Ex-OpenAI acusa labs chineses de usar chips Blackwell vetados

Um ex-pesquisador da OpenAI afirma ter encontrado evidências técnicas de que grandes laboratórios chineses de IA usaram as GPUs Blackwell da Nvidia, chips cuja exportação para a China os Estados Unidos proíbem. Segundo o TechCrunch, Will DePue analisou os pesos de modelos abertos lançados por DeepSeek, Moonshot AI, MiniMax e Ant Group e encontrou o que descreve como impressões digitais de treinamento em Blackwell. É uma alegação de um único pesquisador e, por si só, não prova que alguma lei tenha sido violada.

O que exatamente se alega, e quem alega?

Segundo o The Decoder, DePue trabalhou na OpenAI nos modelos de vídeo Sora e Sora 2, além de GPT-4o, o3 e GPT-5, antes de fundar o grupo de pesquisa sem fins lucrativos Unemployment Labs, que, segundo o TechCrunch, ele agora lidera. O The Decoder relata que autoridades americanas e a imprensa já suspeitavam do uso de Blackwell na DeepSeek e na Moonshot AI sem publicar provas, e que DePue apresenta sua análise como a primeira a oferecer evidência técnica.

Pelo relato dele, seis modelos chineses lançados desde abril de 2026 trazem a assinatura da geração Blackwell da Nvidia, enquanto modelos anteriores como DeepSeek-V3 e Kimi K2.5 ainda mostram vestígios da geração Hopper, mais antiga. DePue também afirma no X que pesquisadores seniores da OpenAI e da Anthropic verificaram e confirmaram seu método de forma independente, segundo o The Decoder. Essa confirmação é apenas declaração dele e não foi corroborada pelos veículos que lemos.

Como os pesos de um modelo revelam o chip que o treinou?

Os pesos são os bilhões de números que formam um modelo de linguagem. Antes de o treinamento começar, o software padrão PyTorch preenche esses espaços vazios com números aleatórios gerados por computador a partir de um valor inicial chamado semente (seed), explica o The Decoder. Para distribuir rapidamente essa enorme quantidade de dados, o chip gráfico divide o trabalho entre seus núcleos de processamento.

Como modelos de chip diferentes têm números diferentes de núcleos, o preenchimento deixa um padrão característico, de acordo com o relatório. Chips Hopper mais antigos, como H100 ou H800, usam 132 núcleos, enquanto os Blackwell usam 148 ou 152, conforme o modelo (B200 ou B300, GB200 ou GB300). O treinamento depois ajusta os valores milhões de vezes, mas alguns espaços reservados a palavras ou símbolos sem uso permanecem no estado original, e mesmo em áreas muito treinadas sobrevive um fraco eco estatístico da distribuição inicial. DePue diz ter calculado o padrão de trás para frente e reproduzido as correspondências de DeepSeek-V4-Flash e Kimi K3 em chips Blackwell reais, e ter publicado o código de verificação no GitHub.

A correspondência que ele relata, repassada pelo The Decoder:

• DeepSeek-V4-Flash e MiniMax-M3 correspondem a chips B200 ou B300 (148 núcleos).
• DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro e o Ling-3.1-flash da Ant Group exibem o padrão de 152 núcleos dos sistemas em rack topo de linha com refrigeração líquida (GB200 ou GB300).
• Modelos de Alibaba (Qwen3.8), Zhipu, Tencent, Xiaomi e StepFun mostram apenas vestígios de Hopper, e o LongCat-2.0 da Meituan aponta para chips da Huawei.

DePue diz que o acaso está estatisticamente descartado e que, em 24 modelos de controle com hardware conhecido, incluindo o Llama 3.1 da Meta treinado em H100, o método acertou todas as vezes. Esses números são dele e não foram replicados pelos veículos citados aqui.

Ele também estima que os cinco treinamentos examinados exigiram juntos cerca de 12.000 GPUs Blackwell, o equivalente ao poder de cálculo de cerca de 30.000 chips H100 antigos. Kimi K3 e DeepSeek-V4-Pro teriam precisado, segundo suas estimativas, de 4.500 e 3.000 processadores Blackwell ao longo de cerca de 70 dias. A cerca de 70.000 dólares americanos por chip, um cluster desses custaria de 200 a 300 milhões de dólares, e os cinco sistemas mais de meio bilhão de dólares, segundo o The Decoder. São estimativas, não registros contábeis.

