Modelos chineses de IA geram preocupação global amid mudanças de custo e estratégicas

Autor: Stratechery

Tradução: Deep潮 TechFlow

Leitura destacada da Shenchao: O Kimi K3 desafia o mercado de modelos cognitivos — por que Wall Street e a Vale do Silício estão reagindo exageradamente? Este artigo analisa como, desde a era do ChatGPT até a era dos Agentes, os tokens já não são mais mercadorias; a verdadeira mercadoria é a inteligência em si — e nessa guerra onde o custo marginal é o fator determinante, os modelos abertos da China parecem gratuitos, mas seus custos de serviço são nada baixos. O pânico dos laboratórios de ponta surge principalmente porque ainda não se adaptaram às novas regras do jogo, onde a escala de inferência substituiu o custo de treinamento como principal driver.

Eu já contei uma história sobre meu primeiro dia na STRT-431 na Kellogg School of Management, uma disciplina obrigatória para todos os novos alunos de MBA. Ao revisar os materiais do curso e os estudos de caso, fiquei decepcionado ao perceber que nenhuma empresa de tecnologia estava no cronograma. Corri até o professor para perguntar por quê, e a resposta foi: o objetivo desta disciplina não é estudar um setor específico, mas sim descobrir princípios universais aplicáveis a qualquer setor e a qualquer empresa.

Como costumo dizer, na época eu não estava satisfeito com essa resposta: em minha opinião, a natureza da tecnologia, especialmente o custo marginal zero e o custo de transação zero do software e da distribuição, é fundamentalmente diferente. Preencher zero na fórmula geralmente desestabiliza tudo. Mas logo percebi que isso era exatamente minha oportunidade. A principal ideia da Teoria da Agregação é que a cadeia de valor resultante do custo marginal zero é totalmente diferente do que se esperava da internet — em um mundo onde controlar a demanda é mais importante do que distribuir a oferta, você verá centralização e escalabilidade.

No entanto, o interessante sobre a IA é que aqueles antigos princípios universais estão retornando ao centro das atenções. Isso ficou mais evidente no fim de semana passado, quando ocorreu uma intensa discussão no X sobre o Kimi K3. O Kimi K3 é mais um modelo de peso aberto lançado na China, cuja capacidade está se aproximando dos níveis mais avançados. Em resumo: o custo marginal retornou de maneira significativa, tanto em termos do impacto de curto prazo dos modelos gratuitos mais avançados quanto da estrutura de longo prazo da indústria.

Um dos equívocos mais comuns sobre modelos de peso abertos é que eles são mais baratos — ou até gratuitos. Após tudo, você pode baixar diretamente os pesos, pulando o tempo, os custos e as habilidades necessários para criar seu próprio modelo. Isso é certamente verdade, mas o termo "gratuito" aqui se refere ao valor que você gasta em pesquisa e desenvolvimento (P&D). P&D é um custo fixo, independente da sua receita. Se você gastar US$ 1 milhão em P&D, independentemente de sua receita ser de US$ 100 mil ou US$ 100 milhões, você ainda gastou US$ 1 milhão em P&D (claro, isso afeta sua lucratividade).

O que está relacionado à receita é o COGS — custo dos bens vendidos — e, para a IA, o COGS é real, algo que não acontecia há muito tempo no setor de software. Especificamente, executar inferência em modelos — seja Kimi ou Fable — custa dinheiro, e os provedores de IA gastam com inferência, pelo menos na maioria dos modelos de negócio, diretamente proporcional à receita. Usando o exemplo acima, gerar US$ 100 milhões em receita em comparação com US$ 100.000 em receita pode exigir 1.000 vezes mais COGS. Especificamente, se o custo em tokens para gerar US$ 1 em receita for de US$ 0,50, então US$ 100 milhões em receita terão US$ 50 milhões em COGS, enquanto US$ 100.000 em receita terão apenas US$ 50.000 em COGS.

O ponto-chave sobre modelos de peso abertos é que eles não são serviços gratuitos. O custo do Kimi K3 é de US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de tokens de saída. Isso é mais barato que o Sol, que cobra US$ 5 por milhão de tokens de entrada e US$ 30 por milhão de tokens de saída, mas esse pode não ser o critério correto de medição.

