Existe realmente uma bolha da IA? Se sim, como devemos entendê-la? — Das cartas de Andrew Ng Com a OpenAI propondo um plano de infraestrutura impressionante de US$ 1,4 trilhão e a capitalização de mercado da Nvidia atingindo um teto de US$ 5 trilhões, as preocupações do mercado com uma "bolha da IA" nunca foram tão intensas. Em seu artigo, Andrew Ng não se alinha simplesmente com os campos "otimista" ou "pessimista". Em vez disso, ele apresenta uma perspectiva crucial: a IA não é um mercado único e homogêneo. Para desvendar a chamada "bolha", precisamos decompor a IA em três componentes distintos: a camada de aplicação, a infraestrutura de inferência e a infraestrutura de treinamento. Somente assim poderemos enxergar a verdade. I. Potencial subestimado: Contrariando a percepção popular sobre startups de IA, Andrew Ng acredita que a camada de aplicação da IA é, na verdade, subinvestida. A lógica aqui é muito direta e intuitiva: de uma perspectiva econômica, em um ecossistema tecnológico, o valor total criado pelas aplicações deve exceder o custo da infraestrutura que as suporta; caso contrário, todo o modelo de negócios não se sustenta. No entanto, a situação atual é que uma grande quantidade de capital está sendo investida nos chips e modelos subjacentes, enquanto as aplicações de ponta que realmente podem gerar valor são escassas. Muitos investidores de capital de risco estão atualmente à margem, preocupados com a possibilidade de grandes fornecedores de modelos "tomarem tudo", excluindo os desenvolvedores de aplicativos. Andrew Ng, no entanto, tem uma visão diferente. Ele destaca que, à medida que a IA evolui gradualmente para o estágio de "fluxo de trabalho de agente inteligente", capaz de planejar e executar tarefas de forma autônoma, o potencial da camada de aplicação será liberado exponencialmente. Este não é apenas o maior ponto de crescimento da próxima década, mas também uma área atualmente muito subvalorizada. II. O Motor da Escassez de Recursos: Infraestrutura de Inferência. Quando passamos de "aplicações" para "poder computacional", a situação muda. Andrew Ng divide o poder computacional em duas partes: "inferência" e "treinamento". A situação atual da infraestrutura de inferência é de "restrições de oferta". Embora a adoção global da IA ainda esteja em seus estágios iniciais, a demanda por poder computacional já é muito alta. Olhando para o futuro, com o lançamento de modelos mais poderosos, como o GPT-5 e o Gemini 3, e à medida que os agentes de IA começarem a escrever código e lidar com tarefas complexas, nosso consumo de tokens experimentará um crescimento explosivo. Mesmo que o mercado acumule poder computacional excessivo devido ao otimismo exagerado, Andrew Ng acredita que isso não é necessariamente algo ruim. Para desenvolvedores e usuários, na verdade significa custos de computação mais baixos, o que estimulará ainda mais aplicações inovadoras. Portanto, os fundamentos desse setor permanecem sólidos. III. O verdadeiro centro de risco: Infraestrutura de treinamento. Se de fato existe uma bolha no campo da IA, o perigo oculto que mais preocupa o professor Andrew Ng reside na infraestrutura de treinamento. Este é um campo que exige um investimento de capital extremamente alto. Muitas empresas investem pesadamente no treinamento de modelos proprietários, na esperança de construir uma vantagem competitiva. No entanto, o surgimento de grandes modelos de código aberto está desfazendo essa ilusão. À medida que o desempenho dos modelos de código aberto melhora rapidamente, torna-se cada vez mais difícil criar uma barreira de entrada simplesmente por "possuir um modelo grande". Devido à otimização de algoritmos e aos avanços em hardware, o custo de treinamento de modelos com capacidades equivalentes está diminuindo ano a ano. Isso significa que a vantagem construída hoje com grandes investimentos pode ser anulada por soluções tecnológicas de menor custo no próximo ano. Portanto, esse setor enfrenta enorme pressão por retornos financeiros e atualmente é a área de maior risco. Em conclusão, Andrew Ng, um renomado economista, expressou uma preocupação racional ao final de seu artigo: o mercado é frequentemente irracional. Se o segmento de "treinamento" entrar em colapso devido a investimentos excessivos, esse pânico pode facilmente desencadear uma reação em cadeia, levando à retirada equivocada de fundos do segmento de "aplicação", que possui uma estrutura fundamental sólida e deveria até mesmo receber investimentos adicionais. Parafraseando Warren Buffett, "No curto prazo, o mercado é uma máquina de votação; no longo prazo, é uma balança". As flutuações de preço no curto prazo refletem o sentimento do mercado, enquanto o valor no longo prazo depende dos fundamentos. Para todos os profissionais, desenvolvedores e formuladores de políticas, o conselho de Andrew Ng é claro e poderoso: ignore o ruído de curto prazo e concentre-se na criação de valor a longo prazo. Enquanto estivermos convencidos de que a IA pode trazer enorme valor prático para a humanidade, só existe uma melhor estratégia para lidar com bolhas: continuar construindo! Entendendo a bolha da IA — se é que ela existe.
Carregando detalhes do thread
Buscando os tweets originais no X para montar uma leitura limpa.
Isso normalmente leva apenas alguns segundos.
