Garry Tan, presidente e CEO da Y Combinator, defendeu que laboratórios americanos responsáveis por modelos open-weight possam utilizar modelos proprietários de fronteira como “professores” para ajudar no treinamento de seus próprios sistemas.
A declaração surge justamente quando empresas americanas acusam laboratórios chineses de utilizar grandes volumes de respostas produzidas por modelos ocidentais para acelerar o desenvolvimento de seus concorrentes.
A proposta de Tan, entretanto, possui uma diferença fundamental: ele não está defendendo roubo de credenciais, fraude ou invasão de sistemas. O executivo argumenta que deveria existir uma maneira legítima de laboratórios americanos utilizarem as respostas de modelos comerciais para treinar alternativas abertas.
O centro da discussão é uma técnica chamada destilação
Na inteligência artificial, distilação de conhecimento é uma técnica legítima e amplamente conhecida.
De maneira simplificada, existe um:
modelo professor
e um:
modelo aluno.
O modelo maior e mais capaz produz respostas, distribuições ou outros sinais que ajudam no treinamento de um modelo menor.
O objetivo pode ser transferir parte das capacidades do sistema maior para um modelo:
menor;
mais barato;
mais rápido;
mais eficiente.
Portanto, destilação por si só não é sinônimo de roubo de tecnologia.
A controvérsia aparece quando uma empresa utiliza extensivamente a API ou interface de um concorrente para coletar respostas e treinar um modelo rival contra as regras impostas pelo fornecedor, especialmente quando há mecanismos destinados a esconder quem está realizando essa coleta.
Anthropic acusa laboratórios chineses de fazer exatamente isso
O debate ganhou força depois que a Anthropic publicou um novo relatório afirmando ter identificado campanhas sofisticadas de destilação conduzidas por laboratórios chineses.
Segundo a empresa, os operadores teriam tentado coletar em escala capacidades importantes do Claude relacionadas a raciocínio, programação, análise de dados, uso de ferramentas e comportamento de agentes. A Anthropic caracteriza essas operações como “distillation attacks” e afirma que algumas envolveram métodos para contornar seus controles e esconder a identidade dos responsáveis.
Entre as empresas mencionadas nas acusações recentes estão laboratórios ligados a modelos chineses como DeepSeek e Moonshot AI.
As acusações são da Anthropic e precisam ser tratadas dessa maneira: como alegações da empresa, não como uma conclusão independente de que toda evolução dos modelos chineses decorra de cópia de sistemas americanos.
O caso Moonshot mostra a escala que essa disputa pode alcançar
A Anthropic afirma que uma campanha relacionada à Moonshot AI, desenvolvedora da família Kimi, teria coletado mais de 23 milhões de respostas de seus modelos.
Segundo a acusação, aproximadamente 300 mil solicitações teriam ainda roteado consultas do Kimi diretamente para o Claude Opus, apresentando respostas do modelo da Anthropic no contexto do serviço rival.
A Moonshot tornou-se uma das empresas mais observadas do setor após o avanço da família Kimi K3, que ajudou a aumentar a competitividade dos modelos chineses de pesos abertos.
Garry Tan discorda da ideia de simplesmente impedir a destilação
Questionado pela CNBC sobre como reguladores deveriam responder ao problema, Tan respondeu que:
não faria nada.
Depois explicou ao TechCrunch que gostaria de ver algo que descreveu como uma espécie de:
“regime americano de destilação”.
A ideia seria permitir que laboratórios menores dos Estados Unidos aprendessem com sistemas de fronteira americanos para produzir alternativas open-weight mais competitivas.
Tan não está dizendo que empresas americanas deveriam roubar credenciais
Essa distinção é essencial.
O executivo não defendeu que startups:
invadam contas;
usem identidades falsas;
comprem credenciais roubadas;
burlem autenticação.
O argumento é praticamente o contrário.
Ele gostaria que esses laboratórios pudessem entrar:
“pela porta da frente”.