O que essa impressão digital não prova?

O The Decoder ressalta que, a rigor, o método só mostra em que hardware os pesos foram inicializados, mesmo que um treinamento posterior nos mesmos sistemas seja altamente provável. A única alternativa técnica, um chip AMD MI300X também sancionado e limitado artificialmente para gerar o mesmo padrão, foi descartada no caso do DeepSeek-V4-Flash por minúsculas diferenças de arredondamento, segundo DePue. Os dados não dizem onde as GPUs estão nem a quem pertencem.

O TechCrunch acrescenta que isso não significa que os modelos tenham sido treinados inteiramente em chips da Nvidia, nem que as leis de controle de exportação tenham sido necessariamente violadas, pois os chips poderiam estar em um data center no exterior. Alugar capacidade de computação fora da China tornou-se um caminho popular para empresas chinesas e impulsionou um boom na Malásia, onde a Epoch AI, organização de pesquisa sem fins lucrativos, estima que 275.000 aceleradores de IA da Nvidia foram importados em 2024 e 2025. É essa brecha que os críticos querem fechar: o TechCrunch observa que os falcões anti-China há muito pedem controles mais rígidos sobre quem usa os chips, e não só sobre quem os possui ou onde estão instalados.

O que já está estabelecido sobre Blackwell e China?

Vários pontos constam do registro. Segundo o TechCrunch, as GPUs Blackwell são proibidas de exportação para a China e para empresas de capital chinês, enquanto o governo Trump permite à Nvidia exportar a H200, menos potente, desde que os envios sigam uma rota que permita aos EUA cobrar uma tarifa de 25%. O assessor de tecnologia da Casa Branca Michael Kratsios disse no início deste ano que a Moonshot havia usado chips da Nvidia vetados para exportação, citando fontes da inteligência americana, e a Epoch AI estima que cerca de dois milhões de chips avançados entraram na China em 2024 e 2025 por esquemas desenhados para ocultar o destino final.

O The Decoder cita ainda Dylan Patel, analista-chefe da SemiAnalysis, que disse em conversa com a Sequoia Capital que o DeepSeek-V3 ainda era feito sob medida para os chips Hopper da Nvidia, enquanto o DeepSeek-V4 foi otimizado estruturalmente para as GPUs Blackwell e os chips Ascend da Huawei. Isso é coerente com os achados de DePue, mas é uma observação de arquitetura e não prova onde o treinamento ocorreu.

O caso também atinge a Nvidia. O TechCrunch informa que Jensen Huang deixou a empresa nesta semana em meio a um escândalo envolvendo uma executiva da Megaspeed, empresa implicada no contrabando de chips da Nvidia para a China e alvo de investigações dos EUA e de Singapura por meio da subsidiária Speedmatrix. O TechCrunch diz que a possível responsabilidade da Nvidia por violações dos controles de exportação provavelmente pesou na saída, e observa que empresas americanas têm obrigações limitadas de rastrear o que seus clientes fazem com bens controlados. Nvidia e Huang atestaram os data centers da Megaspeed, dizendo que funcionários da Nvidia os visitaram, segundo o mesmo artigo.

O que isso muda para uma empresa britânica?

Para uma empresa do Reino Unido, a lição imediata é de diligência prévia mais do que de direito. Se você compra ou usa modelos abertos de laboratórios chineses, ou capacidade de nuvem alugada por meio de terceiros países, a cadeia de computação por trás de um modelo pode virar questão de conformidade e de reputação caso os investigadores confirmem as alegações. Pergunte aos fornecedores onde fica o hardware de treinamento e inferência e quem o opera, e guarde registro das respostas.

As equipes de compras também devem esperar que o debate passe de quem possui os chips para quem os usa, como descreve o TechCrunch. Qualquer mudança de regra levaria tempo, e a evidência atual é uma impressão digital, não uma decisão judicial. Um passo sensato agora é mapear de quais modelos e serviços hospedados seus próprios fluxos agênticos dependem e prever a possibilidade de trocar se um fornecedor passar a sofrer sanções ou restrições.