Negócio de IA não é lucrativo? O DeAI está a surgir.

Autor: Zhang Feng

A inteligência artificial (IA) é, sem dúvida, o setor tecnológico mais quente do mundo, com as tecnologias de IA a remodelarem indústrias a uma velocidade sem precedentes. No entanto, por trás de toda essa prosperidade e agitação, uma dura realidade é que a vasta maioria dos negócios de IA, especialmente as startups, não conseguiu encontrar um caminho de lucro estável e sustentável. Elas estão presas em uma situação de “muito aplauso, mas pouca receita”, onde a prosperidade tecnológica coexiste com prejuízos comerciais.

I. Por que “perder dinheiro para ganhar atenção”?

A dificuldade de lucrar nos negócios de IA não se deve ao fracasso da tecnologia em si, mas sim ao seu modelo de desenvolvimento centralizado que leva a contradições estruturais. Especificamente, pode ser resumido nas seguintes três grandes razões:

Descentralização extrema: custos exorbitantes e monopólio oligárquico. A IA mainstream atual, especialmente os grandes modelos, é uma indústria típica de “ativos pesados”. O seu processo de treino e inferência requer um consumo massivo de poder de cálculo (GPU), armazenamento e eletricidade. Isso leva a uma polarização: de um lado estão os gigantes tecnológicos com capital robusto (como Google, Microsoft, OpenAI), que conseguem arcar com investimentos de centenas de milhões ou até bilhões de dólares; do outro lado estão inúmeras startups, que se veem obrigadas a “tributar” a maior parte do seu financiamento aos provedores de serviços em nuvem para obter poder de cálculo, tendo suas margens de lucro severamente comprimidas. Esse modelo cria um “oligarquia de poder de cálculo”, sufocando a vitalidade da inovação. Por exemplo, mesmo a OpenAI, em seus primeiros desenvolvimentos, dependia fortemente dos imensos investimentos da Microsoft e dos recursos de computação em nuvem da Azure, o que possibilitou a pesquisa e operação do ChatGPT. Para a grande maioria dos participantes, os altos custos fixos dificultam a realização de lucros em escala.

Dilema dos dados: barreiras de qualidade e riscos de privacidade. O combustível da IA é dado. As empresas de IA centralizadas enfrentam geralmente dois grandes desafios para obter dados de treinamento de alta qualidade e em grande escala. Primeiro, o custo de aquisição de dados é elevado. Seja através da coleta paga, rotulação de dados ou utilização de dados de usuários, isso envolve um enorme investimento de tempo e dinheiro. Em segundo lugar, os riscos de privacidade e conformidade de dados são enormes. Com o endurecimento das regulamentações globais de dados (como o GDPR e o CCPA), a coleta e o uso de dados sem a autorização explícita dos usuários podem a qualquer momento desencadear ações legais e multas exorbitantes. Por exemplo, várias empresas de tecnologia conhecidas já enfrentaram multas astronômicas devido a problemas de uso de dados. Isso cria um paradoxo: sem dados, não há como desenvolver IA, mas a obtenção e uso de dados é extremamente difícil.

Distribuição de valor desequilibrada: contribuintes e criadores excluídos dos lucros. No atual ecossistema de IA, a distribuição de valor é extremamente injusta. O treinamento de modelos de IA depende de dados comportamentais gerados por inúmeros usuários, conteúdos produzidos por criadores (textos, imagens, códigos, etc.) e código aberto contribuído por desenvolvedores em todo o mundo. No entanto, esses contribuintes essenciais praticamente não conseguem obter retorno algum do enorme valor comercial gerado pelos modelos de IA. Isso não é apenas uma questão ética, mas também um modelo de negócio insustentável. Ele desestimula a motivação dos contribuintes de dados e criadores de conteúdo, e, a longo prazo, irá corroer a base para a contínua otimização e inovação dos modelos de IA. Um caso típico é que muitos artistas e escritores acusam empresas de IA de usarem suas obras para treinamento e lucrarem, sem oferecer qualquer compensação, o que gerou ampla controvérsia e disputas legais.

