IA de Código Aberto
IA de código aberto refere-se a modelos de IA, frameworks ou sistemas cujos pesos, código ou arquitetura são publicamente liberados — permitindo que qualquer pessoa os baixe, inspecione, modifique e implante — em contraste com modelos proprietários fechados acessíveis apenas através de uma API paga.
IA de código aberto abrange uma ampla gama de liberações públicas no domínio de IA, de frameworks de deep learning (PyTorch, TensorFlow) e datasets de treinamento (Common Crawl, The Pile) aos pesos completos de modelos de linguagem grande. As liberações abertas mais consequentes foram pesos de modelos de fundação: série LLaMA da Meta (LLaMA 1 em fevereiro de 2023, LLaMA 3 em abril de 2024 e versões subsequentes), Mistral 7B e Mixtral da Mistral AI (final de 2023) e DeepSeek-R1 (DeepSeek, janeiro de 2025), que demonstraram capacidades de raciocínio amplamente competitivas com GPT-4o a custo de treinamento dramaticamente menor reportado, enviando ondas de choque significativas através de valuações da indústria de IA.
A definição de "código aberto" em IA é ativamente contestada. A Open Source Initiative lançou uma definição formal de IA de Código Aberto em outubro de 2024, exigindo a liberação de informações suficientes — incluindo dados de treinamento, código e pesos — sob termos permitindo uso, estudo, modificação e redistribuição sem restrição. A maioria das liberações de modelos de alto perfil fica aquém desse padrão: liberações de LLaMA da Meta fornecem pesos e código de inferência, mas não dados de treinamento; muitas adicionam restrições comerciais (por exemplo, proibindo uso acima de certos limites de receita). O termo da indústria "open weights" é, portanto, cada vez mais usado para distinguir modelos onde apenas parâmetros são públicos de software que é código aberto no sentido tradicional.
IA de open-weight importa por várias razões interconectadas. Permite que pesquisadores estudem internals do modelo, identifiquem modos de falha e reproduzam resultados — um pré-requisito para rigor científico que APIs fechadas precluem. Permite que empresas e governos hospedem modelos por conta própria sem incorrer em taxas de API por token ou rotear dados através de terceiros, o que é crítico para aplicações sensíveis à privacidade ou reguladas. Também acelera o desenvolvimento do ecossistema: milhares de variantes fine-tuned, benchmarks de avaliação e frameworks de serving (llama.cpp para inferência de CPU, vLLM para serving de GPU otimizado para throughput, Ollama para implantação local) foram construídos em fundações de open-weight, criando uma trilha de inovação paralela ao lado de labs de código fechado.
A partir de 2026, a lacuna de capacidade entre os melhores modelos de open-weight e modelos closed-source de fronteira estreitou substancialmente. DeepSeek-V3 e seus sucessores mostraram que modelos altamente capazes podem ser treinados a custos reportados muito abaixo dos flagships OpenAI ou Anthropic, desafiando suposições de que escala de computação sozinha manteria labs fechados permanentemente à frente. Debates regulatórios — particularmente sob a Lei de IA da UE — centram-se se modelos de open-weight altamente capazes justificam obrigações adicionais, já que uma vez que pesos são públicos não podem ser retratados. Proponentes argumentam que abertura produz benefício social líquido através de transparência e acesso; alguns pesquisadores de segurança de IA argumentam que remove uma camada de controle de acesso significativa para capacidades potencialmente perigosas.