A Explosão de IA Não Estourou, mas o Cálculo de IA Está Mudando Definitivamente

Não tenha medo dos ursos de IA. Eles estão se perguntando em voz alta se o grande boom em investimentos em IA já passou, se muita excitação e gastos em sistemas de treinamento de IA massivos alimentados por multidões de GPUs de alto desempenho já se esgotaram, e se as expectativas para a era de IA devem ser radicalmente reduzidas.

Mas, se você olhar mais de perto os planos dos principais hyperscalers, o investimento em IA está vivo e bem. Meta, Amazon (AMZN ), Microsoft (MSFT ) e Google todos recentemente dobraram seus investimentos em tecnologia de IA. Seu compromisso coletivo para 2025 totaliza mais de $300 bilhões, de acordo com uma história recente no Financial Times. O CEO da Microsoft, Satya Nadella, disse que a Microsoft pode gastar $80 bilhões sozinha em IA este ano. O fundador e CEO da Meta, Mark Zuckerberg, disse no Facebook: “Estamos planejando investir $60-65 bilhões em capex este ano, enquanto também crescemos nossas equipes de IA significativamente, e temos o capital para continuar investindo nos anos futuros.”

Isso não é o som de um boom de IA que estourou, mas houve uma crescente inquietude sobre quanto dinheiro está sendo gasto para habilitar aplicações de IA. Depois de pelo menos dois anos de gigantes da tecnologia dizendo que estavam vendo uma demanda clara por mais poder de processamento para ajudar a treinar grandes modelos de IA, 2025 começou com as mesmas empresas sendo chamadas ao tapete diariamente pela mídia de negócios por construir tanta hipe de IA.

Por que houve uma mudança tão repentina de esperança para preocupação? A resposta pode ser encontrada em parte no rápido surgimento de uma nova aplicação de IA da China. Mas, para entender completamente o que está acontecendo e o que isso significa para os investimentos e programas de tecnologia de IA nos próximos anos, devemos reconhecer que a era de IA está entrando em uma nova fase de sua evolução.

Buscando a Verdade

Agora, o mundo sabe tudo sobre DeepSeek, a empresa de IA chinesa que afirma ter usado motores de inferência e raciocínio estatístico para treinar grandes modelos de linguagem de forma muito mais eficiente e com menos custo do que outras empresas treinaram seus modelos.

Especificamente, DeepSeek alegou que suas técnicas resultaram em necessidade de muito menos GPUs (apenas 2.048 GPUs), bem como GPUs menos potentes (Nvidia (NVDA ) H800s) do que as centenas de milhares de GPUs de desempenho premium (como Nvidia H100s) que algumas empresas de hyperscale exigiram para treinar seus modelos. Em termos de economia de custos, enquanto a OpenAI gastou bilhões de dólares para treinar o ChatGPT, a DeepSeek relatou ter gasto apenas $6,5 milhões para treinar seu modelo R1.

Deve-se notar que muitos especialistas duvidaram das alegações de gastos da DeepSeek, mas o dano já foi feito, pois as notícias de seus métodos diferentes impulsionaram uma queda profunda nos valores das ações das empresas de hyperscale e das empresas cujas GPUs elas gastaram bilhões para treinar seus modelos de IA.

No entanto, alguns pontos importantes foram perdidos no meio do caos. Um deles foi a compreensão de que a DeepSeek não “inventou” uma nova maneira de trabalhar com IA. O segundo é que grande parte do ecossistema de IA estava ciente de uma mudança iminente em como os dólares de investimento em IA precisam ser gastos e como a IA será utilizada nos próximos anos.

Com relação aos métodos da DeepSeek, a noção de usar motores de inferência de IA e raciocínio estatístico não é nada novo. O uso do raciocínio estatístico é um aspecto do conceito mais amplo de raciocínio de modelo de inferência, que envolve a capacidade da IA de tirar conclusões com base no reconhecimento de padrões. Isso é essencialmente semelhante à capacidade humana de aprender diferentes maneiras de abordar um problema e compará-las para encontrar a melhor solução possível. O raciocínio de modelo de inferência pode ser usado hoje e não é exclusivo de uma startup chinesa.

