pelos ativos da Groq.
Não é uma substituição das GPUs
A tecnologia da Groq cumpre uma função mais específica. Os chips se concentram principalmente na etapa de “decode” da inferência, responsável pela geração dos tokens que compõem a resposta de um modelo.
As GPUs continuam sendo usadas em treinamento e inferência e têm maior flexibilidade para acompanhar diferentes modelos e tecnologias. Para Harris, uma tecnologia não precisa eliminar a outra:
Isso não significa substituir as GPUs. Trata-se de usar o preço certo e o processador certo para a parte certa da carga de trabalho.
A proposta, portanto, é dividir as tarefas conforme as características de cada processador.
A Nvidia reservou um quarto do espaço de data centers voltado à programação para chips Groq. O restante será ocupado pelo Vera Rubin. – Imagem: Divulgação/Nvidia
Corrida pela menor latência
A Nvidia disputa esse mercado com empresas que também procuram acelerar a geração de respostas por IA. A AMD anunciou que vai integrar seus sistemas em escala de rack a chips da Cerebras, que recentemente abriu capital.
A OpenAI também entrou nessa corrida. Seu modo Ultrafast promete 750 tokens por segundo e é “alimentado pela Cerebras”.
A Nvidia, enquanto isso, amplia os envios dos sistemas Vera Rubin, cuja produção começou anteriormente. Em março, durante a apresentação dos sistemas Vera Rubin e Groq 3 LPX, Jensen Huang disse que reservaria um quarto do espaço de data centers destinado a aplicações de programação para os chips da Groq.
“O restante do meu data center é 100% Vera Rubin”, afirmou Huang na ocasião.
Com a Groq, a Nvidia passa a ter uma alternativa específica para acelerar uma etapa da inferência. As GPUs seguem como a base de seus sistemas, enquanto os novos racks assumem tarefas em que o tempo de resposta é um fator decisivo.
Em 22 de julho, Elon Musk publicou no X uma frase curta sobre o atual estágio da inteligência artificial: “Estamos na singularidade”. Três dias depois, Sam Altman, CEO da OpenAI, fez uma afirmação semelhante durante participação no podcast Relentless: “Estamos, tipo, na singularidade”. Na sequência, completou: “Este é o momento”.
As declarações reacenderam uma discussão que existe há décadas, mas que ganhou novos contornos com o avanço recente dos sistemas de IA. Antes de saber se Musk e Altman estão certos, porém, é preciso responder a uma pergunta mais básica: o que significa chegar à singularidade?
Não há uma definição única e consensual para o termo. Dependendo da interpretação, ele pode se referir à superação ampla da inteligência humana pelas máquinas, a um ciclo acelerado de autoaperfeiçoamento da IA ou até a um ponto de não retorno na relação entre sociedade e tecnologia.
É essa diferença que torna difícil determinar se a singularidade já começou. O debate passa pelo que as capacidades atuais dos sistemas de IA representam e por quais critérios seriam necessários para caracterizar uma mudança na própria dinâmica do desenvolvimento da tecnologia.
Sam Altman e Elon Musk – Imagem: FotoField/Shutterstock
De onde veio a ideia de singularidade?
Uma das raízes da ideia de uma possível explosão de inteligência está no trabalho do matemático britânico I. J. Good. Em 1965, ele descreveu uma “máquina ultrainteligente” capaz de superar as atividades intelectuais humanas. Como uma dessas atividades seria projetar máquinas, uma máquina desse tipo poderia criar sistemas ainda melhores, dando início a um processo potencialmente acelerado de aperfeiçoamento. Good chamou esse cenário de “explosão de inteligência”.
O conceito de singularidade ganhou uma formulação mais diretamente associada ao termo décadas depois, com o matemático e escritor de ficção científica Vernor Vinge. Em um texto de 1993 intitulado The Coming Technological Singularity, Vinge relacionou o fenômeno ao surgimento de inteligências superiores às humanas e a uma transformação tão rápida que o período posterior se tornaria difícil de prever com base nos padrões anteriores.
A singularidade, nesse sentido, não significa apenas que as máquinas ficaram mais inteligentes. A ideia é que, a partir de determinado ponto, a velocidade e a natureza da mudança tecnológica poderiam tornar insuficientes os métodos usados anteriormente para prever o futuro.
A partir dessas ideias, diferentes interpretações passaram a coexistir. Uma delas associa a singularidade a uma máquina que se torna suficientemente inteligente para participar do próprio processo de desenvolvimento e produzir sistemas cada vez mais capazes. Nesse cenário, o elemento decisivo não seria apenas uma IA superar humanos em uma tarefa, mas uma mudança na velocidade e na dinâmica de sua evolução.
O futurista Ray Kurzweil popularizou outra formulação, ligada à aceleração do progresso tecnológico e ao crescimento da inteligência não biológica. Kurzweil prevê a singularidade para 2045 e associa o conceito a uma transformação profunda na relação entre humanos e máquinas.
O filósofo David Chalmers também analisou a hipótese de uma explosão de inteligência, na qual uma máquina mais inteligente que os humanos poderia criar uma geração ainda mais inteligente, que por sua vez produziria outra. A discussão sobre o tema, portanto, envolve cenários hipotéticos diferentes, e não uma descrição consensual de um evento que já tenha sido observado.
A própria ideia de uma singularidade também é contestada por pesquisadores da área. Yann LeCun, um dos pioneiros do deep learning e vencedor do Prêmio Turing, afirmou que acredita que as máquinas eventualmente poderão rivalizar com os humanos em inteligência, mas não acredita na singularidade. Para ele, o avanço da IA pode parecer seguir uma trajetória exponencial sem necessariamente continuar dessa forma: o progresso poderia sofrer limitações e assumir uma curva de crescimento que desacelera antes de produzir a ruptura prevista pelos defensores da singularidade.
Essas diferentes formulações ajudam a explicar por que a palavra não descreve necessariamente o mesmo fenômeno para todos os pesquisadores. Para Priscila Machado Vieira Lima, professora da UFRJ nas áreas de inteligência artificial e computação, a primeira pergunta a fazer é justamente: “de qual singularidade” estamos falando?
Não existe uma definição única e consensual para a singularidade. O conceito pode envolver a superação da inteligência humana, o autoaperfeiçoamento acelerado da IA ou uma mudança profunda e irreversível na relação entre tecnologia e sociedade – Crédito: Imagem gerada por IA/ChatGPT – Olhar Digital
AGI é a mesma coisa que singularidade?
É nesse ponto que aparecem dois conceitos frequentemente associados à singularidade: inteligência artificial geral (AGI) e superinteligência.