Ou seja, acessar os modelos legitimamente e utilizar suas respostas para determinados processos de treinamento sem que isso seja automaticamente proibido pelos termos comerciais das grandes empresas.
Isso confronta diretamente o modelo de negócios dos grandes laboratórios
Empresas que gastam bilhões de dólares desenvolvendo modelos de fronteira naturalmente querem proteger:
pesquisa;
infraestrutura;
dados;
know-how;
capacidades proprietárias.
Se uma empresa menor puder realizar milhões de consultas e utilizar as respostas para treinar um concorrente:
quem deveria capturar o valor daquele conhecimento?
Essa pergunta está no centro da disputa.
Tan apresenta outro argumento: de onde veio o conhecimento dos próprios modelos?
O presidente da Y Combinator chama atenção para uma contradição histórica da indústria.
Os grandes modelos atuais foram treinados utilizando enormes quantidades de conteúdo produzido por:
autores;
programadores;
jornalistas;
artistas;
pesquisadores;
sites;
fóruns;
usuários da internet.
Parte desse treinamento tornou-se objeto de disputas judiciais relacionadas a direitos autorais.
Na visão de Tan, existe uma tensão quando empresas que aprenderam com enormes quantidades de conhecimento disponível publicamente tentam posteriormente impor restrições muito rígidas sobre:
o que clientes podem fazer com as respostas produzidas por seus modelos.
Isso não resolve a questão jurídica
O argumento é econômico e filosófico.
Não significa automaticamente que:
todo treinamento com conteúdo público seja legal;
todo uso de respostas de APIs para destilação seja permitido;
termos de serviço sejam inválidos;
propriedade intelectual deixe de existir.
Essas questões continuam sendo disputadas em:
contratos;
tribunais;
regulação;
políticas das plataformas.
Open-weight também não significa necessariamente open source
Outro cuidado importante envolve a expressão:
open-weight.
Quando uma empresa disponibiliza os pesos de um modelo, desenvolvedores podem executá-lo em:
servidores próprios;
nuvem privada;
data centers;
computadores locais.
Mas isso não significa necessariamente que todos os elementos utilizados para construir o modelo estejam abertos.
Podem continuar fechados:
dados de treinamento;
pipeline;
código;
receitas de pós-treinamento;
detalhes de alinhamento.
Por isso, open-weight e open source não são automaticamente equivalentes.
A China ganhou espaço justamente nesse segmento
Essa discussão não acontece por acaso.
Modelos chineses de pesos abertos ganharam enorme relevância durante 2026.
Levantamentos citados pelo TechCrunch mostraram que modelos chineses chegaram a representar 41% dos downloads no Hugging Face durante a primavera do Hemisfério Norte. Plataformas de roteamento de modelos também registraram forte presença de sistemas desenvolvidos por empresas chinesas.
Isso cria uma situação estratégica curiosa.
Os Estados Unidos continuam abrigando algumas das empresas mais poderosas de IA proprietária.
Mas parte crescente da comunidade acadêmica e de desenvolvedores utiliza:
modelos chineses abertos.
E isso pode importar mais do que simplesmente quem lidera benchmarks
Quando pesquisadores escolhem uma arquitetura para:
estudar;
modificar;
ajustar;
integrar;
criar ferramentas,
formam-se ecossistemas.
Bibliotecas começam a ser otimizadas para aquele modelo.
Tutoriais aparecem.
Ferramentas são criadas.
Startups constroem produtos em cima dele.
Universidades passam a utilizá-lo.
Com o tempo, isso cria:
efeito de rede.
Tan teme justamente a concentração extrema
Para o executivo, existe outro risco na corrida pela inteligência artificial:
uma única empresa proprietária tornar-se dominante.
Em entrevista à CNBC, ele descreveu como cenário preocupante a possibilidade de uma companhia concentrar simultaneamente:
capital;
melhores pesquisadores;
melhores modelos;
infraestrutura;
clientes.
