Como DeepSeek, Z.ai e Moonshot AI estão redefinindo o desafio chinês à IA

A importância de Liang Wenfeng, Tang Jie e Yang Zhilin não está apenas no fato de três fundadores chineses terem criado modelos de inteligência artificial de grande repercussão. Juntos, DeepSeek, Z.ai e Moonshot AI ampliaram a própria definição de competição na fronteira da IA: capacidade agora precisa ser avaliada ao lado de abertura, custo de inferência, acesso para desenvolvedores e quantidade de computação necessária para entregar o resultado.

Isso não prova que a China tenha ultrapassado o Vale do Silício. Mostra, porém, que o mercado está ficando menos dependente de empresas americanas — e que um modelo não precisa ser fechado, extremamente caro ou apoiado por uma gigante tecnológica dos Estados Unidos para influenciar as expectativas globais.

Três fundadores, três caminhos até a fronteira da IA

Liang Wenfeng: o desafio da DeepSeek baseado em eficiência

Liang estudou engenharia eletrônica e de comunicação na Universidade de Zhejiang antes de cofundar a High-Flyer, uma gestora quantitativa de fundos baseada em inteligência artificial. Ele criou a DeepSeek em 2023, levando para a pesquisa de modelos fundamentais um olhar voltado à otimização matemática e à eficiência computacional, desenvolvido no setor financeiro. 4144

O DeepSeek-R1, lançado em janeiro de 2025, tornou-se o principal marco da empresa. O modelo de raciocínio foi distribuído com pesos para download e apresentado como uma alternativa de menor custo aos sistemas fechados mais avançados. As afirmações da própria DeepSeek sobre custo e desempenho não substituem uma avaliação independente completa, mas foram fortes o suficiente para mudar a forma como investidores passaram a enxergar a economia do treinamento e da inferência de IA. 172226

A reação do mercado foi excepcionalmente intensa. A Nvidia perdeu US$ 593 bilhões em valor de mercado em um único dia, enquanto investidores questionavam se a IA de fronteira realmente exigia os orçamentos gigantescos e sempre crescentes em hardware que parte do setor considerava inevitáveis. A queda foi parcialmente revertida pouco depois. Por isso, o episódio é mais bem entendido como uma rápida reprecificação das expectativas do que como prova de que a demanda por chips avançados havia desaparecido. 1718

A filosofia de Liang também é incomum. A Reuters informou que ele descreveu a prioridade da DeepSeek como o desenvolvimento de uma inteligência artificial geral de longo prazo, e não a maximização do lucro imediato. Segundo o mesmo relato, a empresa provavelmente manterá abertos seus modelos mais avançados. 33 A posição completa de financiamento da DeepSeek, sua avaliação, eventuais planos de abertura de capital e a fortuna pessoal de Liang não estão estabelecidos com segurança suficiente nas evidências disponíveis para serem tratados como fatos definitivos.

Tang Jie: da pesquisa à empresa na estratégia da Z.ai

Tang Jie é professor de ciência da computação na Universidade Tsinghua, além de cofundador e cientista-chefe da Z.ai, anteriormente conhecida como Zhipu AI. A empresa surgiu de pesquisas da Tsinghua, em Pequim, em 2019, e começou a lançar sua família de modelos GLM em 2021. 4950

A estratégia da Z.ai é mais institucional do que a da DeepSeek: combina uma base universitária de pesquisa com ambições comerciais e empresariais. Os modelos GLM passaram a enfatizar cada vez mais raciocínio, programação, uso de ferramentas e fluxos de trabalho com agentes. O Centro de Padrões e Inovação em IA dos Estados Unidos informou que o GLM-5.2 foi lançado como um modelo de pesos abertos em 16 de junho de 2026. 49

Tang argumentou que a chegada do DeepSeek-R1 marcou o fim de uma fase anterior centrada em conversas e que programação e raciocínio ganhariam importância à medida que os agentes de IA evoluíssem. 52 Essa é uma maneira útil de entender o posicionamento da Z.ai: em vez de competir apenas pela fluência de chatbots, a empresa busca modelos capazes de lidar com tarefas mais longas e interagir com ferramentas de software.

A Z.ai também ilustra a transformação de um laboratório privado de pesquisa em uma companhia ligada ao mercado de capitais. Relatos indicam que a empresa havia captado aproximadamente US$ 1,25 bilhão até meados de 2025, enquanto a avaliação pública do governo americano afirma que ela concluiu uma oferta pública inicial em Hong Kong em 8 de janeiro de 2026. 4950 As estimativas públicas sobre seu valor de mercado variam e não devem ser tratadas como equivalentes ou definitivas. Também não há evidências confiáveis suficientes para afirmar qual é a fortuna pessoal de Tang.

Yang Zhilin: a aposta da Moonshot AI no contexto longo

Yang Zhilin estudou na Universidade Tsinghua e concluiu o doutorado na Universidade Carnegie Mellon. Reportagens também descrevem experiências de pesquisa no Google e na Meta antes de sua participação na fundação da Moonshot AI, em Pequim, em 2023. 2712

A Moonshot ganhou atenção inicialmente com o Kimi, cuja identidade ficou fortemente associada à interação com contexto longo. Seu modelo Kimi K3 levou essa estratégia a um sistema de pesos abertos em escala muito maior: as fontes o descrevem como um modelo de mistura de especialistas com 2,8 trilhões de parâmetros e uma janela de contexto de até 1 milhão de tokens. 15

Os pesos do K3 foram liberados depois que o modelo já estava disponível nos produtos e na API da Moonshot. Com isso, a empresa conectou um negócio de chatbot voltado ao consumidor a uma estratégia mais ampla de plataforma para desenvolvedores. 2 A escala do modelo chama atenção, mas a quantidade de parâmetros, sozinha, não determina inteligência, custo operacional ou utilidade. Rankings independentes ajudam nas comparações, mas variam e não substituem testes de confiabilidade, programação, segurança e desempenho em tarefas reais com agentes.