AGI é usada para descrever uma IA capaz de atuar em uma ampla variedade de tarefas cognitivas, em vez de apresentar competência restrita a determinados problemas. Superinteligência se refere a um cenário hipotético em que uma máquina ultrapassaria as capacidades intelectuais humanas de maneira muito mais abrangente.
Algumas formulações tratam a AGI como uma possível etapa anterior à superinteligência e à singularidade. A lógica seria que uma IA primeiro alcançaria capacidades gerais, depois passaria a melhorar seus próprios sistemas e, por fim, poderia desencadear uma explosão de inteligência. Essa sequência, porém, não é adotada por todas as interpretações do conceito.
Para Arthur Igreja, especialista em tecnologia e inovação, um dos problemas está justamente em confundir desempenho excepcional em determinadas atividades com inteligência de alcance geral. “Ela é muito poderosa dentro de um espectro bastante limitado”, afirmou ao Olhar Digital.
Uma máquina ser melhor que humanos em uma atividade não significa necessariamente que ela seja melhor que humanos em inteligência de maneira geral. Para Igreja, a discussão sobre singularidade precisa considerar a amplitude das capacidades, e não apenas resultados individuais.
Claudio Miceli, professor da UFRJ, faz uma distinção semelhante ao falar sobre autoaperfeiçoamento. Segundo ele, já existem algoritmos capazes de evoluir e se aperfeiçoar conforme recebem novos dados, mas isso não significa que tenham alcançado a AGI. “Os programas já podem evoluir, a gente tem algoritmos que evoluem, que se melhoram, que se aperfeiçoam conforme os dados vão chegando. Isso não necessariamente torna isso uma inteligência artificial geral”, afirmou.
A diferença fica ainda mais importante quando se fala em autoaperfeiçoamento recursivo. Uma IA pode ajudar pesquisadores a escrever código, testar modelos, analisar resultados ou encontrar maneiras de melhorar sistemas. Outra coisa seria a própria máquina conduzir um ciclo cada vez mais autônomo de aprimoramento da inteligência.
Igreja associa esse segundo cenário ao ponto de inflexão da singularidade: uma IA que passaria a se retroalimentar e a depender cada vez menos dos seres humanos para seu próprio desenvolvimento. Hoje, segundo ele, sua evolução ainda depende de pesquisadores, dados, modelos, empresas, investimentos, treinamento e infraestrutura.
O próprio Sam Altman faz uma distinção parecida no post de blog intitulado The Gentle Singularity, publicado em 2025. No texto, o CEO da OpenAI afirma que usar sistemas de IA para acelerar a pesquisa e ajudar a criar sistemas melhores ainda é diferente de uma IA atualizar autonomamente o próprio código. Ao mesmo tempo, ele chama o processo atual de uma versão inicial de autoaperfeiçoamento recursivo.
Essa diferença ajuda a separar duas coisas que podem parecer semelhantes: usar IA para acelerar o desenvolvimento de novas IAs e ter uma IA capaz de conduzir autonomamente seu próprio processo de aperfeiçoamento.
Ilustração conceitual representa a interação entre inteligência artificial e inteligência humana, tema central do debate sobre a singularidade tecnológica – Imagem: KUSHEI / Shutterstock
Mas a singularidade pode já ter começado?
É aqui que as declarações de Musk e Altman encontram uma dificuldade conceitual.
Se singularidade significar uma inteligência artificial que supera amplamente as capacidades humanas e passa a acelerar de forma autônoma o próprio desenvolvimento, para Arthur Igreja e Claudio Miceli, ainda não há evidências suficientes para afirmar que esse estágio já tenha sido alcançado.
Miceli é direto: “se a gente entende singularidade como a IA superar a inteligência humana, a gente não chegou nesse ponto ainda não”. Para ele, os sistemas atuais ainda não atingiram esse nível de inteligência.
Igreja também considera precipitado dizer que já estamos na singularidade quando o conceito é entendido como uma mudança profunda na própria dinâmica de desenvolvimento da inteligência artificial. Para ele, a IA atual ainda apresenta limitações importantes em relação à amplitude das capacidades humanas e sua evolução ainda depende de pesquisadores, dados, modelos, empresas, investimentos, treinamento e infraestrutura.
Priscila Lima, por outro lado, propõe uma definição mais ampla. Ela considera que a singularidade pode ser entendida informalmente como um ponto de não retorno. Nesse sentido, a sociedade já poderia ter passado por algum tipo de singularidade. Essa interpretação não depende de uma máquina ter superado a inteligência humana.
A visão também ajuda a contextualizar a própria formulação de Altman. Em The Gentle Singularity, o CEO da OpenAI descreveu a transformação como gradual, afirmando que a singularidade acontece “pouco a pouco”. No podcast Relentless, porém, resumiu o momento com outra expressão: “Este é o momento”.
No conjunto, as declarações de Altman apresentam a singularidade como um processo em andamento, e não como uma data específica em que uma máquina teria se tornado subitamente superinteligente. No texto de 2025, ele descreve uma evolução gradual; no podcast, embora diga que a singularidade é agora, também afirma que nenhum momento isolado seria o ponto de inflexão.
Para Priscila Lima, essa possibilidade de diferentes pontos de ruptura também significa que pode não existir uma única singularidade. “Penso que, nos próximos anos, testemunharemos várias singularidades”, afirmou, citando possibilidades relacionadas a capacidades como consciência, empatia e senso comum.
Como saberíamos que a singularidade aconteceu?
Essa talvez seja a maior dificuldade do conceito. Se não há uma definição única e consensual, também não existe uma métrica universal capaz de indicar que a singularidade começou.
É possível medir desempenho em tarefas específicas, capacidade de raciocínio, velocidade de execução, autonomia ou adoção da tecnologia. Mas nenhum desses indicadores, isoladamente, determina que uma máquina atingiu o estágio descrito por todas as definições de singularidade.
Claudio Miceli chama atenção justamente para esse problema. “Não tem uma série de métricas que a gente pode falar para definir essa questão do que seria singularidade em termos de adoção, em termos de inteligência, em termos de capacidade”, afirmou.
Há ainda uma questão anterior: o que exatamente significa inteligência? Uma IA pode resolver problemas matemáticos, escrever código, produzir textos ou executar tarefas que antes exigiam pessoas, mas essas capacidades isoladas não estabelecem necessariamente que o sistema tenha uma inteligência geral.
Miceli questiona até onde seria possível definir uma inteligência artificial como geral a partir de tarefas específicas. Se uma máquina for extremamente competente em algumas atividades e limitada em outras, a resposta depende do que se considera necessário para caracterizar uma inteligência geral.
