A escolha entre modelos de inteligência artificial fechados e abertos já não está relacionada apenas ao preço de acesso a uma interface de programação de aplicações. A disponibilização dos pesos treinados para download permite executar o modelo no hardware da organização ou modificá-lo de acordo com suas necessidades, mas, ao mesmo tempo, impõe questões complexas aos engenheiros de chips sobre memória, desempenho sustentado, segurança da implantação e capacidade de adaptação do hardware a modelos que mudam em semanas, enquanto o design do chip leva anos.
Esse é o eixo discutido pela análise da Semiconductor Engineering, com base nas opiniões de especialistas da Expedera, Arteris, Axiomise, Synopsys, Siemens EDA, Cadence, Rambus e de outras empresas. A principal conclusão é que o critério de sucesso já não é o número de operações TOPS em um pico curto, mas a capacidade da plataforma de executar uma combinação variável de modelos com eficiência, responsividade e segurança.
Pesos abertos não significam código-fonte totalmente aberto
Um modelo com pesos abertos permite ao usuário baixar os parâmetros treinados e executá-los ou adaptá-los localmente. Isso, porém, não equivale necessariamente a um modelo de código-fonte aberto; os dados de treinamento, o código e os direitos de uso podem continuar restritos. Esse campo inclui modelos como Meta Llama, Alibaba Qwen, DeepSeek, Mistral, Google Gemma, Microsoft Phi e a família OpenAI gpt-oss.
As opções de execução vão de modelos grandes que precisam de servidores ou aceleradores avançados a modelos menores que podem ser executados em dispositivos com memória limitada. De acordo com o material, o gpt-oss-120b pode funcionar em uma unidade de processamento gráfico com 80 gigabytes de memória, enquanto o gpt-oss-20b tem como alvo dispositivos com 16 gigabytes de memória usando quantização MXFP4. Mas a adequação do modelo à memória, por si só, não prova que ele oferecerá um desempenho prático útil.
Flexibilidade versus dependência de um único provedor
A execução local ou em um ambiente de nuvem privada permite reduzir a dependência de um único serviço e também ajuda a manter dados sensíveis dentro da rede da organização. Isso é especialmente importante no design de chips e em setores regulados, nos quais os dados podem incluir métodos de trabalho, projetos ou informações que constituem segredos comerciais.
As organizações também podem usar o roteamento de modelos, atribuindo tarefas difíceis a um modelo comercial potente, enquanto tarefas repetitivas ou menos complexas são executadas por um modelo de pesos abertos de menor custo. No entanto, a análise esclarece que os modelos abertos não garantem automaticamente desempenho inferior ou custo menor; o custo depende do tamanho do modelo, da forma como ele é executado e dos requisitos de responsividade, podendo ultrapassar 10 mil dólares quando é necessário desempenho interativo contínuo em um fluxo de trabalho diário.
O que muda na prática no design de chips?
Os especialistas consideram que a memória, a largura de banda e a transferência de dados podem se tornar limitações mais importantes que a capacidade computacional bruta. As equipes de design devem avaliar o número de parâmetros ativos, a precisão numérica, o comprimento do contexto, a multimodalidade, a simultaneidade e o tempo de resposta, em vez de presumir um único modelo fixo para o futuro.
- A largura de banda da memória pode se tornar a principal limitação, em vez de FLOPS.
- A importância das ativações esparsas e da quantização de baixa precisão aumenta.
- Sistemas heterogêneos, que combinam diferentes tipos de processadores, podem ser uma solução prática para a implantação.
- É necessário testar a pressão sobre a memória KV, contextos de até 128K e a simultaneidade de agentes, não apenas operações GEMM densas.
Esses requisitos decorrem da lacuna entre o ciclo de desenvolvimento dos modelos e o ciclo de fabricação dos chips. Um modelo pode mudar semanal ou mensalmente, enquanto o ciclo do chip pode levar cerca de 2,5 anos nas melhores condições. Por isso, a capacidade de adaptação em software e hardware se torna mais valiosa que a aceleração de um único modelo que pode perder relevância antes da conclusão da fabricação.
Inteligência artificial nas ferramentas de design de chips
Modelos gerais não são suficientes para o trabalho de design de chips, segundo o que a análise relata sobre a Synopsys. Resultados confiáveis dependem de dados de design limpos e documentados, de um contexto claro do fluxo de trabalho e de uma referência confirmada da verdade. O ajuste dos pesos, por si só, não resolve a falta ou a inconsistência de dados especializados.
Por isso, o valor dos modelos abertos nas ferramentas de EDA pode estar relacionado à capacidade de as empresas manterem seus dados em um ambiente protegido e, em seguida, adicionarem seus próprios dados, fluxo de trabalho e camadas de conhecimento. Já o aspecto de segurança não se limita ao próprio modelo, abrangendo também a autenticação de arquivos de pesos e atualizações, a proteção da memória e dos canais DMA, o isolamento das cargas de trabalho e o suporte à reversão para uma versão segura.
Leitura editorial: a verdadeira mudança não é que os modelos com pesos abertos substituirão imediatamente os modelos proprietários, mas que eles transferem a decisão sobre inteligência artificial da escolha de um serviço para o design de um ecossistema completo. As organizações precisarão equilibrar desempenho, custo, privacidade e capacidade de evolução, enquanto os designers de chips terão de construir plataformas capazes de suportar a mudança dos modelos, em vez de otimizá-las para um único padrão. A questão em aberto continua sendo até que ponto os modelos abertos conseguirão preencher a lacuna de qualidade em tarefas especializadas, especialmente quando dados confiáveis e fluxo de trabalho são mais importantes que o tamanho do modelo por si só.