Enquanto isso, o ecossistema de IA há algum tempo já estava antecipando uma mudança fundamental em como trabalhamos com IA e os recursos de computação necessários. Os primeiros anos da era de IA foram todos sobre o grande trabalho de treinar grandes modelos de IA em conjuntos de dados muito grandes, todos os quais exigiam muito processamento, cálculos complexos, ajustes de peso e dependência de memória. Depois que os modelos de IA são treinados, as coisas mudam. A IA pode usar inferência para aplicar tudo o que aprendeu a novos conjuntos de dados, tarefas e problemas. A inferência, como um processo menos intensivo em termos computacionais do que o treinamento, não exige tantas GPUs ou outros recursos de computação.

A verdade última sobre a DeepSeek é que, embora seus métodos não tenham chocado muitos de nós no ecossistema de IA tanto quanto chocaram os investidores do mercado de ações casualmente interessados, eles destacaram uma das maneiras pelas quais a inferência será fundamental para a próxima fase da evolução da IA.

IA: A Próxima Geração

A promessa e o potencial da IA não mudaram. Os investimentos maciços em IA continuados pelos principais hyperscalers mostram a fé que eles têm no valor futuro que podem desbloquear da IA, bem como as maneiras pelas quais a IA pode mudar como praticamente todas as indústrias funcionam e como as pessoas vivem suas vidas diárias.

O que mudou para esses hyperscalers é como esses dólares serão gastos. Nos primeiros anos da era de IA, a maior parte do investimento foi necessariamente em treinamento. Se você pensar na IA como uma criança, com uma mente ainda em desenvolvimento, estamos gastando muito dinheiro para enviá-la às melhores escolas e universidades. Agora, essa criança é um adulto educado – e precisa arrumar um emprego para se sustentar. Em termos do mundo real, investimos muito em treinamento de IA, e agora precisamos ver o retorno sobre esse investimento usando a IA para gerar novas receitas.

Para alcançar esse retorno sobre o investimento, a IA precisa se tornar mais eficiente e menos custosa para ajudar as empresas a maximizar seu apelo de mercado e sua utilidade para o maior número possível de aplicações. Os novos serviços mais lucrativos serão os autônomos que não exigem monitoramento e gestão humanos.

Para muitas empresas, isso significa aproveitar técnicas de cálculo de IA eficientes em termos de recursos, como o raciocínio de modelo de inferência, para habilitar rapidamente e de forma rentável comunicações autônomas entre máquinas. Por exemplo, na indústria sem fio, a IA pode ser usada para analisar autonomamente dados em tempo real sobre a utilização do espectro em uma rede móvel para otimizar o uso do canal e mitigar a interferência entre os usuários, o que permite que um operador de rede móvel suporte uma partilha de espectro mais dinâmica em sua rede. Esse tipo de comunicação de máquina para máquina autônoma e mais eficiente impulsionada por IA definirá a próxima geração de IA.

Como tem sido o caso de todas as outras eras de computação, o cálculo de IA continua a evoluir. Se a história da computação nos ensinou algo, é que a nova tecnologia sempre exige muito investimento inicial, mas os custos diminuirão e a eficiência aumentará à medida que começarmos a aproveitar técnicas melhoradas e práticas melhores para criar produtos e serviços mais benéficos e acessíveis para os mercados mais amplos possíveis. A inovação sempre encontra um caminho.

O setor de IA pode ter recentemente parecido sofrer um revés se você ouvir os ursos de IA, mas os dólares que os hyperscalers planejam gastar este ano e o uso crescente de técnicas baseadas em inferência contam uma história diferente: o cálculo de IA está mudando, mas a promessa da IA está completamente intacta.

A ovation sempre encontra um caminho. O setor de IA pode ter recentemente parecido sofrer um revés se você ouvir os ursos de IA, mas os dólares que os hyperscalers planejam gastar este ano e o uso crescente de técnicas baseadas em inferência contam uma história diferente: o cálculo de IA está mudando, mas a promessa da IA está completamente intacta.