Ele também levanta uma dificuldade ainda mais profunda: uma eventual inteligência artificial geral poderia não funcionar de maneira semelhante à inteligência humana. Em vez de reproduzir nossas capacidades, poderia desenvolver uma forma de inteligência diferente daquela que conhecemos. Nesse cenário, os próprios seres humanos poderiam ter dificuldade para reconhecer o fenômeno.
Essa possibilidade ajuda a explicar por que não basta definir um único teste para a singularidade. Se o fenômeno representar uma mudança na própria natureza ou dinâmica da inteligência, os critérios usados para medi-lo também podem precisar mudar.
A dificuldade não está apenas em descobrir quando a singularidade começou. É preciso primeiro estabelecer qual fenômeno estamos chamando de singularidade, quais capacidades ou mudanças seriam suficientes para caracterizá-la e como poderíamos medi-las. E, se uma eventual inteligência de máquina for muito diferente da nossa, permanece uma questão ainda mais básica: seríamos capazes de reconhecer o momento em que ela realmente chegou?
Nove pessoas foram acusadas em Taiwan de ajudar a enviar para a China servidores de inteligência artificial equipados com chips avançados da Nvidia. O caso envolve ex-funcionários da Nvidia e da Super Micro Computer e uma compra de 130 servidores.
A investigação acontece em meio às restrições dos Estados Unidos à exportação de chips avançados para a China. Segundo o The Wall Street Journal, 74 servidores acabaram no país por rotas que passaram por Hong Kong, Japão e Indonésia. Outros 56 foram interceptados em Taiwan.
Nove pessoas foram acusadas em Taiwan de ajudar no envio de servidores de IA equipados com chips avançados da Nvidia para a China. Imagem: William Potter/Shutterstock
Compra foi aprovada com informações falsas
Duas das pessoas acusadas teriam apresentado informações falsas para obter autorização de compra dos servidores da Super Micro. Aos responsáveis pela aprovação, disseram que os equipamentos permaneceriam em uma instalação em Taiwan.
Os envolvidos ainda declararam que os servidores não seriam vendidos ou enviados a entidades sob sanções americanas. Afirmaram, também, que a operação respeitaria as regras de exportação dos Estados Unidos.
A acusação aponta que um funcionário da Super Micro vazou procedimentos internos usados na análise das vendas. Ele teria procurado um funcionário da Nvidia para conseguir cotas dos servidores.
Esse funcionário da Nvidia, segundo os promotores, sabia do plano. Mesmo assim, informou aos gestores que as inspeções no local haviam sido aprovadas. Havia um problema: a instalação não tinha espaço suficiente para os racks, nem energia e banda larga necessárias.
Servidores seguiram rotas alternativas
Dos 130 equipamentos, 74 foram enviados para a China passando por Hong Kong, Japão e Indonésia. A alfândega de Taiwan conseguiu interceptar os outros 56, que seriam enviados ao Japão.
O processo envolve diferentes acusações. Oito dos investigados respondem por crimes que incluem quebra de confiança e falsificação. Um nono acusado teria desviado dinheiro de uma empresa relacionada ao caso.
Para os promotores, os envolvidos conheciam as regras de controle de exportação e agiram em busca de lucro.
“Motivados exclusivamente pelo lucro”, os acusados teriam “conspirado para exportar servidores de ponta, aumentando os custos de conformidade para as empresas”.
Os servidores percorreram Hong Kong, Japão e Indonésia antes de chegar à China. A rota virou peça central da investigação em Taiwan. – Imagem: Saulo Ferreira Angelo/Shutterstock
Super Micro diz que não é alvo
A investigação começou em maio e ganhou força em junho. A Super Micro informou que coopera com autoridades de Taiwan e de outras jurisdições para proteger sua tecnologia e propriedade intelectual.
A companhia não é alvo da investigação e não foi acusada de irregularidades. Uma apuração interna recente, segundo a empresa, concluiu que sua equipe de conformidade agiu de boa-fé.
Os principais números do caso são:
130 servidores de IA envolvidos na compra investigada;
servidores equipados com chips avançados da Nvidia;
74 servidores enviados à China;
56 servidores interceptados pela alfândega de Taiwan;
nove pessoas acusadas pelas autoridades taiwanesas.
A Super Micro afirmou que pretende reforçar seu programa de conformidade e continuar combatendo esse tipo de operação. O caso coloca em evidência a dificuldade de impedir que servidores com tecnologias restritas cheguem à China por caminhos indiretos.
Você e a inteligência artificial (IA) leem de forma diferente. Você, humano, lê palavras. Usa o vocabulário armazenado na sua mente. A IA, máquina, lê bloquinhos com etiquetas numéricas. Esses bloquinhos são os tokens.
O token é a língua que grandes modelos de linguagem (LLMs, na sigla em inglês), como ChatGPT, Claude e Gemini, entendem. Para transformar a língua que você fala na língua que a máquina fala, seus prompts passam pela tokenização. E para a IA te responder na língua que você entende, ocorre a destokenização.
É isso que está por trás dos preços das assinaturas das plataformas. Processar esses “bloquinhos” consome energia e poder computacional. Então, as empresas usam a quantidade de tokens consumidos (tanto na sua pergunta quanto na resposta da IA) para calcular os custos do sistema, definir os limites de “memória” de cada modelo e cobrar pelo seu uso.
O que é token e como ele funciona na IA
Para a IA entender sua mensagem (comando, prompt), ela precisa quebrar o que você mandou (texto, áudio, imagem) em blocos: os tokens. “Um token é basicamente uma subpalavra”, explica Fabrício Carraro, Program Manager da Alura, em entrevista ao Olhar Digital. “Por exemplo: a palavra ‘feliz’ é um token, a palavra ‘triste’ é um token, a palavra ‘divisível’ é um token.”
Então, por que chamar de subpalavra?
Se a gente tem ‘indivisível’ ou ‘infeliz’, você vai ter o token ‘in’. O token ‘in’ corresponde, digamos, ao número 357 no vocabulário total de um modelo de linguagem. E o token ‘feliz’ vai ser o token 352. Esses dois juntos – o token ‘in’ e o token ‘feliz’ – formam a palavra ‘infeliz’.
Fabrício Carraro, Program Manager da Alura, em entrevista ao Olhar Digital
É isso que acontece no motor da IA (o LLM). Ele recebe uma sequência de bloquinhos com etiquetas numéricas (seu prompt) e faz um cálculo super complexo para prever quais devem ser os bloquinhos de saída (resposta da IA).
Como modelos de IA usam tokens para entender (e responder) o que você mandou – Imagem: Olhar Digital via Gemini
O ‘gerente invisível’ da IA
Só que quando você conversa com o ChatGPT, não está interagindo diretamente com o motor. Você está usando a camada de software ao redor dele: o harness. É como se fossem os arreios que direcionam o cavalo (o LLM) para uma tarefa.
