Jensen Huang diz que IA aberta e fechada coexistirão: o que isso significa para criptomoedas e IA descentralizada
2026/08/02 08:06:00
A visão do CEO da NVIDIA, Jensen Huang, de que a inteligência artificial aberta e proprietária se desenvolverá juntas tem implicações muito além da competição entre os principais laboratórios de IA. Se os pesos dos modelos avançados se tornarem mais amplamente disponíveis, o próximo gargalo será cada vez mais a infraestrutura necessária para treinar, personalizar e operá-los. Isso cria uma possível oportunidade para redes descentralizadas de GPU, mercados de IA baseados em blockchain e protocolos como o Bittensor, mas não garante que todos os projetos de IA descentralizados ou tokens relacionados terão sucesso.
A questão central para a criptomoeda não é simplesmente se mais modelos de IA serão baixáveis. É se redes descentralizadas podem fornecer computação, inferência, armazenamento, pagamentos e verificação úteis em um nível que empresas e desenvolvedores estejam dispostos a comprar. Os comentários de Huang reforçam o caso para um ecossistema de IA diversificado, mas o desempenho técnico, a confiabilidade da rede, a economia de tokens e a demanda real dos clientes determinarão se a criptomoeda se tornará uma camada de infraestrutura importante ou permanecerá como uma narrativa especulativa em torno do crescimento da IA.
A visão aberta e fechada de Jensen Huang sobre IA e por que ambos os modelos coexistirão
Jensen Huang não vê o futuro da inteligência artificial como uma disputa de vencedor-leva-tudo entre sistemas abertos e fechados. Em sua fala no NVIDIA GTC em março de 2026, o fundador e CEO da NVIDIA rejeitou essa escolha binária, afirmando que “proprietário versus aberto não é uma coisa. É proprietário e aberto.” Seu argumento é que o ecossistema global de IA exigirá modelos diferentes para diferentes cargas de trabalho, indústrias e requisitos de segurança, em vez de um único sistema universal controlado por uma única empresa ou filosofia de desenvolvimento. Modelos proprietários de ponta podem continuar liderando tarefas que exigem desempenho máximo de raciocínio, segurança gerenciada e suporte empresarial, enquanto modelos de pesos abertos podem oferecer aos desenvolvedores, empresas e governos maior controle sobre personalização, processamento de dados e implantação.
Huang Rejeita o Debate entre IA Aberta e Fechada
Embora a IA aberta e a IA fechada sejam frequentemente apresentadas como abordagens concorrentes, elas atendem a requisitos diferentes dos usuários. Modelos proprietários são normalmente controlados por seus desenvolvedores e acessados por meio de aplicativos, plataformas em nuvem ou APIs. Essa estrutura pode oferecer desempenho avançado, atualizações coordenadas, proteções de segurança centralizadas e suporte profissional sem exigir que os clientes operem infraestruturas complexas de aprendizado de máquina. A contrapartida é que os usuários podem ter visibilidade limitada sobre os parâmetros do modelo, o processo de treinamento e as salvaguardas internas. As organizações também podem tornar-se dependentes dos preços, disponibilidade, políticas de dados e restrições de uso de um único fornecedor à medida que a IA se torna mais profundamente integrada às suas operações.
Modelos de peso aberto seguem um modelo de distribuição diferente, pois seus parâmetros treinados geralmente podem ser baixados, modificados e implantados em infraestrutura escolhida pelo usuário. Isso torna possível ajustar finamente um modelo para conjuntos de dados privados, línguas regionais, pesquisas científicas ou fluxos de trabalho empresariais especializados. Uma organização pode operar o modelo em seus próprios servidores, dentro de uma nuvem privada ou próximo a dispositivos de borda, onde latência e controle de dados são importantes. No entanto, peso aberto não significa automaticamente código-fonte totalmente aberto. Conjuntos de dados de treinamento, código-fonte, avaliações de segurança ou métodos de desenvolvimento podem permanecer indisponíveis, e licenças podem restringir usos específicos. A abertura do modelo, portanto, existe em um espectro, e não como uma categoria simples de sim ou não.
