A Corrida pela Superinteligência

Estados Unidos e China disputam quem vai dominar a IA. Mas onde fica a linha de chegada?

Imagine acordar numa segunda-feira e descobrir que as ações da Nvidia despencaram em Wall Street. Foi o que aconteceu em 27 de janeiro de 2025. E o gatilho não foi fraude, defeito nem fábrica parada: foi um modelo de inteligência artificial lançado por uma empresa chinesa que, até poucas semanas antes, ainda era pouco conhecida fora do setor.

O nome da empresa era DeepSeek. Seu novo modelo de raciocínio, o R1, alcançava resultados competitivos nos testes usados pra comparar alguns dos sistemas mais avançados daquele momento. Os pesos estavam disponíveis pra execução e adaptação. Mas o ponto mais desconfortável era o caminho: a equipe parecia ter extraído desempenho de ponta usando menos recursos do que o Vale do Silício considerava necessário.

É essa história que a gente precisa entender. O susto daquela segunda-feira diz menos sobre uma empresa chinesa do que sobre uma pergunta que ninguém tá conseguindo responder: nessa corrida pela superinteligência, onde exatamente fica a linha de chegada?

O dia em que a vantagem americana pareceu encolher

Durante anos, a corrida da IA parecia obedecer a uma conta simples. Quanto mais chips avançados um laboratório reunisse, maiores seriam os modelos que conseguiria treinar e melhores tenderiam a ser os resultados. A vantagem pertenceria a quem tivesse dinheiro e infraestrutura pra continuar ampliando a escala.

O caminho parecia tão claro que a indústria passou a planejar o futuro em torno dele. Empresas contrataram data centers, energia e novas gerações de processadores antes mesmo de saber quais produtos surgiriam dessa capacidade. A inteligência artificial avançava em linhas de código, mas a aposta já era medida em fábricas, usinas e bilhões de dólares.

E os Estados Unidos pareciam construídos pra vencer essa disputa. Tinham laboratórios de fronteira, grandes provedores de nuvem, mercados capazes de financiar apostas enormes e a Nvidia no centro do ecossistema. Washington ainda podia restringir a venda dos processadores mais avançados pra China e tornar a escalada do concorrente mais lenta e cara.

A DeepSeek apareceu justamente do lado que deveria estar perdendo. Não provou que as restrições eram inúteis nem que a China tinha alcançado inteligência artificial geral, muito menos superinteligência. Mostrou algo mais específico e, por isso mesmo, mais incômodo: a relação entre chips, dinheiro e capacidade não era tão previsível quanto parecia, e a escassez podia empurrar um laboratório pra outra rota.

Essa dúvida é maior do que uma empresa. Estados Unidos e China disputam tecnologia, infraestrutura, talento e influência. Mas a imagem de uma corrida esconde uma pergunta anterior: antes de descobrir quem tá na frente, é preciso saber onde fica a chegada.

A linha de chegada que ninguém desenhou

Essa linha costuma receber três letras: AGI, sigla em inglês pra inteligência artificial geral. O nome sugere um destino claro, como se todos os laboratórios estivessem tentando construir a mesma máquina. Quando a gente olha as definições usadas por eles, porém, a pista começa a se dividir.

Para a OpenAI, AGI significa sistemas altamente autônomos capazes de superar seres humanos na maior parte do trabalho economicamente valioso. O Google DeepMind organiza generalidade e desempenho em níveis e trata autonomia separadamente. Já a Anthropic costuma evitar uma definição formal de AGI e prefere descrever “IA poderosa” por um conjunto de capacidades. Ou seja: o mesmo sistema pode parecer perto da chegada por uma definição e longe dela por outra.

A capacidade também avança de forma irregular. Um modelo pode resolver problemas científicos difíceis e falhar em tarefas simples; pode escrever código excelente sob instruções claras e se perder quando precisa planejar uma sequência longa e conferir o próprio trabalho. Um benchmark ilumina apenas um pedaço desse terreno, nunca o mapa inteiro.