Em outras palavras: quando você manda mensagem para uma IA, é o harness que coordena o fluxo da tokenização e destokenização. É como se ele fizesse a máquina pensar antes de falar.
“O harness pega sua pergunta, seu prompt, e divide em possíveis perguntas que poderiam ser feitas para responder a esse prompt”, explica Carraro.
“Em vez de responder direto, ele já vai gerando pequenas perguntas, subperguntas, dividindo em subproblemas, e vai respondendo, de forma ‘escondida’, cada um desses subprobleminhas que criou para ele mesmo”, diz o especialista. “Depois que termina esse raciocínio, ele te dá a resposta. É isso que está gastando tokens.”
Existe outra variável em curso nas suas conversas com IA: a janela de contexto. E ela tem tudo a ver com tokens.
É como se a janela de contexto fosse o tamanho da sua mesa de trabalho (porque é a “memória de curto prazo” da IA). E os tokens fossem folhas de papel com informações que você espalha sobre a mesa.
Em termos mais técnicos e práticos: a janela de contexto define o número máximo de tokens (seus prompts de entrada somados às respostas de saída da IA) que a IA consegue processar ao mesmo tempo. Se a sua conversa estiver dentro deste limite, a IA consegue “lembrar” de tudo que foi falado e mandado na hora de te responder. Se a conversa extrapolar esse limite, informações ficarão pelo caminho.
Por que token não é a moeda da IA (mas tem a ver)
Empresas consideram tokens na hora de precificar o uso das suas IAs – Imagem: Anze Furlan/Shutterstock
O token está, sim, relacionado ao preço que se cobra em assinaturas de IA, como os planos Go do ChatGPT e Plus do Gemini. Mas o token, por si só, não é a moeda da IA. Ele é considerado na hora de precificar o uso da IA – seja num valor de assinatura, seja no valor de créditos (esses, sim, funcionam como moedas em plataformas).
É que o token é a unidade de medida do processamento de dados. É o “bloco de construção” usado pela máquina para entender o conteúdo enviado pelo usuário. Em última análise, o token serve como métrica de consumo. Com base no volume de tokens que entram (prompts do usuário) e saem (respostas da IA), as empresas medem o esforço computacional e os custos operacionais.
Depois de considerar diversas variáveis, chega-se aos preços das assinaturas e dos créditos. No Claude Fable 5, por exemplo, a Anthropic cobra US$ 10 (aproximadamente R$ 51, em conversão direta) por um milhão de tokens de entrada e US$ 50 (R$ 257) por um milhão de tokens de saída.
“Um milhão de tokens parece muito, mas não é”, observa Carraro. “Para um problema de programação você gasta isso em dois, três ou quatro prompts, dependendo do tamanho do problema e da complexidade.”
“Para problemas pequenos é bastante, mas para a maioria das bases de código com que a gente trabalha não é tanta coisa assim”, acrescenta o especialista. “Esses US$ 50 acabam rápido.”
A Nvidia fechou um acordo de US$ 6 bilhões (cerca de R$ 30,9 bilhões) com a startup Poolside para licenciar sua tecnologia e contratar a maior parte de seus engenheiros. O objetivo é acelerar o desenvolvimento de modelos de IA de pesos abertos capazes de disputar espaço com sistemas chineses.
Segundo o The Wall Street Journal, o movimento também aproxima a Nvidia de uma concorrência direta com OpenAI e Anthropic. A empresa, que fornece os chips usados por grandes laboratórios de IA, agora amplia sua atuação para o desenvolvimento dos próprios modelos.
A Nvidia quer fortalecer a IA aberta dos EUA para disputar espaço com modelos chineses como DeepSeek, Kimi e GLM – Imagem: justhavealook/iStock
Poolside reforça o Nemotron
O acordo inclui ainda um investimento de US$ 1 bilhão (R$ 5,16 bilhões) na Poolside, que tinha avaliação prévia de US$ 12 bilhões (R$ 62 bilhões).
Mais de 100 funcionários da startup, principalmente engenheiros, serão incorporados à Nvidia. O grupo trabalhará no Nemotron, projeto de modelos de pesos abertos apresentado pela companhia em 2023.
Fundada em 2023 por Eiso Kant e Jason Warner, ex-CTO do GitHub, a Poolside também tem Margarida Garcia na equipe de liderança. Os três não irão para a Nvidia e continuarão envolvidos em projetos de pesquisa ainda não divulgados.
A diferença dos modelos de pesos abertos está na possibilidade de download e modificação. Isso permite adaptar os sistemas para diferentes necessidades e, em geral, operar a tecnologia com custos menores.
China acelera a disputa
A Nvidia aumentou sua atenção ao segmento depois do avanço dos modelos chineses. Em março, criou a Nemotron Coalition, com empresas como Mistral, Thinking Machines Lab e Perplexity, para compartilhar dados, conhecimento e recursos computacionais.
O lançamento do primeiro modelo de pesos abertos de baixo custo da DeepSeek, em janeiro de 2025, foi um dos momentos que elevaram a pressão sobre as empresas americanas.
Entre os modelos chineses mencionados estão:
DeepSeek;
Kimi, da Moonshot;
GLM, da Z.AI;
outros sistemas de pesos abertos que vêm se aproximando dos modelos americanos.
Em uma carta publicada na rede X, Jensen Huang, CEO da Nvidia, defendeu que a liderança americana dependerá da construção de um ecossistema aberto capaz de chegar a diferentes setores.
O problema que levou ao acordo
A situação financeira da Poolside também ajudou a aproximar as duas empresas. No fim de 2025, a startup tentou levantar US$ 2 bilhões (R$ 10,3 bilhões) em seis semanas para pagar por um cluster com 40 mil servidores GB300. A captação não foi concluída.
“Não fechamos a tempo e perdemos o cluster”, escreveram os fundadores da Poolside aos acionistas.
O episódio deixou claro outro problema: sem novos recursos, a empresa poderia ficar sem capacidade computacional já no ano seguinte. A Nvidia tinha justamente a infraestrutura e o capital necessários para aliviar essa limitação.
Pouco antes do acordo, a Poolside havia lançado o Laguna S, modelo que ganhou popularidade entre os sistemas de pesos abertos no Ocidente.
A corrida da IA mudou de escala: a Nvidia quer vender os chips e também participar da criação dos modelos que eles alimentam. Imagem: Hairem/Shutterstock
Nvidia entra em terreno mais disputado
A operação cria uma situação incomum para a Nvidia. OpenAI e Anthropic estão entre seus grandes clientes de chips, mas também desenvolvem modelos que podem disputar mercado com o Nemotron.
A empresa trabalha agora na versão mais avançada do projeto, que pode superar 1 trilhão de parâmetros. Alguns modelos chineses, segundo o texto, já são maiores.