Na visão de Tan, modelos open-weight funcionam como um contrapeso a essa concentração.
O paradoxo é evidente
Os Estados Unidos querem proteger:
tecnologia de fronteira.
Mas também querem:
um ecossistema doméstico competitivo.
Se restringirem agressivamente a capacidade de modelos menores aprenderem com sistemas avançados, podem proteger empresas como:
OpenAI;
Anthropic;
Google.
Ao mesmo tempo, podem dificultar o surgimento de:
concorrentes americanos open-weight.
Enquanto isso, laboratórios chineses continuam investindo pesadamente nesse segmento.
Destilação também pode reduzir drasticamente custos
Modelos de fronteira são extraordinariamente caros.
Treiná-los pode exigir:
dezenas de milhares de aceleradores;
enormes data centers;
energia;
engenheiros;
meses de computação.
Uma empresa menor dificilmente consegue repetir:
todo o processo.
Destilação oferece uma alternativa.
Em vez de descobrir absolutamente tudo do zero, o modelo aluno utiliza resultados do professor para:
acelerar o aprendizado.
É semelhante a aprender com alguém que já resolveu o problema
Imagine um estudante tentando descobrir sozinho como resolver:
milhões de exercícios.
Agora imagine que ele possa observar:
as respostas;
os exemplos;
as estratégias
de um professor extremamente competente.
O estudante ainda precisa:
aprender.
Mas não começa:
do zero.
Essa analogia ajuda a explicar por que respostas de modelos avançados possuem enorme valor.
É exatamente por isso que empresas de fronteira querem protegê-las
Uma API não fornece:
pesos;
arquitetura completa;
dados de treinamento.
Mas milhões de interações cuidadosamente escolhidas podem revelar padrões sobre:
como o modelo programa;
como raciocina;
como utiliza ferramentas;
como resolve problemas.
Esses dados podem virar:
material de treinamento.
Surge então uma nova categoria de ativo digital
Durante décadas, empresas protegeram:
código-fonte;
bancos de dados;
algoritmos.
Na era da IA surge algo diferente:
comportamento do modelo.
As respostas de um sistema podem carregar parte do valor acumulado durante:
treinamento;
pós-treinamento;
RL;
avaliações;
engenharia.
Isso transforma outputs em:
ativos estratégicos.
E APIs podem se tornar superfícies de extração de conhecimento
Uma empresa pode proteger seus pesos completamente.
Mas se oferece uma API pública, precisa permitir:
perguntas.
Milhares de usuários perguntam.
Milhões de respostas são geradas.
A questão passa a ser:
como distinguir um cliente normal de alguém construindo um dataset para treinar um concorrente?
Essa é uma dificuldade técnica enorme.
Limitar requisições não resolve completamente
Grandes laboratórios podem procurar padrões como:
volume incomum;
contas coordenadas;
prompts sistemáticos;
tentativas repetitivas;
infraestrutura distribuída.
Mas um operador sofisticado pode distribuir solicitações entre:
muitas contas;
IPs;
regiões;
identidades.
A atividade passa a parecer:
tráfego legítimo.
A disputa também está virando questão geopolítica
Autoridades americanas vêm acusando empresas chinesas de utilizar sistemas ocidentais para acelerar seus próprios modelos.
Nesta semana, autoridades dos Estados Unidos elevaram publicamente essas acusações, enquanto o governo chinês rejeitou as alegações e afirmou que Washington estaria tentando limitar a competição no setor.
Isso mostra que destilação deixou de ser apenas uma discussão entre:
engenheiros.
Virou também uma discussão sobre:
competitividade tecnológica;
propriedade intelectual;
segurança econômica;
liderança em IA.
Garry Tan adiciona uma pergunta incômoda
Se laboratórios chineses estão conseguindo acelerar seus modelos utilizando conhecimento produzido por sistemas americanos:
por que startups americanas não deveriam poder fazer algo semelhante de maneira autorizada?
