Por que a Nvidia quer que você construa o seu próprio modelo de IA

A aposta da Nvidia nos modelos abertos

Há uma comparação clássica entre o que acontece com modelos abertos e o que aconteceu com o software open source, como o Linux. A analogia é útil, mas tem um caminho estreito. O modelo de linguagem open source — aquele que vem com receita de treino completa, dados e código — é o análogo mais próximo do sistema operacional de código aberto. Já os modelos de pesos abertos, com apenas os pesos e o código de inferência, estão mais para versões de software que você instala em um projeto construído sobre elas.

É por isso que a Nvidia está investindo tanto em modelos quase open source: nos seus modelos Nemotron, a empresa libera todos os dados que pode legalmente e o código de treino. A tese é simples — a Nvidia quer um mundo em que incontáveis pessoas possam construir suas próprias “máquinas de tokens”, para que a inteligência não fique monopolizada. E, nesse mundo, há uma demanda massiva por inferência entre muitas empresas — todas querendo comprar as ofertas da Nvidia.

O custo da receita aberta

O futuro do open source de IA é complicado, porque construir os melhores modelos é extremamente intensivo em capital. A Nvidia estaria gastando US$ 26 bilhões nesse esforço, segundo relatos. Não está claro se vai funcionar — ou se a intensidade de capital da IA vai expulsar cada vez mais empresas do jogo de treinar modelos.

Daqui saem dois futuros possíveis. No primeiro, “funciona”: se a receita aberta der certo para a Nvidia, ela criará muito mais demanda por chips (e lucro) do que o custo de construir os modelos. No segundo, os modelos abertos se bifurcam para um caminho diferente dos modelos fechados de ponta — um focado em eficiência, modificabilidade e especialização. É o cenário que o autor considera mais provável: modelos abertos seguem incrivelmente úteis, mas preenchem uma cauda longa em relação aos concorrentes fechados que detêm monopólios nas áreas mais valiosas.

O pós-treino está mudando de forma

Parte do motivo para o ceticismo é que treinar está ficando mais complexo e mais abstraído. O ecossistema aberto atual é impulsionado por uma explosão de interesse em pós-treino: pessoas pegam modelos como DeepSeek, Inkling ou GLM e os ajustam para tarefas agênticas específicas. Há uma mudança em curso em que treinar um modelo-base para virar um raciocinador agêntico geral está se tornando opaco — como as práticas de pré-treino em escala de alguns anos atrás.

O efeito prático: à medida que há menos interesse em treinar o modelo inteiro, há menos interesse em investir em IA open source. A tendência é o próximo passo na queda do número de construtores de modelos-base, e caminha junto com experimentos de licenças de revenue share para uso em produtos ou inferência — tentativas de manter viável o financiamento de modelos de pesos abertos perto da fronteira.

Por que isso importa para o Brasil

Para empresas e pesquisadores brasileiros, a direção importa: se a receita aberta “funcionar”, haverá mais modelos capazes de rodar e serem ajustados localmente — bom para quem não quer (ou não pode) depender de APIs fechadas. Se a bifurcação acontecer, a especialização vira a aposta: modelos abertos menores, mais baratos e moldados para nichos específicos. Nos dois cenários, a mensagem central da Nvidia é a mesma: o futuro que ela está financiando é um em que você constrói o seu próprio modelo.