AI e o impacto inesperado no mercado de Ativos de criptografia

Recentemente, surgiu uma tendência de desenvolvimento inesperada no campo da IA, que afetou o mercado de uma maneira surpreendente. Esta tendência não é a fusão da IA com Ativos de criptografia, mas sim o impacto em cadeia da IA nos mercados de capitais tradicionais e nos mercados de Ativos de criptografia.

No dia 27 de janeiro, o modelo de IA DeepSeek da China superou pela primeira vez o ChatGPT em número de downloads, tornando-se o mais baixado na App Store dos EUA. Esta notícia atraiu ampla atenção no mundo da tecnologia, investimento e mídia.

Este evento não apenas leva a refletir sobre as possíveis mudanças na configuração tecnológica entre a China e os EUA no futuro, mas também desencadeou um breve sentimento de pânico nos mercados de capitais dos EUA. Como resultado, várias gigantes da tecnologia registraram quedas significativas em suas ações, com a Nvidia caindo 5,3%, a ARM caindo 5,5%, a Broadcom caindo 4,9% e a TSMC caindo 4,5%. Além disso, as ações da Micron, AMD e Intel também apresentaram quedas. O futuro do Nasdaq 100 viu uma queda expandida para 400 pontos, com a possibilidade de registrar a maior queda em um único dia em um período recente. Estima-se que o valor de mercado da bolsa de valores dos EUA possa ter evaporado mais de 1 trilhão de dólares durante as negociações daquele dia.

O mercado de ativos de criptografia, que segue de perto a tendência do mercado de ações dos EUA, também apresentou uma queda significativa. O preço do Bitcoin caiu abaixo de 40500 dólares, com uma queda de 4,48% em 24 horas. O Ethereum caiu abaixo de 3200 dólares, com uma queda de 3,83% em 24 horas. Muitos investidores estão confusos com essa rápida queda no mercado de ativos de criptografia, e alguns especulam que pode estar relacionada à redução das expectativas de cortes nas taxas de juros pelo Federal Reserve ou outros fatores macroeconômicos.

A fonte do pânico no mercado parece vir dos avanços inovadores da DeepSeek. Ao contrário de outras empresas de IA conhecidas, a DeepSeek não dependeu de grandes capitais e recursos de hardware. Em contraste, a OpenAI foi fundada há dez anos, tem 4500 funcionários e arrecadou 6,6 mil milhões de dólares; um gigante das redes sociais investiu 60 mil milhões de dólares no desenvolvimento de um grande centro de dados de IA. A DeepSeek, por outro lado, foi fundada há menos de dois anos, conta com apenas 200 funcionários, custos de desenvolvimento abaixo de 10 milhões de dólares e não utilizou uma grande quantidade de GPUs de alto desempenho.

O sucesso do DeepSeek não apenas rompeu as barreiras de custo nos níveis de capital e tecnologia, mas também desafiou as ideias e os padrões de pensamento que as pessoas mantêm há muito tempo.

O vice-presidente de produtos de uma conhecida empresa de armazenamento em nuvem afirmou nas redes sociais que a história da DeepSeek representa uma inovação disruptiva típica. As empresas tradicionais concentram-se em otimizar processos existentes, enquanto os disruptores repensam as abordagens fundamentais. A DeepSeek apresentou uma nova ideia: como resolver problemas de uma forma mais inteligente, em vez de simplesmente aumentar o investimento em hardware?

Atualmente, o custo de treinar grandes modelos de IA de topo é extremamente elevado. Algumas das principais empresas de IA investiram mais de 100 milhões de dólares apenas em recursos computacionais. Elas precisam de grandes data centers equipados com milhares de GPUs no valor de 40 mil dólares, consumindo uma quantidade de energia comparável à de uma central elétrica.

No entanto, a DeepSeek apresentou uma nova abordagem: como alcançar o mesmo objetivo com 5 milhões de dólares? Eles não apenas propuseram essa ideia, mas também a implementaram com sucesso. O modelo deles é comparável e até melhor em várias tarefas em relação aos modelos de IA líderes do setor. O segredo deles está em repensar fundamentalmente todo o processo. Os modelos de IA tradicionais usam números de ponto flutuante de 32 bits para representar cada número, enquanto a DeepSeek tentou usar números de ponto flutuante de 8 bits, descobrindo que a precisão ainda era suficiente, ao mesmo tempo que a demanda por memória foi reduzida em 75%.

Os resultados são surpreendentes: o custo de treinamento caiu de 100 milhões de dólares para 5 milhões de dólares, o número de GPUs necessárias foi reduzido de 100 mil para 2 mil, e o custo da API diminuiu em 95%. Mais importante ainda, o seu modelo pode ser executado em GPUs de jogos comuns, sem a necessidade de hardware especializado de centros de dados. Além disso, optaram por uma estratégia de código aberto.

O sucesso da DeepSeek desafia várias concepções tradicionais no campo da IA, incluindo estereótipos sobre o modelo de desenvolvimento tecnológico na China, a posição de liderança do Vale do Silício na área de IA, as barreiras tecnológicas de certas empresas de IA, os enormes investimentos necessários para desenvolver modelos de IA de topo, a teoria da acumulação de valor dos modelos e a relação linear entre o desempenho do modelo e os custos de investimento.

Uma conhecida instituição de investimento nos EUA, ao avaliar o DeepSeek em seu briefing, apontou que isso representa uma importante vitória do código aberto em relação ao código fechado. As contribuições da comunidade de código aberto irão impulsionar rapidamente o desenvolvimento de todo o setor. No entanto, eles também observaram que algumas empresas que adotam estratégias de investimento em grandes recursos podem ter novos avanços no futuro. Com base na história do desenvolvimento da IA, o poder de cálculo ainda pode ser um fator chave.

O sucesso da DeepSeek fez com que os modelos de código aberto alcançassem e até superassem em desempenho alguns modelos de código fechado, ao mesmo tempo em que são mais eficientes, o que diminui a necessidade de as empresas adquirirem APIs comerciais de IA. A implantação privada e o ajuste fino autônomo proporcionarão um maior espaço de desenvolvimento para aplicações a jusante. Espera-se que, nos próximos um ou dois anos, possamos ver produtos de chips de inferência mais diversificados e um ecossistema de aplicações de modelos de linguagem grande mais próspero.

Apesar disso, a demanda por poder de computação não deverá diminuir. Isso pode levar a um fenômeno semelhante à "paradoxo de Jevons": apesar do aumento da eficiência por unidade, devido à expansão do escopo de aplicação, a demanda total pode, na verdade, aumentar. Isso é semelhante à trajetória de desenvolvimento desde os primeiros telefones móveis até a era da popularização dos telefones Nokia: foi precisamente devido à redução de custos que se tornou acessível, e a popularização levou a um aumento no consumo total do mercado.