Dois, Novo Paradigma de Lucros

DeAI (Inteligência Artificial Descentralizada) não é uma tecnologia única, mas sim um novo paradigma que combina blockchain, criptografia e computação distribuída. O seu objetivo é reestruturar as relações de produção da IA de forma descentralizada, abordando assim de maneira específica os três principais pontos problemáticos mencionados, e abrindo possibilidades de lucro.

DeAI utiliza um modelo de “crowdsourcing” para distribuir a demanda de poder computacional por nós ociosos em todo o mundo (computadores pessoais, centros de dados, etc.). Isso é semelhante ao “Airbnb para GPU”, criando um mercado global e competitivo de poder computacional, que pode reduzir significativamente os custos de computação. Os participantes recebem incentivos em tokens ao contribuir com poder computacional, permitindo uma otimização na alocação de recursos.

DeAI implementou a “aprendizagem federada” e a “criptografia homomórfica”, realizando “dados imóveis, modelo móvel”. Não é necessário centralizar os dados originais em um único local, mas sim distribuir o modelo para fontes de dados para treinamento local, apenas agregando as atualizações de parâmetros criptografadas. Isso protege fundamentalmente a privacidade dos dados, enquanto utiliza legal e regulamentarmente o valor dos dados descentralizados. Os proprietários dos dados podem decidir autonomamente se desejam fornecer dados e lucrar com isso.

DeAI construiu um sistema de distribuição de valor transparente e justo através da “economia de tokens” e “contratos inteligentes”. Contribuidores de dados, provedores de poder computacional, desenvolvedores de modelos e até usuários de modelos podem receber automaticamente recompensas em tokens de acordo com seu nível de contribuição, através de contratos inteligentes. Isso transforma a IA de uma “caixa preta” controlada por gigantes em um ecossistema econômico aberto co-criado, co-governado e compartilhado pela comunidade.

Três, Arquitetura de Três Camadas de Transformação

A migração de negócios de IA centralizados tradicionais para o paradigma DeAI requer uma reestruturação sistemática em três níveis: técnico, comercial e de governança.

(1) Reconstrução tecnológica de centralizado para distribuído

Camada de Poder de Cálculo baseia-se em projetos de infraestrutura física descentralizada (DePIN), como Akash Network, Render Network, entre outros, para construir um pool de poder de cálculo distribuído, elástico e de baixo custo, substituindo os serviços de nuvem centralizados tradicionais.

Camada de Dados utiliza o aprendizado federado como estrutura de treinamento central, combinando criptografia homomórfica, computação segura multipartidária e outras técnicas criptográficas para garantir a privacidade e segurança dos dados. Estabelecer um mercado de dados baseado em blockchain, como o Ocean Protocol, permitindo que os dados sejam transacionados sob a premissa de direitos de propriedade e segurança.

Camada de Modelo implementa o modelo de IA treinado na blockchain na forma de “contratos inteligentes de IA”, tornando-o transparente, verificável e acessível sem permissões. Cada utilização do modelo e os rendimentos gerados podem ser registados e distribuídos com precisão.

(ii) Da venda de serviços à reconstrução de negócios para a co-construção do ecossistema

De SaaS a DaaS (Dados como Serviço) e MaaS (Modelo como Serviço), as empresas não vendem apenas o número de chamadas de API, mas atuam como construtoras de ecossistemas, incentivando a participação da comunidade na construção da rede através da emissão de tokens funcionais ou tokens de governança. As fontes de receita expandem-se de uma única taxa de serviço para a valorização dos tokens trazida pelo crescimento do valor do ecossistema, dividendos de taxas de transação, entre outros.

Portanto, construir uma plataforma de tarefas descentralizada, onde tarefas como rotulagem de dados, ajuste de modelo e desenvolvimento de aplicações para cenários específicos são publicadas na forma de “recompensas”, a serem assumidas pelos membros da comunidade global e recompensadas, reduzindo drasticamente os custos operacionais e estimulando a inovação.