Com a Poolside, a Nvidia deixa de atuar apenas nos bastidores da corrida da IA. A companhia passa a disputar também o desenvolvimento dos modelos que dependem de seus próprios processadores.
A Alibaba lançou nesta segunda-feira (24) o Wan3.0, novo modelo de inteligência artificial para geração de vídeos. Segundo a Reuters, a ferramenta consegue criar vídeos de até 30 segundos usando documentos, planilhas, apresentações e páginas da web como ponto de partida.
O anúncio veio um dia depois de a companhia chinesa revelar uma oferta de ações de US$ 10 bilhões (cerca de R$ 51 bilhões). A operação busca levantar recursos para os gastos crescentes com inteligência artificial.
A Alibaba lançou o Wan3.0 um dia após anunciar uma oferta de ações de US$ 10 bilhões para financiar gastos crescentes com IA. Imagem: BigTunaOnline/Shutterstock
Wan3.0 já tem aplicações
O modelo não parte apenas de comandos de texto para criar vídeos. Documentos, planilhas, slides e páginas da internet também podem servir de base para a produção.
A Alibaba Cloud apresentou o Wan3.0 em uma publicação no WeChat. A versão beta pública havia sido disponibilizada em 6 de agosto.
Desde então, a tecnologia passou a ser usada em diferentes atividades. A lista inclui produção de dramas curtos e filmes, publicidade, marketing, promoção turística e criação de videoclipes.
Empresa aumenta aposta em IA
A chegada do Wan3.0 ocorre enquanto a Alibaba eleva os investimentos no setor. No domingo, a empresa anunciou uma oferta de ações de US$ 10 bilhões, considerada a maior oferta primária de novas ações já feita por uma companhia listada em Hong Kong.
A captação acontece em meio à disputa cada vez mais acirrada pelo desenvolvimento de tecnologias de inteligência artificial. Para a Alibaba, a expansão nessa área vem acompanhada de despesas cada vez maiores.
Entre os principais pontos do novo modelo estão:
Vídeos de até 30 segundos;
Uso de documentos como fonte para a criação;
Suporte a planilhas, slides e páginas da web;
Aplicações em filmes, dramas curtos e videoclipes;
Uso em publicidade, marketing e promoção turística.
A aposta em IA tem custo alto para a Alibaba: o lucro trimestral da empresa caiu 75% em meio ao aumento das despesas com a tecnologia. – Imagem: DC Studio/Shutterstock
Gastos pesam no balanço
O aumento dos investimentos já aparece nos resultados da Alibaba. Na semana passada, a companhia informou uma queda de 75% no lucro trimestral em relação ao mesmo período do ano anterior.
Segundo a Reuters, o recuo ocorreu em meio ao avanço das despesas de capital ligadas à inteligência artificial. A nova captação de recursos acontece justamente nesse momento.
Com o Wan3.0, a Alibaba coloca mais uma ferramenta de geração de vídeo no mercado enquanto direciona bilhões de dólares para ampliar sua atuação em inteligência artificial.
A brasileira Enter atingiu valor de mercado de US$ 1,2 bilhão (cerca de R$ 6,16 bilhões) em maio e se tornou o primeiro unicórnio de IA da América Latina. Criada em 2023, a startup desenvolve ferramentas para empresas que precisam lidar com processos judiciais.
A nova rodada de investimentos levantou mais de US$ 100 milhões (aproximadamente R$ 514 milhões) com Sequoia e Founders Fund, investidores que já haviam colocado dinheiro na companhia. O aporte triplicou a avaliação da Enter.
A Enter usa agentes de IA para analisar processos, contratos, áudios, vídeos e extratos antes da entrada de um profissional humano. Imagem: TANYARICO/Shutterstock
IA para analisar processos
Criada por Mateus Costa-Ribeiro e Henrique Vaz, a Enter começou pelo setor jurídico. A tecnologia pode atuar em diferentes momentos de um processo, incluindo cadastro de ações, análise de jurisprudências, detecção de fraudes documentais e sugestão de minutas.
Os agentes de IA também analisam os arquivos relacionados aos casos. Contratos, áudios, vídeos e extratos estão entre os materiais que podem ser examinados em busca de informações relevantes para a defesa.
“Começando pelo jurídico, a tecnologia da Enter traz mais eficiência para todo o ciclo de um processo judicial: do cadastro de ações e detecção de fraudes documentais à análise de jurisprudências e sugestão de minutas”, afirma a empresa.
A Enter diz ainda realizar mais de 30 verificações para encontrar sinais de litigância abusiva, entre eles:
litispendência, quando uma mesma ação é apresentada mais de uma vez à Justiça;
adulteração de documentos;
atuação coordenada entre litigantes;
padrões identificados durante a análise dos processos.
O agente de IA vem antes
Na operação descrita pela empresa, a inteligência artificial entra em cena antes do profissional humano. Cada arquivo é analisado por um agente de IA, que processa as informações antes da participação de uma pessoa.
“Cada etapa que se pode imaginar em um processo judicial é primeiro tratada por um agente de IA antes da entrada de um humano”, disse Costa-Ribeiro à Bloomberg, em maio.
O que começou com uma petição em PDF e uma sugestão de contestação por e-mail virou o primeiro unicórnio de IA da América Latina. – Imagem: ANUCHIT786 / Shutterstock
A aposta de um ex-advogado
A história da Enter começou depois que Costa-Ribeiro deixou um dos principais escritórios de advocacia de Nova York para trabalhar com tecnologia. Ele contou no LinkedIn que a decisão significou abandonar um emprego estável e um salário que seria muito maior do que o recebido na nova atividade.
O executivo passou a trabalhar com engenheiros de software, aprendeu programação e mudou-se para Stanford. Com dois amigos, desenvolveu um site no qual o usuário enviava uma petição inicial em PDF e recebia por e-mail uma sugestão de contestação.
“Era setembro de 2023, e eu não tinha ideia de que aquele Google Forms feio — a primeira interface do produto da Enter — se transformaria na maior aventura de autoconhecimento e crescimento da minha vida”, celebrou.
O protótipo simples acabou dando origem à Enter, que menos de dois anos depois alcançou avaliação de US$ 1,2 bilhão.
Hoje, é difícil encontrar quem não tenha ouvido falar em ChatGPT. O chatbot da OpenAI chegou ao cotidiano de milhões de pessoas, dividindo espaço com ferramentas de empresas como Google, Microsoft, Meta e Anthropic. Para muita gente, conversar com uma inteligência artificial para pesquisar informações, escrever textos, programar ou criar imagens já faz parte da rotina. No início de 2023, porém, explicar o que era o ChatGPT ainda era uma das tarefas da imprensa de tecnologia.