Os números de financiamento da Moonshot também mudam conforme o relato. A TechCrunch informou uma rodada de aproximadamente US$ 2 bilhões, com avaliação de US$ 20 bilhões, em maio de 2026. Relatos posteriores mencionaram uma possível avaliação superior a US$ 30 bilhões e preparativos para uma eventual listagem em Hong Kong. São estimativas do mercado privado, não valores auditados de uma empresa listada. 41215 As evidências confiáveis sobre a fortuna pessoal de Yang são insuficientes.

Por que esse desafio é diferente de uma simples corrida entre Estados Unidos e China?

1. A capacidade passou a ser medida em relação ao custo

A DeepSeek transformou o raciocínio eficiente no grande tema da discussão. A Z.ai enfatiza programação, implantação empresarial e agentes. A Moonshot combina contexto longo, pesos abertos em escala muito grande e distribuição por produtos. Os caminhos são diferentes, mas os três empurram o setor para uma pergunta mais ampla: quanta capacidade útil os desenvolvedores conseguem obter por dólar gasto em treinamento ou inferência?

A comparação não é simples. Os custos de treinamento divulgados frequentemente são declarações das próprias empresas e podem excluir dados, engenharia, acesso a hardware, avaliação e implantação. Ainda assim, o efeito estratégico é real: a DeepSeek obrigou investidores e laboratórios a reconsiderar as premissas sobre a curva de custo dos modelos de fronteira. 1722

2. Pesos abertos ampliam as opções dos desenvolvedores

Modelos com pesos disponíveis para download permitem que desenvolvedores hospedem o sistema por conta própria, façam ajustes finos ou integrem a tecnologia sem depender completamente de uma API proprietária. Isso dá a DeepSeek, à GLM e à Kimi uma porta de entrada para ecossistemas globais de software, mesmo quando suas empresas têm menos acesso à distribuição fora da China.

“Pesos abertos” não significa necessariamente “código aberto” em sentido integral. Os parâmetros treinados podem estar disponíveis, enquanto os dados de treinamento, os métodos de processamento, o código e toda a cadeia de desenvolvimento permanecem fechados. A diferença é importante para reprodução, licenciamento, segurança e governança.

3. O choque chegou muito além dos laboratórios de IA

O lançamento da DeepSeek em janeiro de 2025 afetou as avaliações de empresas americanas de tecnologia porque questionou a premissa de que uma IA mais capaz exigiria automaticamente uma quantidade proporcionalmente maior de hardware avançado. A perda de valor da Nvidia em um único dia demonstrou a velocidade com que uma inovação no nível do modelo pode influenciar a camada de infraestrutura. 1718

O Kimi K3 gerou atenção semelhante ao levantar a possibilidade de uma empresa chinesa lançar um modelo de pesos abertos em uma escala associada aos maiores laboratórios americanos. A reação deve ser interpretada como pressão sobre as premissas predominantes — não como prova de uma vitória tecnológica já concluída. 14

As restrições que podem decidir a próxima fase

As três empresas ainda enfrentam problemas estruturais difíceis:

• Computação e hardware: controles de exportação e acesso limitado aos aceleradores mais avançados tornam mais difícil treinar e operar modelos de fronteira. Técnicas de eficiência podem reduzir a diferença, mas não eliminam a necessidade de chips, energia, redes, profissionais especializados e capital. 45
• Comercialização: modelos abertos ou baratos podem se espalhar rapidamente, mas também dificultam que seus criadores capturem receita. A atenção técnica precisa se transformar em negócios duradouros para empresas, APIs ou consumidores.
• Incerteza dos benchmarks: uma vitória em um benchmark restrito ou divulgado pela própria empresa não resolve questões de confiabilidade, qualidade multilíngue, programação, segurança ou robustez de agentes. Afirmações de superioridade exigem reprodução independente.
• Confiança e governança: privacidade, segurança, restrições de conteúdo e escrutínio geopolítico podem limitar a adoção internacional, mesmo quando o modelo é tecnicamente atraente.
• Pressão do mercado de capitais: a abertura de capital concluída pela Z.ai coloca a empresa em uma posição de financiamento diferente da DeepSeek, que continua privada, enquanto os preparativos de uma eventual listagem da Moonshot ainda são prospectivos. A estrutura de propriedade e os planos de listagem da DeepSeek são menos claros nos relatos públicos confiáveis. 495015

O resultado, até agora

Liang Wenfeng, Tang Jie e Yang Zhilin não estão executando uma única estratégia chinesa de IA. Liang colocou eficiência e pesquisa de longo prazo em AGI no centro da identidade da DeepSeek. Tang está levando a pesquisa universitária sobre modelos fundamentais para programação, agentes e escala de mercado. Yang constrói sua aposta em torno de contexto longo, sistemas gigantes de mistura de especialistas e distribuição aberta para desenvolvedores.

O resultado combinado é uma IA de fronteira mais plural. Os três ampliaram as opções disponíveis aos desenvolvedores, desafiaram a economia da infraestrutura baseada em modelos fechados e enfraqueceram a ideia de que a China ficará permanentemente atrás dos Estados Unidos.

A conclusão mais cautelosa — e mais defensável — é que eles mudaram o cenário competitivo, mas a duração dessa mudança dependerá das restrições de computação, da confiabilidade dos benchmarks, da capacidade de gerar receita e da confiança dos usuários e empresas.