Pesquisadores chamam esse relevo de fronteira irregular. O desempenho não sobe como uma maré que eleva todas as capacidades ao mesmo tempo: há resultados acima do humano em alguns pontos e fragilidade surpreendente poucos passos adiante.

E tem mais uma confusão comum: inteligência e autonomia são dimensões diferentes. Um sistema pode responder perguntas complexas e continuar dependente de uma pessoa pra definir objetivos, conceder acesso e autorizar ações. Também pode executar muitas etapas sozinho sem ter capacidade geral comparável à humana.

A superinteligência fica além dessa discussão toda. Ela seria amplamente superior às pessoas nos domínios cognitivos relevantes, não apenas capaz de realizar muitas tarefas humanas. Esse horizonte ajuda a explicar a urgência de laboratórios e governos, mas não descreve uma tecnologia demonstrada em 2026 nem torna automática uma melhoria ilimitada depois da AGI.

Também não existe evidência pública de que alcançar AGI acionaria, sozinho, um ciclo aberto de máquinas criando sucessoras cada vez mais capazes. Pessoas, dados, verificações e nova infraestrutura continuam fora dessa narrativa automática.

Nada disso torna a competição imaginária. Os modelos tão ficando mais capazes, as empresas investem somas enormes e os governos tentam proteger vantagens reais. O problema é tratar avanços diferentes como se apontassem pra uma única chegada reconhecida por todos.

A competição é real, mas não oferece um instante inequívoco em que uma bandeira cruza a linha e todas as outras param. Há várias medidas, caminhos e tipos de chegada. A DeepSeek tornou essa incerteza mais difícil de ignorar ao aparecer com um número que parecia provar uma rota muito mais curta: US$ 5,576 milhões.

O número verdadeiro que conta uma história errada

O número tava numa tabela do relatório técnico do DeepSeek-V3. A equipe contabilizou 2,788 milhões de horas de processadores Nvidia H800 em pré-treinamento, extensão de contexto e pós-treinamento e converteu esse uso num custo de US$ 5,576 milhões. A conta tinha um perímetro definido. Fora do relatório, ganhou uma vida muito maior.

O valor passou a circular como se fosse o preço de criar a DeepSeek ou desenvolver o R1. Não era uma coisa nem outra. O relatório tratava do treinamento oficial do V3 e deixava expressamente de fora pesquisa anterior e experimentos de ablação em arquiteturas, algoritmos ou dados. Também não era uma conta de salários, infraestrutura ou compra dos processadores.

Isso não torna o número falso. Torna inadequada a comparação construída a partir dele. Colocá-lo ao lado dos investimentos totais de um laboratório americano é como comparar o combustível consumido num voo com o custo de criar e operar uma companhia aérea inteira. A conta pode estar correta e, ainda assim, não responder à pergunta sugerida pela manchete.

A correção também não diminui a conquista técnica. A arquitetura de mistura de especialistas do V3 ativa apenas parte do modelo a cada passo, e a equipe tratou algoritmos, software e hardware como um único problema. Arquitetura, código, dados e engenharia alteram quanto desempenho cada unidade de computação consegue produzir.

Essa coengenharia permitiu reduzir comunicação desnecessária entre processadores e aproveitar melhor a capacidade disponível. O caso não mostra uma fronteira criada quase sem dinheiro; mostra que a mesma quantidade de computação pode produzir resultados diferentes conforme as escolhas técnicas.

Mais computação continua permitindo treinar sistemas maiores e testar mais hipóteses. As restrições americanas preservaram uma vantagem para quem acessava os processadores mais avançados, mas também tornaram mais valiosas as soluções que economizassem computação e extraíssem mais dos equipamentos disponíveis. A escassez não desapareceu; passou a orientar prioridades técnicas.

