EUA acusam empresas chinesas de copiar recursos de Claude, GPT, Gemini e Grok
Agências dos Estados Unidos acusaram seis empresas chinesas de inteligência artificial de utilizar operações de distilação em larga escala para reproduzir capacidades associadas a modelos avançados, como Claude, GPT, Gemini e Grok. De acordo com as autoridades americanas, a prática teria começado, pelo menos, no final de 2024 e envolvido uma quantidade expressiva de consultas automatizadas.
As empresas mencionadas são DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun e Z.AI. Segundo as acusações, essas companhias teriam realizado milhões de requisições e extraído bilhões de tokens das respostas geradas por sistemas estrangeiros. O material obtido poderia então ser usado para aperfeiçoar modelos próprios, reduzindo tempo, custos e etapas de desenvolvimento.
A distilação de conhecimento, por si só, não é uma técnica ilegal. Ela faz parte de práticas convencionais de aprendizado de máquina: um modelo mais compacto é treinado a partir das respostas de um sistema maior e mais sofisticado. Essa abordagem pode diminuir o consumo de recursos e permitir a criação de aplicações mais rápidas e baratas.
A controvérsia está na forma como o processo teria sido conduzido. As autoridades americanas afirmam que as empresas não teriam apenas estudado respostas disponíveis publicamente, mas explorado serviços proprietários de maneira automatizada e sem autorização. O objetivo seria reproduzir funções protegidas ou limitadas por contratos, políticas de uso e controles técnicos.
As operações descritas teriam usado uma combinação de APIs, provedores de computação em nuvem, agregadores de modelos e serviços de proxy. Esses intermediários dificultariam a identificação da origem real do tráfego. Também haveria uso de contas compartilhadas, assinaturas premium adquiridas em grande volume e mecanismos destinados a contornar limites de acesso.
Quando uma conta ou rota era bloqueada, alguns sistemas supostamente mudavam automaticamente para outro provedor. Essa alternância permitia manter o fluxo de consultas e dificultava a criação de um padrão simples de detecção. Em vez de depender de uma única identidade digital, as requisições poderiam ser distribuídas por diferentes endereços, serviços e credenciais.
Entre as capacidades que teriam sido investigadas estavam raciocínio em múltiplas etapas, geração e análise de código, engenharia de software, operação de agentes autônomos e compreensão de texto, imagem e outros formatos. O interesse por esses recursos revela que a disputa não se limita à qualidade das respostas: envolve também a capacidade de executar tarefas complexas com pouca intervenção humana.
Por que a distilação é tão importante
Modelos avançados exigem grandes volumes de dados, infraestrutura especializada e equipes capazes de ajustar sistemas com bilhões de parâmetros. A distilação pode funcionar como um atalho. Ao observar respostas de um modelo mais desenvolvido, uma empresa consegue identificar padrões de raciocínio, estilos de saída e estratégias para resolver problemas sem precisar reproduzir integralmente o processo original de treinamento.
Esse método pode ser usado de forma legítima quando existe autorização explícita ou quando os dados empregados estão disponíveis dentro das condições permitidas. O problema surge quando o modelo professor é submetido a consultas em escala industrial para gerar um conjunto de treinamento baseado em serviços comerciais, especialmente quando há tentativa de esconder a atividade.
Para as empresas afetadas, esse tipo de prática representa riscos financeiros e estratégicos. O desenvolvimento de modelos de fronteira envolve investimentos elevados em chips, data centers, pesquisa e contratação de especialistas. Se concorrentes conseguirem copiar rapidamente recursos importantes, parte dessa vantagem pode ser reduzida.
A acusação também amplia o debate sobre a proteção de APIs. Diferentemente de um ataque cibernético tradicional, a extração abusiva pode ocorrer por meio de solicitações aparentemente válidas. Cada consulta individual pode parecer normal, mas o conjunto revela um padrão de coleta sistemática de conhecimento.
Por esse motivo, empresas de IA vêm adotando controles como limites de velocidade, análise comportamental, identificação de contas relacionadas e monitoramento de respostas repetitivas. Outras medidas incluem marcas d’água estatísticas, alterações periódicas nos modelos e restrições para tarefas que possam facilitar a replicação de capacidades internas.
Impactos para o mercado de inteligência artificial
A disputa pode acelerar a adoção de regras mais rígidas para o uso de modelos comerciais. Provedores tendem a revisar contratos, exigir verificação adicional de identidade e impor limites diferentes para usuários individuais, empresas e laboratórios de pesquisa. O acesso em grande escala também pode passar a depender de auditorias ou aprovações específicas.
Há ainda uma dimensão geopolítica. Os Estados Unidos tratam a liderança em inteligência artificial como um ativo estratégico ligado à economia, à segurança nacional e à capacidade militar. A acusação contra empresas chinesas ocorre em um cenário marcado por restrições à exportação de chips avançados, controle de tecnologias sensíveis e competição por infraestrutura computacional.
Pequim rejeitou as alegações. O governo chinês afirmou que os avanços de suas empresas são resultado de inovação própria, classificou as acusações americanas como infundadas e defendeu uma cooperação internacional mais ampla no desenvolvimento da inteligência artificial.
Ainda não está claro quais medidas concretas poderão ser adotadas pelos Estados Unidos. Entre as possibilidades estão sanções comerciais, limitações de acesso a serviços de computação, investigações sobre provedores intermediários e novas exigências para empresas que operam plataformas de IA.
O caso também levanta uma questão difícil: até que ponto a observação de respostas de um modelo pode ser considerada aprendizado legítimo, e quando passa a representar cópia indevida? A resposta dependerá dos contratos, da origem dos dados, da escala das consultas e da intenção demonstrada pelos operadores.
Independentemente do desfecho político, a controvérsia mostra que a competição em IA está migrando para uma nova etapa. Além de criar modelos mais poderosos, as empresas precisam proteger seus sistemas contra extração automatizada, controlar quem utiliza suas APIs e demonstrar que seus métodos de treinamento respeitam limites legais e comerciais.