O CEO da NVIDIA, Jensen Huang, descreveu o que a NVIDIA está construindo como uma "fábrica de tokens", o que faz sentido do ponto de vista da NVIDIA. Os GPUs da NVIDIA não são voltados para modelos específicos: eles geram tokens e o fazem da maneira mais rápida e eficiente possível. Isso levou à adoção de métricas como tokens por segundo, tempo para o primeiro token, tokens por watt e custo por token, que Huang considera fundamentais para a tomada de decisões.

Esse framework fazia sentido no primeiro paradigma da IA — a era do ChatGPT — quando os tokens eram entregues diretamente ao usuário final. No entanto, o segundo paradigma da IA, a era do raciocínio, desestabilizou essa métrica. O raciocínio implica um crescimento exponencial de tokens de cadeia de pensamento, e diferentes modelos exigem quantidades distintas de tokens de raciocínio para chegar à resposta correta. Por exemplo, relata-se que o Kimi utiliza significativamente mais tokens do que o Sol, anulando sua vantagem de preço. Agentes introduzem dinâmicas semelhantes: certos modelos são mais eficientes no número de tokens necessários para executar fluxos de trabalho de agentes.

Isso significa que os tokens não são mercadorias. A característica definidora de uma mercadoria é que ela é intercambiável: um galão de petróleo é igual a outro galão de petróleo, uma tonelada de cobre é igual a outra tonelada de cobre, um bushel de trigo é igual a outro bushel de trigo. Mas um token de um modelo é diferente de um token de outro modelo. O que é intercambiável é o que é construído com os tokens: a inteligência. Em outras palavras, se Kimi e Sol geraram respostas corretas, então essa resposta é intercambiável. A diferença nos tokens necessários para gerar uma resposta correta resulta em diferenças no COGS.

O COGS inteligente é uma função de vários fatores diferentes:

Espaço ocupado pelo modelo: os pesos e o estado em tempo de execução determinam quanto memória cara e quantos aceleradores são necessários para hospedar cada réplica do serviço.

Efficiency of inference: Architecture choices (such as mixture-of-experts models) reduce computational cost per generated token

Eficiência de memória: A escolha da arquitetura pode reduzir a necessidade de cache KV, permitindo mais solicitações simultâneas e melhor utilização da GPU

Eficiência do serviço: processamento em lote, agendamento, cache de prefixos e outras otimizações de inferência maximizam a utilização e compartilham trabalho entre solicitações

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

Isso é importante, pois estamos nos aproximando rapidamente de um estado em que, para muitas tarefas economicamente vantajosas, a inteligência se torna um bem comum. Por exemplo, qualquer pessoa que construa um aplicativo básico de CRUD pode usar modelos de diversos fornecedores para concluí-lo. E, em um mercado de bens comuns, o caminho para o lucro não é cobrar preços mais altos — você pode (ou em breve poderá) criar exatamente o mesmo aplicativo usando múltiplos modelos — mas sim possuir uma estrutura de custos superior.

Aqui vale a pena esclarecer o mecanismo, pois, como apontei há alguns meses em “A Durabilidade da Amazon”, as dinâmicas dos mercados de commodities não são comuns entre profissionais de tecnologia:

No mercado de mercadorias, todos pagam o mesmo preço, pois todos vendem exatamente a mesma coisa. Esse preço é determinado pela oferta e pela demanda.

A demanda por um bem é uma função da elasticidade-preço: quanto mais barato o bem, maior a demanda, e vice-versa.

A oferta de um bem é uma função do custo marginal da produção desse bem.

O ponto chave a entender é que diferentes fornecedores têm custos marginais diferentes para produzir bens. Na prática, isso significa que o fornecedor com a estrutura de custos mais ruim acaba vendendo seus bens ao seu custo marginal (se ainda conseguir produzir). O lucro de todos os outros depende de quanto melhor é sua estrutura de custos em comparação com o fornecedor marginal.

Por exemplo:

O fornecedor A pode produzir 10 unidades do produto a um custo de US$ 10 por unidade.

O fornecedor B pode produzir 10 unidades do produto a um custo de US$ 15 por unidade.

Supplier C can produce 10 units of the product at a cost of $20 per unit.

Suponha que a elasticidade de preço resulte em uma demanda de 25 unidades do produto a um preço de 20 dólares. Isso significa:

O fornecedor A venderá 10 unidades a 20 dólares, lucrando 10 dólares por unidade

O fornecedor B venderá 10 unidades a 20 dólares, lucrando 5 dólares por unidade

O fornecedor C venderá 5 unidades a 20 dólares, lucrando 0 dólar por unidade.