**(III) Da reestruturação da governança da empresa para o DAO **

Baseado na governança da comunidade, através da posse de tokens de governança, os participantes da comunidade (contribuidores, usuários) têm o direito de votar em decisões chave, como a direção do ajuste dos parâmetros do modelo, a utilização de fundos do tesouro, a prioridade no desenvolvimento de novas funcionalidades, entre outros. Isso realiza o verdadeiro “usuário é proprietário”.

Baseado na abertura e transparência, todas as códigos, modelos (parte deles pode ser open-source), registros de transações e decisões de governança são colocados na blockchain, garantindo a transparência do processo e estabelecendo relações de colaboração que não precisam de confiança, o que por si só é um poderoso ativo de marca e respaldo de confiança.

Tomando como exemplo a transformação de uma plataforma de dados logísticos tradicional para DeAI,** a dificuldade da plataforma de dados logísticos tradicional reside no fato de que, embora agregue dados de várias fontes como transporte marítimo, transporte terrestre e armazenamento, os participantes “não estão dispostos a compartilhar” devido à preocupação com a divulgação de segredos comerciais, resultando em ilhas de dados e valor limitado da plataforma.** O núcleo da transformação para DeAI é liberar o valor dos dados e incentivar de forma justa, sem expor os dados brutos:

Construir uma rede de computação confiável tecnicamente. A plataforma deixou de armazenar dados de forma centralizada, transformando-se numa camada de coordenação baseada em blockchain. Utilizando modos tecnológicos como o aprendizado federado, permite que modelos de IA sejam “deslocados” para os servidores locais de várias empresas (como companhias de navegação e armazéns) para treinamento, apenas agregando as atualizações de parâmetros criptografadas, otimizando conjuntamente o modelo de previsão global (como o tempo de chegada de navios de carga, risco de sobrecarga de armazém), alcançando “dados imóveis, valor em movimento.”

Implementação de ativos de dados e incentivos de token nos negócios. A plataforma emite pontos práticos, e as empresas de logística “mineram” pontos como recompensa ao contribuir com dados (parâmetros do modelo). Os clientes finais (como os proprietários de carga) pagam tokens para consultar resultados “previsíveis” de alta precisão (por exemplo: a taxa de pontualidade de uma rota na próxima semana), em vez de comprar dados brutos. Os lucros são automaticamente distribuídos aos contribuidores de dados através de contratos inteligentes.

**Construir indústrias na governança através de DAO, **decisões-chave (como desenvolvimento de novas funcionalidades, ajuste de taxas) são governadas por votação conjunta dos detentores de tokens (ou seja, participantes centrais), transformando a plataforma de uma empresa privada em uma comunidade industrial.

A plataforma transformou-se de uma entidade centralizada que tentava extrair taxas de intermediação de dados, num sistema nervoso colaborativo, co-governado e partilhado por toda a cadeia de logística, aumentando significativamente a eficiência da colaboração na indústria e a capacidade de resistir a riscos, ao resolver problemas de confiança.

Quatro, Conformidade e Segurança

Apesar das amplas perspetivas do DeAI, o seu desenvolvimento ainda está em estágios iniciais e enfrenta uma série de desafios que não podem ser ignorados.

Conformidade e incerteza legal. No que diz respeito às leis de dados, mesmo que os dados não se movam, modelos como o aprendizado federado ainda devem cumprir rigorosamente os requisitos de “limitação de propósito”, “minimização de dados” e direitos do usuário (como o direito ao esquecimento) nas regulamentações como o GDPR ao lidar com dados pessoais. Os desenvolvedores do projeto devem criar mecanismos de autorização e saída de dados que estejam em conformidade.

Em termos de regulamentação de valores mobiliários, os tokens emitidos pelo projeto podem ser facilmente classificados como valores mobiliários por reguladores de diversos países (como a SEC dos EUA), o que os sujeita a rigorosas avaliações regulatórias. A forma como se pode evitar riscos legais ao desenhar o modelo econômico do token é a chave para a sobrevivência do projeto.