De acordo com as observações de Huang sobre a GTC, setores como saúde, finanças e manufatura dependerão cada vez mais de combinações de modelos gerais, especializados, abertos e proprietários. Um hospital poderia usar um sistema comercial de ponta para pesquisas médicas amplas, enquanto processa informações confidenciais de pacientes por meio de um modelo implantado localmente. Uma instituição financeira poderia usar um modelo proprietário para análise geral, mas manter registros de clientes dentro de seu próprio ambiente controlado. Fabricantes poderiam executar modelos menores próximos às fábricas e equipamentos industriais, enquanto confiam em sistemas baseados em nuvem para tarefas de engenharia complexas. Agentes de IA e plataformas de roteamento de modelos podem tornar essa estrutura híbrida mais comum. Em vez de enviar cada solicitação a um único modelo, um sistema de orquestração pode avaliar a complexidade, sensibilidade, custo e requisitos de tempo de resposta de cada tarefa antes de selecionar a opção mais adequada. Classificação rotineira de documentos pode ser atribuída a um modelo local eficiente, enquanto codificação avançada ou raciocínio científico pode ser enviada para uma plataforma proprietária mais capaz. Os usuários podem interagir com uma única aplicação, mesmo que vários modelos estejam operando por trás dela. Essa abordagem pode reduzir custos desnecessários, proteger informações sensíveis e limitar a dependência de um único fornecedor, mantendo o acesso às capacidades de ponta.
A estratégia de modelo aberto da NVIDIA apoia a visão de Huang
As ações da NVIDIA mostram que o apoio de Jensen Huang à IA aberta e proprietária vai além de comentários públicos. Em março de 2026, a empresa formou a Nemotron Coalition com a Mistral AI, Black Forest Labs, Cursor, LangChain, Perplexity, Reflection AI, Sarvam e Thinking Machines Lab. A coalizão reúne pesquisa, conjuntos de dados, frameworks de avaliação, conhecimento especializado e recursos de computação para desenvolver modelos abertos de fronteira. Seu primeiro modelo base está sendo co-desenvolvido pela NVIDIA e pela Mistral AI, com outros membros contribuindo para testes, pós-treinamento e desenvolvimento contínuo. A NVIDIA planeja compartilhar o modelo resultante com o ecossistema de IA mais amplo e usá-lo como base para a família Nemotron 4. Até março de 2026, os modelos Nemotron existentes haviam registrado mais de 45 milhões de downloads no Hugging Face, indicando demanda significativa por sistemas de IA adaptáveis. A NVIDIA expandiu a estratégia em julho por meio de implantações envolvendo organizações japonesas como o Institute of Science Tokyo, SoftBank, SB Intuitions, Stockmark, Hitachi e NTT DATA, que estão utilizando a tecnologia Nemotron para IA em japonês, agentes empresariais, telecomunicações, manufatura e aplicações científicas. Esses projetos demonstram como organizações podem personalizar fundações abertas com dados proprietários sem expor publicamente conhecimentos internos valiosos.
Desenvolvimentos de segurança reforçam ainda mais o argumento de Huang de que modelos de IA abertos e fechados coexistirão. Modelos abertos podem ser inspecionados e testados independentemente, enquanto a implantação local permite que organizações mantenham informações sensíveis dentro de infraestruturas controladas. No entanto, pesos baixáveis também podem ser modificados para remover proteções, e sua liberação é difícil de reverter. Sistemas fechados oferecem controles de acesso centralizados e atualizações de segurança coordenadas, mas podem criar dependências opacas e pontos únicos de falha. Em 27 de julho de 2026, a NVIDIA e outras organizações de tecnologia e cibersegurança estabeleceram a Open Secure AI Alliance para desenvolver ferramentas defensivas abertas, reconhecendo que ambos os tipos de modelos permanecem necessários. Apoiar esse ecossistema misto também se alinha à posição da NVIDIA como provedora de infraestrutura de IA. Laboratórios proprietários, plataformas em nuvem, governos e desenvolvedores que executam modelos abertos todos precisam de GPUs, rede, armazenamento, eletricidade e software especializado. O auto-hospedagem de pesos abertos pode reduzir taxas de acesso ao modelo, mas não elimina os custos operacionais. É, portanto, razoável inferir que a NVIDIA pode se beneficiar independentemente de futuras aplicações usarem plataformas proprietárias, sistemas de pesos abertos ou combinações híbridas, tornando um mercado de IA diversificado o resultado mais provável.