Pense assim: um laboratório com recursos abundantes consegue explorar uma área maior e absorver mais tentativas malsucedidas. Outro, pressionado por limites, precisa evitar desperdícios e pode encontrar uma rota mais curta. A vantagem material permanece, mas não se converte automaticamente em desempenho.

A DeepSeek não provou que chips e capital deixaram de importar. Provou que eles não funcionam como um placar linear: dinheiro precisa ser convertido em capacidade por escolhas técnicas. E pra entender até onde cada rota pode chegar, a gente precisa sair do preço do treinamento e descer pelas camadas físicas que tornam qualquer modelo possível.

A pilha debaixo da inteligência

Siga um dos processadores H800 usados pela DeepSeek na direção oposta à resposta que aparece na tela. Antes de executar um modelo, aquele chip atravessou uma cadeia que nenhum país controla sozinho. A inteligência parece surgir no software, mas o caminho dela começa muito abaixo.

A Nvidia desenha a arquitetura e fornece o ecossistema de software, mas não fabrica o chip que leva seu nome. Essa etapa passa principalmente pela TSMC, a empresa taiwanesa que produz quase todos os processadores líderes de IA. Ou seja: a competição entre laboratórios americanos e chineses converge pra fábricas instaladas em Taiwan.

Nem essas fábricas são autônomas. Elas dependem de equipamentos de litografia produzidos nos Países Baixos, materiais e componentes de uma rede internacional. O processador ainda precisa de memória de alta largura de banda e empacotamento avançado; sem conexões rápidas, a capacidade de cálculo fica esperando pelos dados.

A TSMC vem expandindo a produção em outros países, inclusive nos Estados Unidos, mas uma fábrica nova não reproduz da noite pro dia o ecossistema acumulado em Taiwan. Em 2025, os processos mais avançados e boa parte do empacotamento crítico continuavam concentrados ali.

Reduzir essa concentração exige mais do que erguer um prédio. Fornecedores, profissionais, processos e capacidade de empacotamento foram acumulados ao longo do tempo, e não aparecem todos no dia em que uma nova fábrica começa a operar.

Depois de fabricado, o chip precisa entrar num servidor, conversar com milhares de outros processadores e permanecer frio enquanto opera. Isso exige redes, racks, armazenamento, refrigeração, subestações, transformadores, eletricidade contínua e capital contratado antes que o retorno esteja garantido.

E o modelo treinado vai continuar precisando da mesma base pra responder aos usuários. A infraestrutura não termina quando o treinamento acaba: servidores, redes e energia sustentam cada uso posterior e tornam a inteligência dependente do território onde o data center foi instalado.

Cada resposta esconde várias geografias: propriedade intelectual americana, fabricação e memória asiáticas, máquinas europeias, energia local e dinheiro global. Chamar o sistema de americano descreve onde se concentram empresas decisivas, não autossuficiência. A China tenta substituir os componentes que podem ser negados, mas ainda encontra gargalos avançados; nenhum dos lados controla uma pilha completa dentro das próprias fronteiras.

Os controles de exportação exploram justamente esses gargalos. Eles não precisam impedir todo avanço chinês; basta tornar cada salto mais caro, lento ou incerto. Ao mesmo tempo, reforçam o incentivo de Pequim pra construir alternativas domésticas.

Duas estratégias para uma corrida que não é uma só

Os dois países organizam essa pilha de maneiras diferentes. Nos Estados Unidos, laboratórios privados tentam ampliar a fronteira dos modelos, enquanto as grandes nuvens oferecem infraestrutura e distribuição. O mercado financeiro permite contratar recursos antes de demonstrar todo o retorno.

O projeto Stargate levou essa lógica à escala de política industrial ao anunciar a intenção de mobilizar até US$ 500 bilhões em quatro anos. Não é dinheiro já gasto, mas revela a ambição americana de acelerar infraestrutura e preservar acesso aos melhores processadores.

A estratégia externa completa o movimento. Washington procura oferecer a aliados chips, nuvem, modelos, segurança, aplicações e padrões americanos. Os controles de exportação são a face inversa da oferta: limitam componentes destinados à China e transformam o acesso à pilha em instrumento de influência.

