Enquanto o mercado de inteligência artificial continua concentrando atenções em GPUs, datacenters e investimentos bilionários em infraestrutura, uma convergência de pesquisas divulgadas nas últimas semanas sugere que a próxima etapa da evolução da IA pode ocorrer em outra camada da tecnologia. Quatro laboratórios de ponta — Google DeepMind, DeepSeek, Nvidia e Tencent — apresentaram trabalhos que atacam o mesmo problema por caminhos diferentes: reduzir a quantidade de processamento necessária para gerar respostas preservando desempenho comparável em diversos testes.
A avaliação é de Maria Alice Maia, cientista de dados formada pela UC Berkeley, doutoranda e pesquisadora em comportamento de uso e governança de IA na FGV EBAPE. Em um vídeo explicativo, a pesquisadora argumenta que a convergência desses estudos sinaliza uma mudança estrutural na indústria, em que a disputa deixa de ser apenas por modelos maiores e passa a privilegiar arquiteturas mais eficientes, capazes de entregar desempenho semelhante com menor consumo de recursos computacionais.
Segundo Maria Alice, essa mudança pode afetar diretamente decisões de investimento, modelos de contratação de serviços de IA, estratégias de nuvem e até a viabilidade econômica de agentes autônomos e aplicações corporativas em larga escala.
Especialistas sob demanda: o modelo Mixture of Experts
O primeiro movimento vem do Google DeepMind, com o relatório técnico do Gemma 4. O trabalho reforça o uso da arquitetura conhecida como Mixture of Experts (MoE), na qual apenas partes específicas do modelo são ativadas para cada tarefa, em vez de mobilizar toda a rede neural a cada token processado.
Na analogia utilizada por Maria Alice Maia, trata-se de ativar apenas o especialista necessário para resolver determinado problema, em vez de “acionar o cérebro inteiro” para qualquer solicitação. O resultado é uma redução significativa da carga computacional sem perda proporcional de capacidade. “Se você acordar pela manhã e ativar imediatamente todas as suas capacidades de resolver equações, tocar instrumentos musicais e estudar filosofia, não há energia que sustente o cérebro”, ilustrou.
A pesquisadora explica que o Gemma 4 possui cerca de 26 bilhões de parâmetros, mas ativa aproximadamente 4 bilhões por vez. Isso permite aproximar o desempenho de um modelo grande ao custo operacional ao de um modelo muito menor. Além disso, a arquitetura reduz as exigências de memória durante as conversas, aumentando a quantidade de sessões simultâneas que podem ser executadas no mesmo hardware.
DeepSeek acelera a inferência sem trocar o modelo
O segundo trabalho analisado é o DSpark, da DeepSeek. Em vez de alterar a arquitetura principal do modelo, a proposta atua sobre o processo de geração das respostas por meio de uma técnica chamada speculative decoding.
A abordagem utiliza um modelo menor para antecipar possíveis sequências de tokens. O modelo principal passa então a verificar essas previsões, aceitando ou rejeitando blocos inteiros de uma só vez. Dessa forma, reduz-se a necessidade de executar cálculos complexos para cada palavra individualmente.
De acordo com os resultados reportados pela DeepSeek, a tecnologia elevou a velocidade de geração em produção entre 60% e 85%, mantendo os mesmos níveis de throughput do sistema existente. O ganho é particularmente relevante porque foi obtido sem exigir novos modelos nem mudanças de hardware.
Para Maria Alice Maia, o aspecto mais importante é que a técnica deixa de ser apenas um conceito experimental e passa a demonstrar viabilidade operacional em ambientes com grande volume de usuários simultâneos.
Nvidia aposta em modelos de difusão para texto
A terceira linha de pesquisa vem da Nvidia e talvez seja a mais disruptiva entre as quatro analisadas. O paper Nemotron-Labs-Diffusion propõe abandonar parcialmente a lógica autorregressiva tradicional — na qual cada palavra depende da anterior — para adotar mecanismos inspirados nos modelos de difusão já amplamente utilizados em geração de imagens.
Em vez de construir o texto palavra por palavra, o modelo trabalha refinando sequências inteiras em paralelo. O processo se assemelha à revelação gradual de uma imagem, na qual o resultado final emerge progressivamente a partir de uma representação inicial incompleta.
Segundo os autores, a arquitetura permite gerar até seis vezes mais tokens por passagem de inferência do que modelos autorregressivos equivalentes, mantendo níveis comparáveis de precisão. O estudo também demonstra ganhos expressivos de throughput em ambientes reais de execução.
A pesquisadora ressalta que a tecnologia ainda apresenta limitações em tarefas complexas de raciocínio, mas considera o avanço um sinal de que a indústria está explorando alternativas estruturais ao paradigma dominante dos grandes modelos de linguagem.
Tencent busca resolver o desafio do contexto longo
O quarto estudo citado por Maria Alice Maia é o HiLS-Attention, desenvolvido pela Tencent. O foco está em um dos principais gargalos atuais dos modelos de linguagem: o processamento eficiente de contextos extensos.
O problema é conhecido no setor como lost in the middle. À medida que documentos se tornam maiores, os modelos tendem a perder capacidade de localizar e priorizar informações relevantes distribuídas ao longo do texto. Além disso, os custos computacionais crescem rapidamente conforme aumenta a janela de contexto.
A proposta da Tencent utiliza um mecanismo de atenção esparsa hierárquica capaz de selecionar de forma mais eficiente os trechos relevantes de grandes volumes de informação. Segundo a pesquisadora, isso permite que modelos treinados com contextos menores consigam trabalhar com documentos muito mais extensos sem que os custos cresçam na mesma proporção.
Na prática, a tecnologia pode ampliar a viabilidade de aplicações corporativas que dependem da análise de contratos, processos jurídicos, bases documentais extensas e grandes repositórios de conhecimento.
Menos computação, mais IA
Embora cada estudo ataque um componente diferente da pilha tecnológica, Maria Alice Maia argumenta que o ponto central não está nas tecnologias individuais, mas na convergência dos objetivos. Os quatro laboratórios trabalham sobre o mesmo desafio, de reduzir o consumo de recursos computacionais por token, ampliando a eficiência da inferência.
Se essa trajetória se confirmar, a consequência poderá ser uma queda gradual dos custos operacionais da IA, ampliando a viabilidade de aplicações hoje consideradas economicamente inviáveis. Também pode favorecer a adoção de modelos executados em infraestrutura própria, reduzindo dependências de provedores externos e ampliando opções para setores sujeitos a requisitos mais rígidos de governança e privacidade de dados.
Para a pesquisadora, o principal sinal emitido pelos quatro trabalhos é que a próxima fase da inteligência artificial talvez não seja definida por quem possui os maiores modelos, mas por quem conseguir entregar a mesma capacidade com a menor quantidade possível de processamento.
