Facilmente esquecemos como o colapso da ZTE em 2018 aconteceu em uma noite. Uma única ordem dos Estados Unidos, e uma empresa com 80.000 funcionários não conseguiu fazer mais nada. Sem chips Qualcomm, sem licença do Google—estava acabado. Agora, oito anos depois, vemos uma história completamente diferente na indústria de IA da China.

Na verdade, o problema não era realmente o chip. Sabemos que CUDA é o verdadeiro obstáculo—a plataforma de computação criada pela NVIDIA há mais de uma década, com mais de 4,5 milhões de desenvolvedores ao redor do mundo. Todo esse ecossistema é como uma roda de inércia que quase é impossível de parar. Mas desta vez, as empresas chinesas de IA não escolheram uma luta direta. Optaram por um caminho mais racional.

Desde o final de 2024, vimos como a estratégia mudou. Os modelos híbridos de especialistas se tornaram o foco—modelos que não precisam mais rodar toda a infraestrutura para cada tarefa. Veja o DeepSeek V3: 671 bilhões de parâmetros, mas apenas 5,5% ativos por inferência. O custo de treinamento? Quase US$ 5,6 milhões. Para comparação, o GPT-4 custou $78 milhões. Uma fração de um sétimo do preço.

E o preço da API deles é realmente um divisor de águas. Token de entrada a US$ 0,028 até US$ 0,28 por milhão, enquanto o GPT-4o custa US$ 5. Mais barato de 25 a 75 vezes. Isso não é só uma jogada de marketing—é uma mudança estrutural em como a indústria de IA funciona. Em fevereiro, na OpenRouter, o uso semanal de modelos chineses aumentou 127% em apenas três semanas. Já ultrapassou os Estados Unidos.

Mas o verdadeiro avanço está na infraestrutura. Em Jiangsu, construíram uma linha de produção de 148 metros de comprimento para servidores usando chips Loongson 3C6000 e TaiChu Yuanqi. Do acordo à operação, em apenas 180 dias. E agora, os clusters de chips locais estão começando a treinar modelos grandes inteiros—não apenas inferência. Essa é uma mudança qualitativa. Em janeiro, o GLM-Image se tornou o primeiro modelo de geração de imagens SOTA treinado inteiramente com chips locais. Em fevereiro, a China Telecom concluiu o treinamento completo de seu modelo bilionário em Xangai usando um pool de computação local.

No ecossistema Ascend da Huawei, há 4 milhões de desenvolvedores agora, mais de 3.000 parceiros, e 43 modelos principais pré-treinados usando Ascend. A potência de computação FP16 do Ascend 910B já atingiu o nível do NVIDIA A100. Ainda não perfeito, mas já funciona. E construir o ecossistema não deve esperar pela perfeição—deve usar a demanda real do mercado para impulsionar o desenvolvimento.

A situação energética acrescenta mais uma camada de vantagem. Virginia e Geórgia já pausaram novas permissões para data centers devido a restrições de energia. Espera-se que até 2030, os data centers dos EUA consumam 426 terawatts-hora—podendo representar mais de 12% do consumo total de eletricidade. Mas na China, a geração anual de energia é de 10,4 trilhões de unidades, 2,5 vezes a dos EUA. E o preço industrial da eletricidade no oeste da China é US$ 0,03 por quilowatt-hora—metade ou um quinto do US$ 0,12 a US$ 0,15 nos EUA.

Portanto, enquanto os EUA se preocupam com energia, a China silenciosamente constrói poder de computação e produz tokens para o mercado global. A distribuição de usuários do DeepSeek é clara: 30,7% na China, 13,6% na Índia, 6,9% na Indonésia, 4,3% nos EUA, 3,2% na França. Há 26.000 empresas no mundo todo, 3.200 instituições na versão empresarial. Na China, 89% de participação de mercado. Em outros países, entre 40% e 60%.

A comparação com a tragédia dos semicondutores do Japão é clara. Em 1986, o Japão assinou o Acordo de Semicondutores EUA-Japão sob pressão, tornando-se dependente do controle externo. Sua participação de mercado caiu de 51% para 7%. A lição é simples: se você não construir seu próprio ecossistema, vai perder a indústria.

Hoje, na IA, a China escolheu um caminho mais difícil—desde a otimização extrema de algoritmos, até a escalada de chips locais de inferência para treinamento, passando pelo desenvolvimento de 4 milhões de desenvolvedores no ecossistema Ascend, e exportando tokens globalmente. Cada passo envolve gastos reais, perdas reais a curto prazo. Mas esse é o custo da independência.

Em 27 de fevereiro, três empresas locais de chips de IA divulgaram resultados. Cambrian, +453% de receita, primeiro ano lucrativo. Moore Threads, +243% de receita, mas com US$ 1 bilhão de prejuízo. Muxi, +121% de receita, mas com US$ 8 bilhões de prejuízo. Metade fogo, metade água. Mas o mercado precisa de uma alternativa à NVIDIA. E essa é uma oportunidade geopolítica que não pode ser desperdiçada. Cada perda é um investimento na independência, e esse é o verdadeiro progresso.