A China responde com eficiência sob restrição, substituição doméstica e modelos cujos pesos podem ser executados e adaptados. Empresas como DeepSeek e Alibaba criam um canal menos dependente de uma nuvem chinesa global, enquanto fabricantes nacionais tentam substituir componentes sujeitos a bloqueio.

Pequim chama de “AI+” uma estratégia mais ampla: incorporar inteligência artificial à ciência, às fábricas, aos serviços, ao consumo e à administração. Essa orientação se apoia na escala industrial, na formação de pesquisadores e numa base de robótica capaz de conectar sistemas digitais ao mundo físico.

A coordenação estatal pode acelerar infraestrutura e adoção, mas não garante que o capital chegue aos projetos certos. A China também possui nuvens com alcance internacional menor e continua dependente de elos avançados da cadeia externa. Nos Estados Unidos, capital e distribuição global são mais fortes, embora a competição privada possa produzir duplicação e excesso de capacidade.

E aqui vem a parte curiosa: os números mudam conforme a camada que a gente observa. Em 2025, os Estados Unidos registraram US$ 285,9 bilhões em investimento privado em IA, contra US$ 12,4 bilhões na China. Só que a conta não captura da mesma forma fundos estatais, crédito dirigido e infraestrutura financiada pelo governo chinês.

Nos modelos, o quadro é muito mais apertado. Os melhores sistemas dos dois países alternaram a liderança desde 2025 e, em março de 2026, o melhor americano tava 2,7% à frente do melhor chinês na métrica usada pelo AI Index. Isso não mede custo, chips, adoção industrial ou distribuição.

As duas comparações medem diferenças reais, mas incompletas. O investimento privado não captura todo o esforço estatal chinês; a proximidade entre modelos não revela quantos sistemas de ponta cada país possui nem quanto custa operá-los e distribuí-los.

Patentes, robôs, nuvem e aplicações produzem outros placares. Os Estados Unidos podem liderar numa camada e depender de aliados em outra; a China pode se aproximar nos modelos e continuar limitada em componentes críticos. Nenhum indicador isolado diz qual sistema é mais poderoso, e a comparação ainda esconde uma dependência que atravessa os dois lados: as pessoas. A régua escolhida muda a aparência da disputa.

O talento que atravessa o mapa

Imagine um pesquisador que nasceu e estudou na China, fez doutorado nos Estados Unidos e passou a trabalhar num laboratório americano. Quando ele melhora um modelo de fronteira, a qual país pertence essa capacidade? A resposta muda conforme a gente mede formação, cidadania ou local de trabalho.

No levantamento do MacroPolo sobre autores de elite da NeurIPS de 2022, 47% tinham feito a graduação na China. Não é um censo atual de toda a força de trabalho. Ainda assim, era a maior origem educacional da amostra.

No ecossistema americano do mesmo levantamento, pesquisadores de origem chinesa representavam cerca de 38% do grupo; os de origem americana, aproximadamente 37%. Origem significa formação inicial, não cidadania. Parte da força americana foi formada no país que Washington procura conter tecnologicamente.

Essa dependência também revela uma vantagem. Universidades, laboratórios, empresas e capital atraíram profissionais do mundo inteiro e transformaram parte do trabalho deles em ciência produzida nos Estados Unidos. Só que o AI Index 2026 registra que a entrada de pesquisadores e desenvolvedores de IA no país caiu 89% desde 2017, uma redução no fluxo, não no estoque existente.

Durante décadas, a capacidade de atrair estudantes, pesquisadores e empreendedores ajudou a renovar o ecossistema americano. Uma queda no fluxo não apaga os profissionais que já estão no país, mas sinaliza menor capacidade de reproduzir a rede que sustentou essa vantagem.

