Desacelerar modelos de IA pode enfraquecer vantagem das líderes e redistribuir bilhões em investimentos

Proposta defendida por líderes da Anthropic, OpenAI e xAI pode reduzir a vantagem de empresas que dominam a corrida pelos modelos mais avançados e favorecer concorrentes focados em eficiência, inferência e outros tipos de chips

Uma eventual desaceleração no desenvolvimento dos modelos de inteligência artificial mais avançados pode abrir espaço para empresas que hoje estão atrás dos líderes da corrida tecnológica. A proposta de reduzir o ritmo de evolução desses sistemas, defendida por Dario Amodei, CEO da Anthropic, e apoiada por Sam Altman, da OpenAI, e Elon Musk, da xAI, poderia diminuir parte da vantagem competitiva proporcionada pela capacidade de investir bilhões de dólares no treinamento rápido de novas gerações de modelos.

A mudança também pode favorecer fabricantes de chips e desenvolvedores de sistemas menos dependentes da corrida por modelos cada vez maiores. Com intervalos mais longos entre novas gerações, a competição tende a ganhar força em aspectos como eficiência, custo, especialização e capacidade de utilizar em larga escala os modelos que já existem.

A discussão ganhou força durante o fim de semana, quando Amodei propôs diminuir o ritmo de avanço das capacidades dos modelos para aumentar o tempo destinado a avaliações de segurança. Em texto publicado em seu site pessoal, o executivo afirmou que a proposta não significa interromper o treinamento, mas criar mais tempo para alinhamento, salvaguardas e avaliações independentes antes que novas capacidades sejam incorporadas aos sistemas.

Entre as medidas defendidas estão a presença de avaliadores externos dentro dos laboratórios, maior coordenação entre empresas que desenvolvem modelos de fronteira e, posteriormente, cooperação internacional para estabelecer padrões de segurança. Altman e Musk manifestaram apoio à discussão.

Para o mercado, uma consequência dessa mudança seria acelerar a transição de parte dos investimentos do treinamento de modelos para a chamada inferência, etapa em que sistemas já desenvolvidos executam tarefas e atendem usuários.

Atualmente, apenas 37% da capacidade computacional combinada de Anthropic e OpenAI é destinada à execução de tarefas, segundo estimativas da empresa de pesquisa SemiAnalysis citadas pela Reuters Breakingviews. No início de 2024, essa parcela era de 29%. A tendência é que a inferência ganhe peso à medida que agentes de IA sejam incorporados a atividades como programação, gerenciamento de e-mails e calendários e automação de outras tarefas.

Segundo estimativa da McKinsey, a inferência deve representar 43% da demanda de data centers em 2030, uma participação uma vez e meia maior do que a destinada ao treinamento de inteligência artificial. Uma desaceleração no avanço dos modelos poderia, portanto, direcionar uma parcela maior dos investimentos previstos em IA para a utilização dos sistemas já disponíveis.

Essa redistribuição criaria oportunidades para empresas que tiveram participação menor na primeira fase da corrida. A Intel, por exemplo, poderia ser uma das beneficiadas. A companhia é especializada em CPUs, enquanto o treinamento dos modelos mais avançados depende fortemente de GPUs, segmento dominado pela Nvidia.

Data centers voltados ao treinamento de modelos avançados geralmente utilizam uma CPU para cada oito GPUs. Em tarefas iterativas realizadas por agentes de IA, essa proporção pode chegar a uma CPU para cada GPU, segundo indicação do CEO da Intel, Lip-Bu Tan. A mudança aumentaria a importância relativa dos processadores convencionais em parte da infraestrutura de inteligência artificial.

Outras empresas também poderiam ganhar espaço. Concorrentes da Nvidia especializados em inferência, como a Cerebras Systems, estão entre os possíveis beneficiários, assim como a Samsung Electronics, cuja memória convencional é mais adequada para CPUs. Em contrapartida, empresas que se beneficiaram diretamente da corrida pelo treinamento de modelos gigantes, como Nvidia e SK Hynix, poderiam enfrentar um cenário menos favorável.

A mudança não significa necessariamente uma redução estrutural da demanda por infraestrutura tecnológica. Em vez disso, parte dos investimentos pode migrar do treinamento de modelos cada vez maiores para a utilização em escala dos sistemas existentes. Grandes empresas de computação em nuvem, como Amazon, Alphabet e Meta, responsáveis por uma parcela relevante dos investimentos em infraestrutura, também poderiam ficar parcialmente protegidas dessa mudança.

Ao mesmo tempo, ciclos mais longos entre novas gerações de modelos podem reduzir parte da vantagem competitiva dos maiores laboratórios. Hoje, empresas com capacidade para investir bilhões de dólares conseguem treinar rapidamente sistemas mais poderosos e estabelecer uma nova referência tecnológica antes que concorrentes menores alcancem o mesmo nível de capacidade. Se esse ritmo diminuir, porém, empresas que estão atrás podem ganhar mais tempo para aprimorar seus próprios modelos, reduzir custos e desenvolver aplicações competitivas antes que uma nova geração volte a ampliar a distância.

Esse cenário poderia tornar a corrida pela inteligência artificial menos concentrada apenas na capacidade de financiar treinamentos cada vez maiores. O diferencial passaria a depender também da eficiência com que cada empresa consegue utilizar os modelos existentes, transformá-los em produtos e atender mercados específicos.

Para companhias como Intel, Cerebras e Samsung, essa mudança representaria uma oportunidade de ganhar relevância em uma infraestrutura de IA mais voltada à inferência. Para Nvidia e SK Hynix, por outro lado, a desaceleração poderia reduzir parte do impulso proporcionado pela expansão acelerada dos investimentos em treinamento.

Ainda assim, uma eventual redução no ritmo de desenvolvimento dos modelos de fronteira não encerraria a corrida pela inteligência artificial. Ela poderia apenas mudar seu centro de gravidade: de uma competição dominada pela construção contínua de modelos maiores e mais caros para uma disputa também baseada em eficiência, aplicação prática e capacidade de extrair mais valor da tecnologia já disponível. Nesse novo cenário, empresas que hoje estão atrás dos líderes poderiam encontrar uma janela maior para diminuir a distância.