Isso não é totalmente preciso: o fornecedor C enfrenta a escassez porque os fornecedores A e B conseguem reduzir ligeiramente seus preços, o que, naturalmente, afeta a demanda (elástica), mas ilustra o problema. O fornecedor A tem um bom negócio, o fornecedor B tem um negócio razoável e o fornecedor C está à beira da falência.

O risco de falência é onde os custos fixos voltam ao centro das atenções: o fornecedor C tem custos fixos (como possíveis despesas de P&D) e também pode ter assumido dívidas para financiar os equipamentos necessários à produção dos bens. Ele não pode precificar os bens com base nesses custos — lembre-se, o preço de equilíbrio de mercado está próximo ao custo marginal da unidade com o custo mais alto necessário para atender à demanda — mas esses custos podem absolutamente forçar o fornecedor a sair do mercado. Se o fornecedor falir, os preços subirão até que outro fornecedor decida entrar (ou até que outros fornecedores expandam).

Vamos voltar ao modelo. Agora, todas as análises acima não se aplicam, pois a demanda por modelos de ponta excede a oferta, que é limitada pela escassez de capacidade de processamento. Essa escassez de capacidade não só significa que fornecedores de capacidade, como a NVIDIA, podem obter margens de lucro muito altas, mas também que clientes da NVIDIA, como a SpaceXAI, podem revender essa capacidade com altas margens de lucro para empresas como a Anthropic. Ao mesmo tempo, a Anthropic pode pagar esse prêmio, pois pode vender tokens com prêmios ainda maiores.

No entanto, não é apenas a demanda excessiva que confere à Anthropic margens de lucro elevadas: a Anthropic e a OpenAI podem ter o menor custo por unidade de inteligência de ponta, graças à capacidade dos modelos, escala de serviço e eficiência de tokens. Elas atendem modelos de determinado nível de capacidade meses antes dos concorrentes, ao mesmo tempo em que aplicam os melhores modelos para otimizar esses custos.

Também é importante notar que o mercado ainda não considera a inteligência como uma mercadoria: a demanda é especificamente voltada para Anthropic e OpenAI, com muito menos demanda por modelos menos avançados (portanto, a SpaceXAI e a Meta vendem sua capacidade à Anthropic). Uma maneira de pensar sobre o impulso para otimizar custos é que ele é uma função do nível de inteligência definido para o trabalho a ser concluído, permitindo que compradores de inteligência criem um mercado onde a inteligência se torne uma mercadoria. No entanto, a longo prazo, quem estiver na vanguarda terá a maior capacidade de dominar os mercados não de vanguarda, que são simplesmente a vanguarda menos n meses — os mesmos meses em que os fabricantes de modelos de vanguarda vêm otimizando seus custos de serviço.

Tudo isso diz que acho a reação geral ao Kimi e aos modelos chineses bastante exagerada, pelo menos do ponto de vista econômico. Agora há um para-raios de preços, que é um resultado secundário da escassez de capacidade de processamento. Tenho grandes dúvidas de que os modelos chineses ofereçam serviços mais baratos com base no custo marginal; eles apenas parecem mais baratos porque a oferta da Anthropic e da OpenAI é tão limitada que os preços que cobram são muito superiores aos que seriam cobrados se houvesse oferta suficiente para atender à demanda por inteligência.

Então, por que os fabricantes de modelos parecem estar tão assustados com os modelos chineses?

Primeiro, acho que o laboratório de ponta está ancorado em um mundo onde o custo de treinamento domina seu modelo financeiro. Enquanto o treinamento consumir mais GPUs do que a inferência, maximizar a receita de inferência para ajudar a financiar a próxima execução de treinamento é crucial, o que significa cobrar preços muito altos pela inferência.

No entanto, olhando para o futuro, espero que o crescimento do mercado de inferência seja muito mais rápido do que o custo de treinamento (o que assume que os custos de treinamento continuarão a subir drasticamente), o que significa que eles realmente poderão compensar com volume. Até oito meses atrás, não estava claro se isso se tornaria realidade, mas o potencial desbloqueado pelo paradigma de Agentes é tão enorme que os laboratórios de ponta deveriam ter mais confiança de que não apenas conseguirão sobreviver a preços mais baixos, mas também prosperar (uma vez que tenham suficiente poder de computação).