O que significa IA de peso aberto para criptomoedas e infraestrutura de IA descentralizada
IA de peso aberto pode aumentar a demanda por computação descentralizada, pois fazer o download de um modelo não elimina o custo de operá-lo. Desenvolvedores ainda precisam de GPUs, armazenamento, largura de banda, eletricidade e infraestrutura técnica para ajustar modelos, processar solicitações de usuários e executar agentes de IA em escala. Isso cria um papel potencial para redes de infraestrutura física descentralizada que conectam provedores de hardware independentes a desenvolvedores em busca de capacidade de computação. Mercados distribuídos podem disponibilizar GPUs subutilizadas para treinamento de modelos, inferência e hospedagem de aplicações, enquanto sistemas de armazenamento descentralizados podem suportar conjuntos de dados, pontos de verificação e conteúdo gerado por IA. Criptoativos podem coordenar pagamentos, recompensas aos provedores, staking e acesso em todas essas redes sem exigir que todos os participantes usem a mesma empresa ou plataforma de nuvem. A categoria mais ampla de redes de infraestrutura descentralizada se estende além do desenvolvimento de modelos para os recursos físicos necessários para operar serviços digitais. A principal oportunidade é que pesos abertos reduzem as barreiras para acessar modelos, mas não eliminam o gargalo de infraestrutura, potencialmente expandindo o mercado para nuvens alternativas de GPU, inferência sem permissão e hospedagem de IA geograficamente distribuída.
Redes de blockchain também podem suportar IA descentralizada por meio de pagamentos transparentes, registros de propriedade de modelos, proveniência de dados e incentivos para avaliar saídas de aprendizado de máquina. O Bittensor aplica esse conceito por meio de sub-redes especializadas nas quais os participantes podem fornecer serviços como inferência, computação, armazenamento e previsão, enquanto validadores avaliam contribuições e incentivos do protocolo recompensam desempenho útil. A infraestrutura cripto também pode permitir AI agents in crypto comprar serviços digitais por meio de carteiras programáveis e pagamentos em stablecoins. No entanto, IA de peso aberto não é automaticamente descentralizada. Um modelo baixável ainda pode ser hospedado por um provedor de nuvem centralizado, treinado em conjuntos de dados concentrados e operado por meio de hardware fornecido por um pequeno número de fabricantes. Redes descentralizadas precisam resolver problemas difíceis envolvendo verificação de saídas, privacidade, latência, qualidade de hardware, cibersegurança e disponibilidade de serviço antes que possam competir consistentemente com alternativas centralizadas. A conexão mais forte entre IA de peso aberto e cripto é, portanto, a infraestrutura ao redor do modelo—como os recursos de computação são fornecidos, como os contribuidores são pagos, como as saídas são verificadas e se os usuários podem acessar serviços sem depender inteiramente de um único intermediário.
Oportunidades e Riscos para Bittensor, Tokens de Computação Descentralizada e IA
Bittensor e outros projetos descentralizados de IA estão atraindo atenção à medida que cresce a demanda por alternativas à infraestrutura de nuvem convencional, mas seu valor a longo prazo dependerá de mais do que a popularidade da inteligência artificial. Essas redes devem demonstrar que participantes distribuídos podem fornecer treinamento, inferência, armazenamento e serviços de dados confiáveis a preços competitivos. Tokens cripto podem ajudar a coordenar provedores, validadores e pagamentos, mas a adoção sustentável exige clientes reais, saídas mensuráveis e atividade econômica que não dependa principalmente de recompensas em tokens. O campo mais amplo dos setores de IA cripto contém vários modelos de negócio diferentes, tornando a avaliação no nível do projeto mais útil do que tratar cada token de IA como exposição à mesma tendência.
Bittensor e Covenant-72B destacam o potencial da IA descentralizada
O Bittensor opera por meio de sub-redes especializadas que competem para fornecer serviços digitais, como inferência de IA, treinamento, previsão, armazenamento e computação. De acordo com a documentação das sub-redes do Bittensor, os mineiros produzem o serviço relevante, os validadores avaliam sua qualidade, os criadores das sub-redes estabelecem mecanismos de incentivo e os stakers apoiam os validadores com TAO. A rede recebeu maior atenção mainstream em março de 2026, após a Sub-rede Templar 3 apoiar o treinamento distribuído do Covenant-72B, um modelo de linguagem de 72 bilhões de parâmetros. O relatório técnico do Covenant-72B afirma que o modelo foi pré-treinado com aproximadamente 1,1 trilhão de tokens por meio de um processo permissionless e globalmente distribuído. Huang comparou o experimento a uma versão moderna do Folding@home, reconhecendo sua abordagem de computação distribuída. O comentário não constituiu uma parceria da NVIDIA com o Bittensor, nem uma endosso do TAO ou prova de que o treinamento descentralizado já é superior aos data centers convencionais. Ele demonstrou que o treinamento colaborativo substancial é tecnicamente possível, enquanto a oportunidade mais ampla do Bittensor reside em transformar suas sub-redes em mercados competitivos para inteligência machine útil.
