IA de código aberto desafia modelos fechados — pesquisa autônoma barata pode acelerar inovação para empresas brasileiras

Um estudo da Prime Intellect, empresa de infraestrutura de IA de código aberto, revelou que um sistema composto por 18 modelos de IA, incluindo o Kimi K3, conseguiu otimizar um treinamento de rede neural em 2930 passos, superando o GPT-5.6 Sol (3042 passos) e ficando a apenas 10 passos do modelo fechado Opus 5 (2920 passos). O experimento, que simulou uma corrida de otimização do nanoGPT, mostra que a pesquisa de IA pode ser feita de forma autônoma e mais barata, sem depender dos modelos mais caros e fechados. Para o Brasil, isso significa que a inovação em IA pode se tornar mais acessível, permitindo que empresas locais desenvolvam soluções próprias sem depender de gigantes estrangeiras. A Prime Intellect, em seu estudo, colocou 18 modelos de IA de ponta, incluindo Fable 5, Opus 5, GPT-5.6 Sol, Kimi K3, Grok 4.5, GLM 5.2, Muse Spark 1.1, DeepSeek V4 Pro, Grok 4.6, Muse Spark 1.2 e Qwen 3.8, em uma competição para otimizar o treinamento de um GPT de 124 milhões de parâmetros. O objetivo era reduzir a loss de validação para abaixo de 3.28 usando o menor número possível de passos de treinamento, partindo de um baseline de 3290 passos. O melhor recorde humano é de 2600 passos. Os agentes de IA, isolados em um sandbox sem rede, tiveram que levantar hipóteses, rodar experimentos e ajustar hiperparâmetros de forma autônoma. O resultado foi que o Kimi K3, um modelo de pesos abertos, combinado com o Prime Agent Harness, alcançou 2930 passos, superando o GPT-5.6 Sol e ficando perto do Opus 5. A Prime Intellect realizou 153 experimentos totalmente autônomos, com o mais longo durando mais de 8 dias. Nenhum experimento propôs um método verdadeiramente inovador, mas as estratégias eficazes encontradas, como normalização e ajuste de taxa de aprendizado, já são conhecidas na literatura. O estudo sugere que a eficiência da máquina de pesquisa subjacente pode ser mais importante do que a força bruta do modelo, abrindo caminho para que modelos de código aberto alcancem os fechados com maior throughput de tentativa e erro. Para o Brasil, isso é um sinal de que a dependência de modelos fechados e caros pode diminuir, permitindo que empresas e instituições de pesquisa locais desenvolvam suas próprias soluções de IA com custos menores. A tendência de 'desenvolvimento de IA por IA' pode se tornar uma realidade mais acessível, impactando setores como agronegócio, finanças e saúde, que já utilizam IA para otimizar processos. O CBI avalia que, embora o estudo não apresente inovações disruptivas, ele demonstra o potencial de frameworks de orquestração de agentes para democratizar a pesquisa em IA. Empresas brasileiras que dependem de tecnologia de ponta devem monitorar essa evolução, pois ela pode reduzir custos e acelerar a adoção de soluções de IA em seus negócios.