Em segundo lugar, a inteligência não é realmente um bem perfeito, em parte porque o uso da inteligência a torna mais inteligente. Especificamente, qualquer pessoa que execute inferência também coleta dados, e esses dados são usados para aprimorar os modelos da próxima iteração. Por um lado, isso justifica ainda mais a redução de preços e o aumento do uso por parte dos laboratórios de ponta à medida que mais capacidade de processamento entra online. Por outro lado, é por isso que empresas como a Microsoft estão cada vez mais interessadas em ajudar empresas a executar seus próprios modelos. Se os modelos chineses forem alternativas viáveis, isso se torna ainda mais factível.

Em terceiro lugar, outra maneira pela qual os laboratórios de ponta não apenas se destacam dos modelos chineses, mas também se distinguem entre si, é continuar integrando-se para cima na experiência do cliente. O Claude Code e o Codex provaram ser surpreendentemente aderentes. Independentemente de qual ferramenta você começar a usar, é provável que seja a que você continue usando, especialmente para usuários não técnicos. A longo prazo, essa necessidade de avançar para cima significa que os modelos de ponta representam uma ameaça absoluta aos provedores de software, incluindo a Microsoft. Por outro lado, na medida em que as empresas de software que atualmente possuem a experiência do cliente conseguem acessar modelos competitivos, elas conseguem resistir à erosão dos laboratórios de ponta.

Por fim, a perspectiva ideológica da Anthropic é particularmente impossível de ignorar. Trata-se de uma empresa que acredita que apenas ela pode ser confiada com a IA, e a existência de alternativas de pesos abertos é um golpe fatal para essa suposição.

Kimi não é o único novo modelo chinês. A Bloomberg relata:

O preço das ações da Alibaba Group Holding Ltd. subiu 5,4% na segunda-feira, após a empresa lançar a versão de pré-visualização de seu modelo principal, Qwen3.8 Max, que descreveu como o segundo melhor após o Fable 5 da Anthropic. Esse lançamento no domingo ocorreu apenas alguns dias após a startup Moonshot AI apresentar um novo produto poderoso, que abalou o mercado e despertou preocupações nos Estados Unidos sobre a China reduzindo a lacuna em relação a líderes globais como Anthropic e OpenAI. O Qwen3.8 Max possui 2,4 trilhões de parâmetros e entra na categoria pesada junto com o Kimi K3 da Moonshot AI. O K3, com 2,8 trilhões de parâmetros, é comparável aos melhores produtos do mercado, e a Alibaba também estabeleceu expectativas igualmente altas.

Desenvolvedores agora podem acessar o Qwen3.8 Max por meio da plataforma de codificação da Alibaba (incluindo Qoder). A Alibaba planeja tornar os pesos desse modelo de código aberto em breve, ampliando o acesso além da versão de pré-visualização. O interesse por esses sistemas e modelos de inteligência artificial fabricados na China é tão elevado que a Moonshot foi forçada a suspender temporariamente a aceitação de novas assinaturas no domingo à noite para lidar com a demanda esmagadora.

O preço das ações da Alibaba Group Holding Ltd. subiu até 5,4% na segunda-feira, após a empresa lançar a versão de pré-visualização de seu modelo principal, Qwen3.8 Max, afirmando que ele é o segundo melhor, atrás apenas do Fable 5 da Anthropic PBC. Esse lançamento no domingo ocorreu apenas alguns dias após a Moonshot AI apresentar um novo produto poderoso, que abalou o mercado e despertou preocupações nos Estados Unidos sobre a capacidade da China de alcançar líderes globais como Anthropic e OpenAI. O Qwen3.8 Max possui 2,4 trilhões de parâmetros e entra na categoria pesada ao lado do Kimi K3 da Moonshot, que possui 2,8 trilhões de parâmetros e pode competir com os melhores produtos do mercado — a Alibaba também estabeleceu expectativas igualmente altas.

Desenvolvedores agora podem acessar o Qwen3.8 Max por meio da plataforma de codificação da Alibaba, incluindo o Qoder. A Alibaba planeja liberar os pesos do modelo em breve, ampliando o acesso além da versão de pré-visualização. A demanda por esses sistemas e modelos de inteligência artificial fabricados na China é tão alta que a Moonshot foi forçada a suspender temporariamente a aceitação de novas inscrições no domingo à noite para lidar com a demanda esmagadora.