Tokens de Computação Descentralizada e IA Podem Ampliar o Acesso à Infraestrutura
A melhor oportunidade para computação descentralizada vem da lacuna entre acessar um modelo de IA e obter o hardware necessário para operá-lo. Provedores de nuvem centralizados oferecem GPUs em escala, mas preços, disponibilidade regional, restrições de capacidade e contratos de longo prazo podem criar barreiras para desenvolvedores menores. Redes distribuídas tentam agrega recursos de provedores independentes e torná-los disponíveis por meio de mercados abertos. Se conseguirem oferecer preços competitivos e serviço confiável, poderão apoiar startups, pesquisadores e desenvolvedores de agentes de IA que exigem capacidade temporária ou flexível. A oportunidade não se limita ao treinamento de grandes modelos: inferência, ajuste fino, avaliação de modelos, produção de dados sintéticos e execução contínua de agentes podem criar cargas de trabalho recorrentes. Tokens podem coordenar pagamentos e recompensas nesses sistemas, mas seu caso de uso mais forte existe quando o ativo desempenha uma função necessária na rede, em vez de servir principalmente como um rótulo especulativo anexado a uma aplicação de IA.
Riscos técnicos, de segurança e de centralização podem limitar a adoção
Redes descentralizadas de IA enfrentam desafios que transações de blockchain comuns não apresentam. Saídas de IA podem ser subjetivas e caras de avaliar, dificultando para validadores determinar se um provedor produziu trabalho genuinamente útil ou otimizou apenas para o mecanismo de pontuação. Avaliação fraca pode incentivar manipulação, colusão e atividades que geram recompensas sem atender clientes externos. O treinamento distribuído também introduz atrasos de comunicação, hardware inconsistente e o risco de participantes desconectarem-se ou enviarem atualizações com falhas. Um blockchain pode permanecer dependente de um número limitado de fabricantes de GPU, grandes validadores, data centers ou equipes de desenvolvimento, deixando camadas críticas concentradas mesmo quando os pagamentos são descentralizados. Provedores maliciosos, chaves comprometidas, vulnerabilidades de software e uso não autorizado de dados protegidos por direitos autorais ou confidenciais criam exposições adicionais. Competir com serviços de nuvem estabelecidos exigirá, portanto, desempenho confiável, governança transparente, fortes proteções de privacidade e maneiras críveis de verificar o trabalho concluído.
O crescimento da rede não aumenta automaticamente o valor do token de IA
Os preços dos tokens de IA podem reagir rapidamente a lançamentos de modelos, comentários influentes e o sentimento geral do mercado, mas a atenção não necessariamente gera receita recorrente. Uma rede pode relatar mais implantações, transações ou participantes, enquanto grande parte dessa atividade permanece financiada por emissões e incentivos de tokens. Se os prêmios aos participantes excederem consistentemente a receita de clientes externos, o crescimento aparente pode depender da emissão contínua em vez de um modelo de negócios duradouro. Avaliar o TAO e outros tokens de computação descentralizada exige examinar pagamentos de clientes, cargas de trabalho recorrentes, utilização de hardware, independência dos validadores, concentração de provedores e o custo dos incentivos necessários para sustentar a atividade. Os investidores também devem determinar se os usuários precisam do token para acessar serviços, se as taxas da rede geram demanda contínua e se as emissões diluem os detentores existentes. O Bittensor e a computação descentralizada têm uma oportunidade crível de apoiar uma economia de IA mais aberta, mas o sucesso a longo prazo dependerá de serviços verificáveis, clientes recorrentes e economia de tokens sustentável.
Conclusão
A visão de Jensen Huang de que a IA aberta e proprietária coexistirão aponta para uma economia multi-modelo na qual as organizações escolhem sistemas com base em desempenho, privacidade, custo e controle, em vez de seguir uma abordagem única de desenvolvimento universal. Essa expansão pode criar demanda significativa por computação descentralizada, pagamentos baseados em blockchain e redes de incentivo como o Bittensor, pois pesos de modelos acessíveis ainda exigem infraestrutura substancial para treinamento e operação. O Covenant-72B demonstrou que experimentos de treinamento sem permissão em larga escala são possíveis, mas a viabilidade técnica não garante superioridade comercial ou valor de token. Projetos de IA descentralizada devem provar que conseguem verificar saídas, proteger dados, oferecer serviços confiáveis e atrair clientes pagantes sem depender excessivamente de emissões. A criptomoeda pode se tornar uma camada importante de coordenação e liquidação para a economia de IA aberta, mas os projetos mais fortes serão aqueles que convertem a narrativa da IA em uso mensurável, receita sustentável e economia de token transparente.
