Durante anos, a ideia de criar um modelo de inteligência artificial de raiz esteve reservada a gigantes tecnológicos com orçamentos astronómicos. Empresas como a OpenAI, a Google ou a Meta investiram centenas de milhões de dólares apenas para treinar os seus modelos mais avançados. Para laboratórios académicos, startups ou investigadores independentes, esse caminho parecia simplesmente fechado.
Ora, uma equipa de investigadores acaba de demonstrar que é possível treinar um modelo de fundação completo, desde a primeira linha de processamento até ao resultado final, por aproximadamente 1.500 dólares. Para perceber o que isto significa, pensemos numa analogia: durante décadas, construir uma casa exigia uma construtora com maquinaria pesada, dezenas de operários e um investimento de centenas de milhares de euros. De repente, alguém descobre uma técnica que permite erguer a mesma casa com ferramentas acessíveis, num fim de semana, por menos do que um mês de salário mínimo.
O que é um modelo de fundação e porque é que o custo importa tanto
Um modelo de fundação é, essencialmente, o “cérebro base” de uma inteligência artificial. É o componente treinado em enormes quantidades de dados que depois pode ser adaptado para tarefas específicas, como responder a perguntas, gerar texto ou analisar imagens. O GPT da OpenAI, o Gemini da Google e o LLaMA da Meta são todos exemplos de modelos de fundação.
O custo do treino destes modelos tem sido, até agora, uma das maiores barreiras de entrada no setor. Quando o treino custa dezenas ou centenas de milhões de dólares, apenas quem tem acesso a capital de risco massivo ou a infraestrutura de uma grande empresa tecnológica consegue participar. Isso cria um oligopólio silencioso: poucas entidades controlam as ferramentas mais poderosas da era digital.
A conquista dos investigadores em causa não passa apenas por um número impressionante. Passa por demonstrar que as escolhas arquiteturais, a eficiência dos algoritmos e a forma como os dados são processados podem substituir, em grande medida, o poder bruto do dinheiro e do hardware.
Como foi possível reduzir o custo de forma tão drástica
A equipa recorreu a uma combinação de técnicas de otimização que, individualmente, já eram conhecidas, mas que nunca tinham sido aplicadas em conjunto com esta coerência. Entre os elementos centrais estão a precisão reduzida nos cálculos numéricos (que poupa memória e velocidade de processamento), estratégias de amostragem de dados mais inteligentes e uma arquitetura de modelo desenhada para maximizar a eficiência por cada euro gasto em computação.
A analogia mais próxima é a da indústria automóvel: durante décadas, construir um carro elétrico eficiente exigia baterias enormes e caras. Quando a Tesla e outros fabricantes perceberam que a gestão térmica e o software de controlo podiam compensar parte da necessidade de bateria bruta, o custo começou a cair. Aqui acontece algo semelhante: mais inteligência no processo substitui mais dinheiro em hardware.
O que isto muda na prática para o ecossistema de IA
As implicações desta descoberta tocam várias dimensões. Em primeiro lugar, a democratização da investigação: universidades, laboratórios públicos e equipas pequenas passam a ter condições reais de criar e experimentar os seus próprios modelos de base, sem depender de acordos comerciais com gigantes tecnológicos.
Em segundo lugar, surge um novo cenário de soberania tecnológica. Países e regiões que até agora eram consumidores passivos de IA desenvolvida no estrangeiro podem começar a construir alternativas alinhadas com os seus valores, línguas e necessidades específicas. Para Portugal e para o espaço lusófono, este ponto é particularmente relevante: a possibilidade de treinar modelos de fundação em português europeu, com dados locais e por um custo acessível, deixa de ser ficção científica.
Em terceiro lugar, e não menos importante, o ritmo de inovação acelera. Quando mais equipas conseguem experimentar, mais hipóteses são testadas, mais erros são cometidos e mais soluções emergem. A história da ciência mostra repetidamente que a abertura e a acessibilidade dos instrumentos de investigação são os maiores catalisadores do progresso.
O que ainda não muda e os desafios que persistem
É importante não cair num entusiasmo excessivo. Treinar um modelo de fundação por 1.500 dólares é uma prova de conceito extraordinária, mas os modelos resultantes ainda não rivalizam, em capacidade bruta, com os gigantes treinados com investimentos muito superiores. A qualidade dos dados continua a ser um fator determinante, e reunir, filtrar e preparar dados de forma responsável continua a ser um desafio significativo.
Além disso, o custo de inferência, ou seja, o custo de utilizar o modelo depois de treinado para responder a milhões de pedidos diários, permanece um problema separado. Treinar barato não significa necessariamente servir barato a uma escala global.
Ainda assim, o sinal enviado por esta investigação é claro e duradouro: a fronteira do possível deslocou-se. E quando a fronteira se desloca, o mapa que usávamos para navegar o setor precisa de ser redesenhado.
Fonte: Notícia Original