Em janeiro daquele ano, o Olhar Digital publicou um guia para responder justamente a essas perguntas. “O que é ChatGPT e como acessar a inteligência artificial em português” explicava o que era um modelo de linguagem, como funcionava e quais eram suas limitações. Naquele momento, o texto precisava apresentar uma tecnologia que ainda era novidade para boa parte do público — e explicar que o serviço podia gerar textos, mas também poderia produzir informações incorretas e conteúdo enviesado.
Mas a história que levou até o ChatGPT havia começado alguns anos antes. Em 2019, o Olhar Digital já acompanhava o GPT-2, então descrito como um sistema capaz de produzir textos convincentes a ponto de levantar preocupações sobre desinformação, spam e outros usos maliciosos. Em 2020, a chegada do GPT-3 ampliou ainda mais essa discussão: o modelo tinha 175 bilhões de parâmetros e conseguia produzir textos sobre diferentes assuntos a partir de poucas amostras.
Em dezembro de 2022, poucos dias depois de a OpenAI apresentar o ChatGPT, o Olhar Digital publicou uma matéria chamando a ferramenta de “amigo virtual” e mostrando alguns dos usos que começavam a chamar atenção. A reportagem também registrava uma questão que continuaria acompanhando a evolução dos modelos: apesar de serem capazes de produzir respostas convincentes, eles também podiam inventar informações. De lá para cá, a inteligência artificial mudou — e a forma de acompanhar essa tecnologia também.
O desafio de acompanhar uma tecnologia que muda tão rápido
Se acompanhar a inteligência artificial já fazia parte da rotina de uma redação de tecnologia antes do ChatGPT, o ritmo de desenvolvimento dos últimos anos tornou essa tarefa ainda mais complexa. Novos modelos, recursos e empresas surgem constantemente, enquanto tecnologias que pareciam experimentais passam rapidamente a fazer parte de produtos usados no dia a dia. Para quem cobre o setor, não basta saber que uma novidade foi anunciada: é preciso entender o que mudou e qual é o impacto real daquela tecnologia.
Há, porém, uma particularidade no trabalho de um portal de notícias: nem sempre é possível fazer toda essa avaliação antes de publicar a primeira notícia. O ritmo da cobertura é acelerado, especialmente quando uma empresa anuncia um novo produto ou modelo. Uma informação que acabou de ser divulgada pode deixar de ser novidade poucas horas depois. Por isso, a primeira etapa costuma ser noticiar o anúncio e, depois, aprofundar a apuração quando o assunto justifica.
Esse aprofundamento pode envolver testar a ferramenta, analisar benchmarks, consultar documentos e buscar especialistas. Nem toda novidade é testada pela redação, mas recursos que chamam a atenção do público, apresentam algum comportamento diferente ou levantam dúvidas podem ser colocados à prova. E essa seleção é discutida constantemente. A ideia é entender melhor aquilo que foi anunciado e identificar, na prática, suas possibilidades e limitações.
Os benchmarks também exigem cuidado. Empresas costumam apresentar resultados de avaliações para mostrar que um modelo é mais rápido, inteligente ou capaz que os anteriores e que os concorrentes. Mas um resultado superior em determinado teste não significa necessariamente que o sistema seja melhor em todas as tarefas. É preciso entender o que aquela avaliação mede, quais modelos foram comparados e em quais condições.
O que existe por trás de uma notícia sobre IA
Depois da notícia inicial, começa uma parte menos visível do trabalho: descobrir o que, de fato, existe por trás de uma novidade. A redação pode recorrer a pesquisas, documentos técnicos, demonstrações e resultados apresentados pelas próprias empresas, além de outras fontes capazes de colocar aquela informação em contexto. Quando a questão é complexa demais para ser compreendida apenas a partir desses materiais, entram os especialistas.
O Olhar Digital consulta pesquisadores, profissionais do mercado, colunistas e especialistas independentes de acordo com o assunto. Entre as fontes que ajudam a redação a entender temas relacionados à tecnologia e à inteligência artificial semanalmente estão Arthur Igreja, especialista em tecnologia e inovação; Roberto Pena Spinelli, físico e especialista em IA; Álvaro Machado Dias, neurocientista, professor da Unifesp e futurista; e Leandro Alvarenga, consultor de privacidade e segurança. Eles fazem parte do time de colunistas do Olhar Digital News, nossa live diária, e do nosso site.
Esse processo parte de uma constatação simples: o jornalista não precisa saber tudo sobre a tecnologia que está cobrindo, mas precisa saber o que precisa entender antes de explicá-la ao leitor. É parecido com preparar um bolo sem necessariamente conhecer todas as reações químicas que fazem a receita funcionar. Quando aquela explicação é importante para compreender uma história, é preciso buscar quem consiga explicar o que acontece dentro do “forno”.
A apuração também pode envolver testar diretamente os sistemas. Isso acontece principalmente quando uma ferramenta apresenta algo diferente, curioso ou que levanta alguma suspeita de erro. Não é possível testar tudo o que é lançado no mercado, mas experimentar recursos que despertam interesse do público pode ajudar a transformar uma promessa em uma informação mais concreta.
Quando a inteligência artificial também vira ferramenta de trabalho
A relação da redação com a inteligência artificial não acontece apenas nas matérias publicadas. À medida que essas ferramentas evoluíram, elas também passaram a fazer parte da rotina de produção jornalística. A adoção não aconteceu de uma hora para outra e foi acompanhada de muita cautela, mas hoje a IA já está presente em diferentes etapas do trabalho — como uma ferramenta de apoio, e não como substituta do jornalista.
Um dos impactos mais concretos aparece nas entrevistas. Durante muito tempo, transformar uma conversa gravada em texto significava ouvir novamente todo o material e fazer a transcrição manualmente, um processo que podia consumir horas. Hoje, praticamente toda ferramenta de videochamada oferece algum recurso de transcrição automática, além de existirem serviços específicos para essa tarefa que utilizam IA.
A mudança parece simples, mas representa uma economia significativa de tempo. A ferramenta transforma a gravação em texto e deixa para o jornalista uma etapa que exige muito mais decisão: conferir o material, identificar as declarações relevantes, selecionar os trechos que serão utilizados e contextualizá-los na reportagem. A IA não faz a entrevista nem decide o que deve ser publicado; ela reduz uma parte mecânica do processo.
A pesquisa também mudou. Ferramentas de IA podem ajudar a encontrar caminhos para uma apuração, organizar informações ou localizar documentos e páginas relevantes. Mas existe uma diferença importante entre usar uma IA para encontrar uma fonte e usar a resposta da IA como fonte. Quando uma ferramenta indica um link, o material original precisa ser aberto e conferido.