|
A KuCoin está celebrando seu 9º aniversário com uma campanha especial da plataforma cheia de recompensas exclusivas, atividades de negociação e ofertas por tempo limitado. Não perca a chance de participar e aproveitar os benefícios à medida que a exchange marca nove anos de crescimento e inovação. Visite a página oficial da campanha agora:
|
Perguntas Frequentes
O Bittensor é o mesmo que uma plataforma de computação em nuvem descentralizada?
Não. Um mercado de nuvem descentralizado conecta principalmente clientes a provedores independentes que oferecem recursos de computação. O Bittensor é uma rede de incentivos mais ampla na qual sub-redes especializadas podem produzir inferência, previsões, treinamento, armazenamento e outros serviços digitais. Algumas sub-redes podem oferecer serviços relacionados a computação, mas a rede não opera como um mercado padronizado de aluguel de GPU.
Modelos de IA de peso aberto podem operar totalmente off-line?
Sim, desde que o usuário tenha hardware suficiente, software compatível e uma cópia local dos pesos do modelo. A implantação offline pode melhorar a privacidade e reduzir a dependência de uma API externa, mas modelos maiores podem exigir GPUs caras e memória substancial. O acesso à internet pode ainda ser necessário para downloads do modelo, atualizações de segurança, ferramentas externas ou dados ao vivo.
Os proprietários de GPUs de consumo podem participar de redes descentralizadas de IA?
A participação depende da rede, da sub-rede e dos requisitos de carga de trabalho. Alguns serviços podem aceitar GPUs de consumo, enquanto grandes tarefas de treinamento ou inferência podem exigir hardware profissional, internet de alta velocidade, memória significativa e tempo de atividade confiável. Possuir uma GPU não garante rentabilidade, pois os recompensas devem superar os custos de eletricidade, manutenção, largura de banda e equipamento.
Como as redes descentralizadas de computação podem proteger dados confidenciais de IA?
A privacidade não é garantida apenas porque uma rede é descentralizada. Plataformas seguras podem usar criptografia, ambientes de computação confidencial, isolamento de cargas de trabalho e acesso restrito a dados para proteger informações sensíveis. As organizações devem analisar se os provedores conseguem visualizar os dados enviados, como os resultados são armazenados e o que acontece com os arquivos temporários após a conclusão de uma tarefa.
O que acontece se um fornecedor de hardware for desconectado durante uma carga de trabalho de IA?
Uma rede bem projetada pode salvar pontos de verificação, reassinar trabalho inacabado e penalizar provedores que não atendem aos requisitos de confiabilidade. Interrompimentos ainda podem aumentar os tempos e custos de conclusão, especialmente durante o treinamento distribuído que exige que os participantes permaneçam sincronizados. A redundância do provedor e a recuperação automatizada são, portanto, importantes ao avaliar serviços de computação descentralizada.
A computação descentralizada de GPU é sempre mais barata do que os serviços de nuvem centralizados?
Nem necessariamente. Mercados distribuídos podem oferecer preços mais baixos utilizando hardware subutilizado e licitação competitiva, mas o custo total também depende da transferência de dados, latência, complexidade da configuração, duração da carga de trabalho e confiabilidade. As empresas devem comparar o custo completo para concluir uma tarefa, em vez de analisar apenas o preço horário anunciado da GPU.
Quais métricas mostram se uma rede descentralizada de IA tem demanda real?
Indicadores úteis incluem pagamentos de clientes externos, volume de carga de trabalho recorrente, utilização da GPU, retenção de clientes, tempo de atividade e número de provedores independentes. Os usuários também devem comparar a receita com taxas com recompensas em tokens para determinar se a atividade é financiada comercialmente ou fortemente subsidiada por emissões. Altos volumes de transações sozinhos podem não representar uso significativo de IA.
Isenção de responsabilidade: Este artigo é apenas para fins informativos e não constitui aconselhamento financeiro ou de investimento. Os ativos de criptomoedas são voláteis, e os leitores devem verificar os últimos anúncios oficiais da WEMIX antes de tomar decisões.
Aviso legal: Esta página foi traduzida usando tecnologia de IA para sua conveniência. Para informações mais precisas, consulte a versão original em inglês.