É notável que o Qwen3.8 Max também abrirá seus pesos. A Alibaba interrompeu a liberação dos pesos de seus modelos líderes no início deste ano, mas parece ter mudado de decisão; suspeito que essa mudança esteja relacionada ao discurso de Xi Jinping sobre IA da semana passada, que reforçou ainda mais a abordagem de pesos abertos:

Devemos aderir ao princípio de abertura e benefício mútuo, impulsionando o desenvolvimento orientado por inovação. Como novo motor de crescimento econômico mundial e acelerador da transição de dinâmicas de crescimento, a inteligência artificial está passando do mundo digital para o mundo físico. Devemos aproveitar esta rara oportunidade histórica, incentivando o código aberto, a abertura, a colaboração e o compartilhamento. Devemos promover a inovação tecnológica, o desenvolvimento industrial e as aplicações práticas da inteligência artificial. Devemos avançar de forma coordenada na transformação e atualização das indústrias tradicionais, no fortalecimento das indústrias emergentes e no planejamento prospectivo das indústrias do futuro, para que todos os setores possam se beneficiar da inteligência artificial.

A estratégia da China é clara: tornar seus complementos comercializáveis. Observe que Xi Jinping ligou explicitamente a abertura à IA "saindo do mundo digital e entrando no mundo físico"; o mundo físico é aquele liderado pela China, cuja liderança em áreas como robótica se beneficiará enormemente de modelos de IA amplamente disponíveis.

Da mesma forma, a China não deseja que os Estados Unidos obtenham uma vantagem assimétrica em IA; seria ainda melhor se a China pudesse enfraquecer os laboratórios avançados dos Estados Unidos enquanto fortalece quaisquer e todos os potenciais adversários dos EUA, e também se beneficiar da inovação ligada a ecossistemas abertos.

Da mesma forma, não espere que a China tome qualquer medida contra ataques de destilação em laboratórios de ponta. Acho que atribuir todos os sucessos dos laboratórios chineses à destilação está errado, mas também está errado fingir que a destilação não proporcionou aos laboratórios chineses uma enorme vantagem. Essa vantagem se tornou realmente evidente no último ano, pois o aprendizado por reforço pós-treinamento tornou-se cada vez mais importante para o desempenho dos modelos. Os laboratórios chineses não precisam construir ambientes de aprendizado por reforço do zero; em vez disso, podem simplesmente usar modelos de laboratórios de ponta como professores para alcançar melhorias rápidas com muito menor custo (não é a única razão pela qual o custo de desenvolvimento de modelos na China é mais baixo, mas é uma razão importante).

Curiosamente, um dos principais casos de uso dos modelos chineses no Ocidente é justamente a dessatura. Por exemplo, a Thinking Machines, que acaba de lançar modelos com pesos abertos, depende de modelos chineses para resolver o problema de inicialização a frio no aprendizado por reforço. Dean Meyer e Konstantine Buhler publicaram um excelente artigo no X explicando que a dessatura significa que os modelos ocidentais de pesos abertos estão fundamentalmente em desvantagem em relação aos chineses:

A destilação não explica toda a vantagem da China na área de modelos abertos. Os laboratórios chineses possuem pesquisadores de nível mundial, grande capacidade de processamento, modelos pré-treinados robustos, design coordenado de software e hardware, e capacidades de pós-treinamento em rápido aprimoramento. No entanto, a destilação comprime a lacuna cara entre uma base poderosa e sistemas quase de ponta. Mesmo que a destilação represente uma pequena parcela da capacidade total dos modelos chineses, ela ocupa uma parte significativa da vantagem relativa da China em relação aos modelos abertos dos EUA.

O novo mecanismo de aplicação tornará mais difícil, mais lento e mais caro para empresas chinesas realizar destilação em larga escala. No entanto, a aplicação da lei não pode eliminar a destilação apoiada por atores estatais. Assim, cada avanço ocidental cria outro professor para laboratórios chineses. Construtores ocidentais devem replicar independentemente essas capacidades ou aguardar para aprender com modelos chineses. Essa lacuna fornece aos laboratórios chineses uma vantagem estrutural recorrente em relação às empresas ocidentais.

Isso merece ser repetido: como os fabricantes ocidentais de modelos de peso aberto devem cumprir os termos de serviço dos laboratórios avançados, eles (1) são menos eficazes do que as alternativas chinesas e (2) acabam por destilar destilações que apenas passam por laboratórios chineses. Não seria melhor se os fabricantes ocidentais de modelos de peso aberto pudessem acessar diretamente a fonte?