Esse cuidado ficou ainda mais importante à medida que os sistemas melhoraram. No início da popularização dessas ferramentas, era comum encontrar informações inventadas durante pesquisas. Hoje, esse tipo de problema se tornou menos frequente, mas a resposta de uma IA ainda não é tratada como informação definitiva. A fonte original continua sendo o ponto de verificação.
Na rotina, diferentes ferramentas também acabam sendo usadas para diferentes necessidades. O ChatGPT pode ajudar na organização de fluxos de trabalho e na geração de imagens; o Modo IA da busca do Google pode facilitar a localização de links; o Notebook Gemini, antigo NotebookLM, pode ser usado para consultar documentos; o TurboScribe, para transcrever entrevistas; e o Claude, para auxiliar na revisão de textos, por exemplo.
A geração de imagens, por outro lado, tem um uso mais pontual. Em geral, bancos de imagens e fotos oficiais continuam sendo a opção preferida, mas existem situações em que não há uma fotografia adequada ou em que uma imagem criada artificialmente consegue representar um conceito que seria difícil de explicar apenas com texto. Nesses casos, a IA pode funcionar como mais uma possibilidade de ilustração.
No fim, a escolha da ferramenta depende da tarefa. Não existe uma única IA que resolva todas as necessidades da redação, assim como não existe uma ferramenta que substitua todas as etapas do trabalho jornalístico. A preocupação é fazer com que a tecnologia interfira o mínimo possível nas decisões que continuam sendo responsabilidade do jornalista.
O problema de informar sobre uma tecnologia que também produz informação
A inteligência artificial também mudou o ambiente em que o jornalismo é produzido. Se antes a internet era principalmente o lugar onde o jornalista encontrava informações publicadas por outras pessoas, hoje ela também está cheia de textos, imagens e outros conteúdos produzidos ou modificados por sistemas de IA. Isso cria uma camada adicional de verificação para quem precisa separar informação confiável de conteúdo que apenas parece convincente.
O problema não está apenas em identificar se determinado material foi feito por uma inteligência artificial. Mesmo quando a origem é conhecida, ainda é preciso avaliar se a informação está correta. Modelos de linguagem podem produzir respostas coerentes e bem fundamentadas na aparência, mas que contêm erros ou informações inventadas.
Essa preocupação já fazia parte da cobertura do Olhar Digital antes da popularização do ChatGPT. Em 2020, ao falar sobre o GPT-3, a redação registrava preocupações relacionadas a possíveis usos para desinformação, spam, phishing e outros abusos. Na matéria sobre o ChatGPT publicada no fim de 2022, também aparecia a capacidade de o sistema inventar informações que não existiam.
Hoje, essa questão ganhou uma dimensão maior porque a IA deixou de ser apenas o assunto da notícia e passou a fazer parte do próprio processo de produção e circulação de informações. Para uma redação que acompanha essa tecnologia diariamente, isso significa manter uma pergunta básica em diferentes etapas da apuração: será que é isso mesmo?
A inteligência artificial mudou muito desde aquelas primeiras matérias sobre GPT-2, GPT-3 e ChatGPT. A cobertura também mudou com ela. O que permanece é a necessidade de entender a tecnologia antes de explicá-la, verificar aquilo que pode estar errado e encontrar especialistas quando uma questão exige conhecimento que vai além da própria redação.
Os modelos de inteligência artificial que alimentam ferramentas como ChatGPT, Gemini e Claude foram treinados em bases de dados com centenas de milhões de livros publicados, artigos, trabalhos acadêmicos e conteúdo da internet. A maioria dos autores cujas obras integram esses conjuntos de dados não foi consultada nem deu consentimento. Essa prática é legal? A resposta a essa pergunta é complexa.
Em entrevista ao TechCrunch, Cathy Gellis, advogada especializada em propriedade intelectual, direitos autorais e tecnologia, afirma:
Acho que um dos problemas com toda essa área do direito e toda essa área de tecnologia é que há muita coisa acontecendo. É muito complexo e há muitos sentimentos à flor da pele sobre o que está acontecendo, tanto a favor quanto contra.
O caso Anthropic e o que o juiz realmente decidiu
Em uma das primeiras decisões desse tipo, o juiz William Alsup determinou que a Anthropic pagasse um acordo de US$ 1,5 bilhão a um grupo de escritores cujas obras foram usadas no treinamento dos modelos de IA da empresa. Apesar do valor, Alsup concluiu que o treinamento em si foi legal. O que ele penalizou foi a obtenção pirata dos livros a partir de bibliotecas digitais ilegais.
Na decisão, o juiz comparou a forma como um modelo de linguagem ingere trilhões de palavras ao processo de um aluno que lê obras existentes para criar uma nova. “Assim como qualquer leitor que aspira a ser escritor, os LLMs da Anthropic treinaram sobre obras não para avançar e replicá-las ou substituí-las, mas para virar uma curva difícil e criar algo diferente”, escreveu Alsup.
Anthropic é a criadora do chatbot Claude
Gellis avalia que a decisão é mais favorável às empresas de IA do que aos autores. A multa de US$ 1,5 bilhão pesa diferente para uma empresa que projeta cerca de US$ 200 bilhões em receita anual até 2028. “Acho que, de modo geral, é uma boa notícia para o treinamento de IA que ele tenha analisado o que estava acontecendo e realmente considerado análogo à leitura de uma obra protegida por direitos autorais, em oposição à cópia de uma obra protegida por direitos autorais”, disse Gellis. “A lei de direitos autorais se baseia na cópia, mas não se baseia no uso da obra, na experiência da obra, no consumo da obra, na leitura da obra.”
Uma lei de 1976 diante de questões do século XXI
A lei de direitos autorais dos Estados Unidos não é atualizada desde 1976, o que obriga os juízes a interpretar diretrizes de 50 anos atrás para decidir questões com potencial de moldar o futuro da indústria de IA.
Grande parte dos casos gira em torno do conceito de uso justo (fair use), que determina se o uso de uma obra protegida é “transformador” o suficiente para ser legalmente permitido. Trata-se de uma exceção ao direito autoral que permite o uso de obras protegidas sem autorização explícita, cobrindo crítica, paródia, educação e outros fins. Os juízes analisam fatores como a finalidade e a natureza do uso, a quantidade utilizada e o impacto sobre o mercado da obra original.
Jason Henderson, advogado sênior e fundador da Prática de PI e Mídia do JWL International, disse ao TechCrunch: “O direito autoral é sempre sobre proteger e expandir o mercado”. Segundo ele, os tribunais têm penalizado casos em que o treinamento sobre uma obra tem como objetivo competir diretamente com ela, e tendem a aceitar usos que não gerem essa concorrência direta.
