As atuais empresas de IA de fronteira nunca mais superarão a fronteira de capacidade da IA
Aprofundamento CEVIU
Aprofundamento
A ideia de que 'maior é melhor' em IA está sendo enterrada por matemática simples e economia implacável. Não é uma questão de hype ou filosofia, é o teorema do ensemble em ação: quando você combina modelos que erram de forma diferente, os erros se cancelam e a acurácia sobe. Isso não é novidade na academia (era até banido de conferências como NeurIPS por ser 'muito fácil'), mas agora virou infraestrutura prática. O que mudou de verdade é a escala operacional: plataformas como OpenRouter não só roteiam entre modelos, mas indexam conhecimento como uma biblioteca com seções, prateleiras e capítulos, não mais lendo todos os livros para cada pergunta. É caching algorítmico em larga escala, não apenas hardware mais rápido.
O custo de inferência caiu 280x desde 2022, mas o salto crítico em 2026 não veio do hardware, e sim da arquitetura: MoE com ativação esparsa (como no Kimi K2.6, que usa só 8 de 384 especialistas por token) e quantização agressiva (FP8 no DeepSeek). Enquanto GPT-4 custava US$ 30/milhão de tokens, o Kimi K2.5 cobra US$ 0,60, e ainda se encaixa em servidores comuns. Isso não é otimização marginal: é uma mudança de paradigma onde a eficiência passa a ser o principal vetor de vantagem competitiva, não o tamanho do modelo.
Por que isso importa
Isso reescreve as regras de poder na IA. Empresas que apostaram em monolitos gigantes (e reguladores que tentam controlá-los como entidades únicas) estão atrás do trem. A proibição do Fable pelo governo norte-americano em junho de 2026 foi contornada em menos de 24 horas por um ensemble aberto via OpenRouter, sem licença, sem auditoria central, sem fronteira. O 'nível nacional de IA' já é obsoleto antes mesmo de ser implementado. O que surge no lugar não é open source vs closed source, mas network-source: um ecossistema em tempo real onde modelos de Moonshot, DeepSeek, Meta e até agentes autônomos em blockchain (como os da Fetch.ai) se conectam sob protocolos comuns. A inteligência deixou de ser um produto e virou um serviço de rede, como o HTTP foi para a web.
Perguntas frequentes
Como um ensemble de modelos fracos pode superar um modelo 'de fronteira'?
Modelos diferentes cometem erros distintos. Ao combiná-los com um router inteligente (que pondera cada saída), esses erros se anulam estatisticamente, aumentando acurácia sem treinar nada novo. É um princípio básico de ML, validado há décadas, mas só agora viabilizado em escala por APIs unificadas como OpenRouter e arquiteturas MoE eficientes.
Por que o custo de inferência está despencando tão rápido?
Dois fatores principais: primeiro, arquiteturas como MoE ativam só parte dos parâmetros por token (ex: Kimi K2.6 usa 8 de 384 especialistas). Segundo, técnicas como FP8 reduzem uso de memória em 75% e quantização + caching evitam recalcular o óbvio. O Gartner projeta queda de até 90% nos custos até 2030, e já vimos 280x de queda em dois anos.
O que é 'network-source AI' e como difere de open source?
Open source é sobre acesso ao código. Network-source é sobre composição em tempo real: modelos de diferentes empresas, licenças e geografias se conectam via protocolos comuns (como os da ASI Alliance) para formar uma única camada de inteligência. Não há dono único, há rotas, caches e acordos de uso dinâmicos, como o tráfego na internet.
Isso torna a regulação da IA impossível?
Não impossível, mas radicalmente diferente. Regular um modelo como o Claude 4.6 é factível. Regular um ensemble que mistura Kimi, Opus e um agente da Bittensor em tempo real, rodando em servidores de 12 países, exige cooperação técnica transnacional, não leis nacionais. A regulação terá que migrar de 'modelos' para 'protocolos' e 'rotas'.
Fontes
- andrewtrask.substack.comfonte original
- Categoria
- CEVIU IA
- Publicado
- 15 de junho de 2026
- Editoria
- CEVIU IA