Responsabilidade do conteúdo, se um modelo DeAI implantado na blockchain gerar conteúdo prejudicial, tendencioso ou ilegal, quem é o responsável? É o desenvolvedor do modelo, o provedor de poder computacional ou os detentores de tokens de governança? Isso traz novos desafios para o sistema legal existente.

Desafios em segurança e desempenho, a segurança do modelo, ou seja, os modelos implantados em cadeias públicas podem enfrentar novos vetores de ataque, como a exploração de vulnerabilidades em contratos inteligentes ou a sabotagem maliciosa de sistemas de aprendizado federado através de dados envenenados.

O gargalo de desempenho é a velocidade de transação (TPS) e as limitações de armazenamento da própria blockchain, que podem não suportar solicitações de inferência de grandes modelos com alta frequência e baixa latência. Isso requer uma combinação eficaz de soluções de escalabilidade Layer2 e computação off-chain.

A eficiência da colaboração A colaboração distribuída, embora justa, pode ter uma eficiência de decisão e execução inferior à das empresas centralizadas. Encontrar um equilíbrio entre eficiência e justiça é uma arte que a governança DAO precisa explorar continuamente.

DeAI, como uma revolução nas relações de produção, através de tecnologia distribuída, economia de tokens e governança comunitária, tem o potencial de romper o monopólio das grandes empresas, liberar a capacidade de computação ociosa e o valor dos dados em todo o mundo, e construir um novo ecossistema de IA mais justo, sustentável e possivelmente mais lucrativo.

Cinco, Direções de Exploração Atuais

O desenvolvimento atual das ferramentas de IA ainda está a uma distância considerável de alcançar a ideal inteligência artificial descentralizada. Neste momento, ainda estamos numa fase inicial dominada por serviços centralizados, mas algumas explorações já indicaram a direção futura.

Explorações atuais e desafios futuros. Embora o DeAI ideal ainda não tenha sido alcançado, a indústria já está realizando tentativas valiosas, o que nos ajuda a ver claramente o caminho futuro e os obstáculos que precisamos superar.

Como um protótipo de colaboração de múltiplos sistemas de agentes. Alguns projetos estão explorando a construção de um ambiente onde agentes de IA colaboram mutuamente e evoluem juntos. Por exemplo, o projeto AMMO visa criar uma “rede de simbiose entre humanos e IA”, cujo quadro de múltiplos agentes e ambiente de simulação RL Gyms permite que os agentes de IA aprendam a colaborar e competir em cenários complexos. Isso pode ser visto como uma tentativa de construir as regras de interação subjacentes do mundo DeAI.

Como uma tentativa inicial de modelo de incentivo. Na concepção do DeAI, os usuários que contribuem com dados e os nós que fornecem poder computacional devem receber recompensas justas. Alguns projetos estão tentando redistribuir o valor diretamente aos contribuintes do ecossistema através de um sistema de incentivos baseado em criptografia. Claro, como esse modelo econômico pode operar em grande escala, de forma estável e justa, ainda é um grande desafio.

Por exemplo, em direção a uma AI mais autônoma: Produtos da categoria Deep Research demonstram a forte autonomia da AI em tarefas específicas (como recuperação de informações e análise). Eles podem planejar, executar operações em múltiplas etapas e otimizar resultados de forma independente, essa capacidade de automação de tarefas é a base para o trabalho independente de agentes de AI na futura rede DeAI.

Para os profissionais de IA que lutam no Mar Vermelho, em vez de se envolverem na velha paradigma, é melhor abraçar corajosamente o novo Mar Azul da DeAI. Isso não é apenas uma mudança na rota técnica, mas uma reconfiguração da filosofia de negócios - de “extrair” para “incentivar”, de “fechado” para “aberto”, de “lucros monopolistas” para “crescimento inclusivo”.