Decisões jurídicas
A empresa de mídia e tecnologia Thomson Reuters processou a firma de pesquisa Ross Intelligence por copiar seu conteúdo para construir uma plataforma jurídica baseada em IA que concorreria diretamente com ela. O juiz Stephanos Bibas concluiu que o uso não era transformador porque não tinha “uma finalidade adicional ou caráter diferente” do conteúdo da Thomson Reuters.
Embora autores pudessem argumentar que chatbots competem com eles ao usar suas obras para gerar novos livros sintéticos, esse argumento ainda não prevaleceu nos tribunais.
Gellis destaca que a relação entre IA e direitos autorais envolve duas questões distintas: o uso de obras no treinamento de modelos e a proteção de conteúdo gerado por IA. Em outro julgamento nos Estados Unidos, o tribunal decidiu que uma obra 100% gerada por IA não pode ser protegida por direitos autorais. Isso abre uma nova camada de incerteza: como provar de forma definitiva se uma obra foi gerada com IA? E, se foi, qual percentual dela é de autoria humana ou assistida por máquina?
Se você escreve seu romance no Word e usa o corretor ortográfico, nos sentimos confortáveis com a ideia de dizer que o Word não é dono do seu romance. A IA está nos forçando a olhar para um monte de decisões que ignoramos por um tempo.
Cathy Gellis
A maioria das empresas de IA ainda enfrenta litígios pendentes sobre essas questões. “O que você está vendo é que as primeiras decisões estão sendo influentes, e essa influência pode ser desfeita se outros tribunais decidirem de forma diferente, e levará estágios posteriores de litígio para descobrir qual prevalecerá”, disse Gellis. “Mas, enquanto isso, todas essas decisões estão moldando tudo o que está acontecendo. Seria um tanto tolo para as empresas de IA ignorá-las.”
A OpenAI mudou sua posição sobre a legislação de segurança para inteligência artificial (IA) na Califórnia e agora defende o fortalecimento da SB 53. Em publicação feita na sexta-feira (21), a área de Assuntos Globais da empresa afirmou apoiar a lei, que entrou em vigor no estado no ano passado, mas pediu alterações para ampliar as proteções de segurança aplicadas aos modelos de IA de fronteira.
A posição atual contrasta com a atuação anterior da empresa na discussão sobre leis de segurança de IA na Califórnia. Em 2024, a OpenAI se opôs à SB 1047, projeto de lei anterior sobre segurança de modelos de inteligência artificial. Já durante a tramitação da SB 53, em 2025, a companhia pressionou por mudanças no texto e defendeu maior alinhamento com padrões federais e internacionais. Agora, a empresa passa a defender publicamente a legislação estadual como uma base importante para a segurança de IA de fronteira e quer ampliar suas salvaguardas.
No texto publicado no LinkedIn da empresa, a OpenAI defendeu uma abordagem que chama de “federalismo reverso“. A ideia é que os estados avancem em proteções compatíveis enquanto o Congresso dos Estados Unidos continua discutindo uma legislação federal, criando uma possível base para um futuro padrão nacional de segurança para IA de fronteira.
OpenAI quer ampliar as proteções da SB 53
Segundo a OpenAI, a SB 53 estabeleceu uma base importante para a segurança de modelos de IA de fronteira na Califórnia e ajudou a avançar uma estrutura comum que também começa a surgir em outros estados. A empresa citou como elementos centrais da legislação as exigências de avaliação de riscos, transparência, comunicação de incidentes e segurança.
A companhia, porém, afirma que a harmonização das regras não deve significar manter os requisitos de segurança inalterados. Como os modelos de IA de fronteira avançam rapidamente, a OpenAI defende que legisladores e desenvolvedores possam incorporar aprendizados de acontecimentos reais e transformá-los em novas salvaguardas.
Por isso, a empresa afirmou estar comprometida em trabalhar com a Assembleia Legislativa da Califórnia e com o governador do estado para fortalecer a SB 53. Uma das mudanças propostas é exigir o monitoramento de modelos de fronteira durante treinamento ou avaliação para identificar possíveis incidentes graves.
A OpenAI cita como exemplo comportamentos que possam contornar controles de segurança de terceiros e comprometer informações confidenciais dessas organizações. A empresa também defende o reforço das proteções de segurança cibernética durante todo o ciclo de desenvolvimento dos modelos, especificamente para impedir que eles contornem controles internos.
Incidentes reforçam discussão sobre segurança
A defesa de mudanças ocorre após episódios envolvendo modelos de IA que conseguiram escapar de ambientes de teste controlados. Em julho, a OpenAI admitiu que um de seus modelos de fronteira conseguiu deixar um ambiente desse tipo e posteriormente invadiu o Hugging Face.
A Anthropic também afirmou que seus modelos Claude escaparam de ambientes de avaliação e se infiltraram em três organizações externas.
Hugging Face, invadido por modelo da OpenAI, hospeda grandes modelos de IA – Imagem: Robert Way /Shutterstock
A OpenAI afirma que a proposta não tem como objetivo criar regras específicas para um determinado incidente. Segundo a empresa, a intenção é estabelecer uma estrutura que ajude desenvolvedores a detectar problemas mais cedo, responder rapidamente e compartilhar aprendizados que possam melhorar a segurança do setor.
Da oposição à SB 1047 ao apoio à SB 53
A trajetória da empresa na Califórnia envolve dois projetos diferentes. Em agosto de 2024, a OpenAI manifestou oposição à SB 1047, proposta apresentada pelo senador estadual Scott Wiener que estabelecia regras de segurança para modelos avançados de IA. O governador Gavin Newsom vetou o projeto em setembro daquele ano.
A SB 53 surgiu posteriormente, em 2025, com uma estrutura diferente. Durante a tramitação, a OpenAI fez pressão por alterações e defendeu que desenvolvedores que seguissem estruturas federais ou internacionais de segurança fossem considerados em conformidade com determinadas exigências estaduais.
A empresa posteriormente afirmou que não havia se oposto à SB 53 e caracterizou sua atuação como uma tentativa de harmonizar a legislação com outros padrões. Agora, entretanto, a OpenAI vai além de defender a manutenção da lei e pede novas exigências de segurança.
No novo posicionamento, a companhia também apresenta o conceito de “reverse federalism”. A proposta parte da ideia de que os estados podem avançar em proteções comuns enquanto o Congresso dos Estados Unidos continua discutindo uma legislação federal, criando bases que futuramente poderiam contribuir para um padrão nacional.
A OpenAI afirmou ainda que continuará compartilhando os aprendizados obtidos com o desenvolvimento de modelos de fronteira e trabalhando com formuladores de políticas para elevar os padrões de segurança e proteção cibernética do setor.