Restringir áreas sensíveis pode proteger conhecimento; barreiras amplas podem afastar as pessoas que sustentam pesquisa e empresas. “Talento americano” descreve onde alguém trabalha, não necessariamente onde foi formado. A corrida nacional repousa sobre uma comunidade que atravessa fronteiras. E isso nos obriga a separar duas coisas que costumam ser confundidas: capacidade técnica e poder.

A diferença entre inventar e governar

Uma invenção não se transforma em poder só porque funciona melhor no laboratório. Ela precisa atravessar empresas, fábricas, governos e hábitos até mudar o que as pessoas fazem e de quem elas passam a depender. Pense num motor potente sobre uma bancada: a força existe, mas o veículo não sai do lugar enquanto ela não chegar às rodas.

O modelo é o motor da inteligência artificial. Nuvem, aplicações, trabalhadores, instituições, padrões e alianças formam a transmissão. Um sistema superior, caro e difícil de integrar pode ficar restrito, enquanto outro ligeiramente menos capaz pode produzir muito mais impacto se for barato, adaptável e incorporado a milhares de processos.

Os Estados Unidos já possuem parte importante desses canais. Suas nuvens atendem empresas e governos em vários países, e suas plataformas oferecem modelos incorporáveis a produtos existentes. Quando o mesmo ecossistema fornece infraestrutura, segurança e ferramentas, a adoção pode criar uma dependência que envolve várias camadas.

A estratégia americana de exportar uma pilha completa procura ampliar esse efeito. A vantagem não estaria apenas em vender o modelo mais capaz, mas em fazer empresas, governos e aliados construírem processos sobre chips, nuvem, aplicações e padrões do mesmo ecossistema.

A China abre outro canal. Pesos disponíveis podem ser executados e adaptados fora da plataforma que os criou, o que facilita a adoção por empresas que buscam controle ou custo menor. E a integração à indústria tenta transformar eficiência técnica em uso disseminado por fábricas, serviços e administração.

Essa abertura reduz a dependência direta do laboratório, mas não significa independência. Quem executa o modelo continua precisando de hardware, energia, profissionais, manutenção e confiança, e pode permanecer ligado a outros fornecedores da pilha.

Nenhum dos caminhos elimina o trabalho da difusão. Pesos abertos continuam dependentes de chips, energia, profissionais e manutenção; uma nuvem global não garante que uma organização redesenhe seu trabalho ou extraia produtividade. Difundir é ajustar sistemas, treinar pessoas, assumir custos e converter possibilidade técnica em rotina.

É aí que o restante do mundo entra. Países escolhem onde comprar computação, quais modelos permitir, que padrões adotar e de quais fornecedores aceitar dependência. Podem combinar componentes americanos e chineses, preservar alternativas ou se concentrar num único ecossistema. Cada decisão amplia alguns canais e enfraquece outros.

Esses países não são plateia de uma disputa resolvida em Washington ou Pequim. Contratos, compras públicas, formação profissional e escolhas de infraestrutura ajudam a decidir quais sistemas ganharão escala e quais tecnologias se tornarão difíceis de substituir.

“Ditar as regras” não é consequência automática de anunciar AGI primeiro. Regras também se consolidam em contratos, interfaces, exigências de segurança e tecnologias difíceis de substituir. A pergunta deixa de ser apenas quem vai construir o melhor modelo. Passa a ser: quem vai conseguir tornar a sua inteligência indispensável?

A corrida vista do lugar certo

Na manhã em que a DeepSeek abalou Wall Street, o mercado perguntava se os Estados Unidos ainda tinham chips e escala suficientes pra conservar a vantagem. Depois de percorrer a cadeia inteira, a dúvida é outra: qual sistema consegue transformar escala ou eficiência em capacidade disseminada pelo mundo?

A empresa chinesa não encerrou a corrida nem provou que a infraestrutura deixou de importar. Mostrou que restrições podem mudar a rota técnica e que a distância entre modelos não acompanha, de forma previsível, a distância entre investimentos. O choque tava menos num vencedor do que numa maneira diferente de avançar.