Esse é essencialmente o argumento do presidente da Y Combinator.
Em vez de responder apenas com:
bloqueio,
Tan sugere transformar parte desse mecanismo em:
vantagem para o ecossistema americano.
Isso poderia criar modelos americanos mais baratos e abertos
Em teoria, laboratórios menores poderiam utilizar modelos de fronteira para treinar sistemas especializados em:
programação;
matemática;
agentes;
ciência;
direito;
medicina;
automação empresarial.
Depois poderiam disponibilizar os pesos.
Empresas poderiam executá-los:
localmente.
Universidades poderiam:
estudá-los.
Desenvolvedores poderiam:
modificá-los.
Mas existe uma pergunta econômica difícil
Quem pagaria pela construção do professor?
Desenvolver um modelo de fronteira custa:
bilhões.
Se concorrentes puderem utilizar suas capacidades para construir alternativas mais baratas, investidores podem questionar:
qual é o retorno de financiar a fronteira?
O próprio Tan reconhece que empresas de fronteira precisam continuar tendo um modelo de negócio capaz de financiar:
a próxima geração de IA.
É uma tensão que lembra outras eras da tecnologia
Software proprietário versus:
open source.
Windows versus:
Linux.
Bancos de dados comerciais versus:
PostgreSQL.
Modelos fechados versus:
open-weight.
Em muitos desses mercados, os dois modelos acabaram:
coexistindo.
A diferença é que inteligência artificial exige níveis de capital e infraestrutura muito maiores.
E a China alterou a velocidade dessa discussão
Durante algum tempo, havia uma expectativa de que modelos fechados americanos permaneceriam claramente à frente.
O crescimento de sistemas chineses como:
DeepSeek;
Kimi;
Qwen;
GLM
mudou essa percepção.
Mesmo quando não superam modelos de fronteira em todos os aspectos, podem oferecer uma combinação atraente de:
capacidade;
custo;
pesos disponíveis.
O verdadeiro conflito pode não ser EUA contra China
Pode ser:
IA fechada contra IA aberta.
De um lado:
laboratórios investindo bilhões para manter modelos proprietários acessíveis por assinatura ou API.
Do outro:
ecossistemas que querem baixar os pesos e executar os modelos onde desejarem.
A China tornou-se extremamente competitiva:
no segundo grupo.
Garry Tan quer impedir que os EUA abandonem esse espaço
É por isso que sua posição chama atenção.
O presidente de uma das aceleradoras mais influentes do Vale do Silício não está simplesmente defendendo:
copiar modelos chineses.
Ele está argumentando que empresas americanas menores deveriam conseguir utilizar a própria liderança tecnológica dos Estados Unidos para:
construir uma camada doméstica de modelos open-weight.
Mas ainda não existe um “regime americano de destilação”
A expressão utilizada por Tan descreve uma:
ideia.
Não uma política implementada.
Não existe atualmente um programa oficial americano que conceda automaticamente a startups o direito de destilar:
GPT;
Claude;
Gemini
ou qualquer outro sistema proprietário.
Os fornecedores continuam estabelecendo:
suas próprias condições de uso.
E a discussão está apenas começando
Nos próximos anos, uma das perguntas mais importantes da indústria pode deixar de ser apenas:
quem possui o melhor modelo?
E passar a ser:
quem tem o direito de aprender com ele?
Se a resposta for:
somente o próprio laboratório,
o mercado pode caminhar para maior concentração.
Se qualquer concorrente puder extrair livremente suas capacidades, financiar modelos de fronteira pode se tornar:
economicamente mais difícil.
Encontrar o equilíbrio entre essas duas forças pode definir a próxima fase da inteligência artificial.
E Garry Tan acaba de colocar uma proposta provocadora no centro dessa disputa:
se laboratórios chineses estão aprendendo com modelos americanos, talvez os próprios laboratórios open-weight dos Estados Unidos também devam poder aprender com eles — mas pela porta da frente.