Para isso, há uma questão ainda mais interessante em torno da destilação: por que ela é realmente ruim? Afinal, os grandes modelos de linguagem não são apenas a destilação de todo o conhecimento disponível na internet aberta, coletado e destilado por laboratórios de ponta em modelos que estão sendo destilados? Quem exatamente está sendo prejudicado aqui?

Na verdade, esse paradoxo é a solução. Acredito que modelos de pesos abertos favorecem a inovação (e, com base no que foi mencionado acima, acho que os laboratórios de ponta ficarão bem), mas depender da China é um problema. Os Estados Unidos devem aprovar uma lei que (1) esclareça que a coleta de dados para treinar modelos constitui uso legítimo e (2) proíba, pelo menos para empresas americanas, termos de serviço que banam a dessensibilização. Impedir a dessensibilização — que na prática significa consultar APIs — é quase impossível; os Estados Unidos devem seguir outro caminho, adotando uma nova política de direitos autorais que proteja os laboratórios e garanta que o conhecimento que eles adquirem impulsiona a inovação de outros.

O artigo inteiro tem buscado mitigar as reações exageradas em relação ao Kimi K3 e aos modelos chineses de peso aberto; no entanto, há uma razão legítima para preocupação: a segurança cibernética. Considere esta história do The Stack:

A Hugging Face afirmou que sua infraestrutura de produção foi invadida no início da semana passada por um sistema de agente de IA "autônomo". A equipe de segurança da plataforma inicialmente encontrou obstáculos na resposta a incidentes (IR) devido a barreiras de modelos avançados de LLM dos Estados Unidos, "que não conseguiam distinguir entre respondentes a incidentes e atacantes", disseram eles. Consequentemente, os defensores da Hugging Face recorreram ao modelo open-source GLM 5.2 do laboratório chinês Z.ai — executando-o em sua própria infraestrutura para analisar mais de 17.000 logs ou pegadas deixadas pelos atacantes.

Para a Hugging Face, com sede em Nova York, trata-se de um reconhecimento público notável, já que a empresa permite que os usuários colaborem em modelos, conjuntos de dados e aplicativos, alcançando este verão a marca de US$ 100 milhões em ARR. Em um relatório de incidente, a empresa sugere que os defensores "se preparem antecipadamente com um modelo capaz de ser executado em sua própria infraestrutura [nossa ênfase], para evitar o bloqueio por barreiras e impedir que dados e credenciais dos atacantes saiam do seu ambiente."

É difícil exagerar o quão errado foi o pânico da administração Trump em resposta ao lançamento do Fable pela Anthropic, especialmente porque intensificou a pior tendência da Anthropic: a suposição de que apenas eles podem ser confiáveis para usar IA poderosa. Em um mundo com apenas uma IA, manter as capacidades mais poderosas de cibersegurança para o governo dos EUA e aliados confiáveis poderia fazer sentido; no entanto, esse não é o mundo em que vivemos.

Já existem e existirão modelos totalmente capazes de lançar ataques cibernéticos contra a infraestrutura existente, e esses modelos já estarão amplamente disponíveis. A melhor defesa — na verdade, a única defesa viável — será garantir que os defensores também tenham acesso aos melhores modelos. Agora, devido às instruções do governo Trump, os defensores são proibidos de usar Fable ou Sol para cibersegurança; isso significa que a melhor alternativa é usar modelos provenientes de um país que há anos tenta enfraquecer nossa defesa cibernética. Isso é loucura!

A abordagem mais clara é: primeiro, relaxar as restrições de Fable e Sol em segurança cibernética; segundo, garantir que os fabricantes americanos de modelos de peso aberto tenham um ambiente de competição equitativo com a China. Sim, os laboratórios de ponta farão muito barulho, mas o governo deve perceber que ceder ao seu histerismo levou os EUA a uma situação em que empresas americanas dependem da China para defesa. Deixe os laboratórios de ponta vencerem por meio de um desempenho superior; não os deixe definir segurança ou proteção, nem derrubar a escada do conhecimento coletivo da humanidade. Já é difícil o suficiente para a China competir; permitir que eles assumam a bandeira da abertura e da inovação é simplesmente abrir mão da nossa maior vantagem.