O próximo recorde vai produzir a mesma tentação. Um laboratório vai anunciar um avanço, benchmarks serão comparados e governos vão tentar convertê-lo em liderança nacional. Talvez o sistema mereça ser chamado de AGI por uma definição e não por outra; a superinteligência continuará sendo um horizonte mais distante, não uma capacidade demonstrada pelo anúncio.

Pra enxergar o que realmente muda, será preciso separar quatro camadas. A invenção amplia a fronteira. A infraestrutura permite treinar e operar os modelos. A difusão leva essa capacidade a produtos, empresas, fábricas, governos e aliados. E o poder aparece quando a adoção cria produtividade, padrões e dependências.

Os Estados Unidos e a China possuem forças diferentes e vulnerabilidades cruzadas. Por isso, a corrida não termina quando uma bandeira atravessa uma linha: existem várias pistas, medidas móveis e competidores interdependentes. Um modelo capaz de parecer superinteligente pode produzir uma manchete histórica, mas seu impacto dependerá do sistema construído ao redor dele.

Os dois países tentam reduzir as próprias dependências enquanto exploram os gargalos do outro. Nenhum controla sozinho fabricação, energia, talento, aplicações e os canais internacionais que transformam capacidade técnica em influência.

Quando o próximo modelo ultrapassar todos os benchmarks, a pergunta decisiva não será apenas onde ele foi criado. Será quem vai conseguir tirá-lo do laboratório, colocá-lo dentro de fábricas, governos e empresas e torná-lo parte das escolhas tecnológicas do mundo.

---

Perguntas frequentes

O que é superinteligência artificial?

É a hipótese de uma inteligência artificial amplamente superior aos seres humanos nos domínios cognitivos relevantes. Ela não é sinônimo de AGI e não descreve uma tecnologia publicamente demonstrada em 2026.

Qual é a diferença entre AGI e superinteligência?

AGI costuma descrever sistemas com capacidade ampla e geral, embora não exista uma definição universal. Superinteligência seria uma etapa além: capacidade amplamente superior à humana, e não apenas comparável ou aplicável a muitas tarefas.

Estados Unidos ou China estão na frente na inteligência artificial?

A resposta muda conforme a métrica. Os Estados Unidos lideram investimento privado, quantidade de modelos de ponta, nuvem e projeto de chips. A China se aproximou no desempenho dos melhores modelos e possui forças em pesquisa, formação, robótica, indústria e modelos com pesos disponíveis.

O que a DeepSeek provou sobre a corrida da IA?

A DeepSeek mostrou que eficiência algorítmica e coengenharia podem extrair mais desempenho da computação disponível. Não provou que chips, capital ou controles de exportação deixaram de importar.

O DeepSeek-V3 custou apenas US$ 5,576 milhões?

Esse valor estima o uso de GPUs H800 no treinamento oficial do V3: pré-treinamento, extensão de contexto e pós-treinamento. Não representa o custo total da empresa, da pesquisa, da infraestrutura, dos salários ou da compra dos processadores, e também não é o custo de desenvolver o R1.

Por que Taiwan é importante para a inteligência artificial?

A TSMC, sediada em Taiwan, fabrica quase todos os chips líderes de IA. Mesmo com sua expansão internacional, processos de ponta e empacotamento avançado continuam fortemente concentrados na ilha e dependem de equipamentos, memória e materiais de vários países.

Os controles americanos impedem a China de desenvolver IA avançada?

Não de forma absoluta. Eles restringem o acesso a chips e equipamentos avançados, aumentando custo, prazo e incerteza. Ao mesmo tempo, incentivam eficiência, substituição doméstica e novas rotas técnicas dentro da China.

Por que o melhor modelo não garante poder mundial?

Porque uma invenção precisa ser difundida. Nuvem, aplicações, profissionais, fábricas, instituições, padrões e alianças transformam capacidade técnica em produtividade, dependência e influência.

---