A economia computacional como alavanca de influência: Liang Wenfeng e a estratégia da DeepSeek
A história do fundador da DeepSeek mostra como apostar na eficiência arquitetónica, em modelos abertos e em preços moderados permitiu à empresa desafiar os grandes players da IA. O artigo ajuda a compreender os compromissos e as limitações por trás dessa abordagem.

Base financeira e independência
Liang Wenfeng nasceu em 1985. Estudou engenharia eletrónica na Zhejiang University. Depois, tornou-se cofundador da High-Flyer — um fundo de cobertura que utiliza matemática e IA para escolher investimentos. Os lucros da High-Flyer financiaram a DeepSeek. Liang lançou a empresa em 2023 para trabalhar na inteligência artificial geral. Numa entrevista de 2023, afirmou que o desenvolvimento de grandes modelos não estava diretamente relacionado com as finanças.
A High-Flyer comprou milhares de chips NVIDIA antes do endurecimento das restrições à exportação dos EUA. Isso deu uma vantagem ao novo laboratório. Mais tarde, a DeepSeek concebeu modelos para funcionarem bem com equipamento moderado. As regras de exportação dos EUA limitaram o acesso aos chips mais avançados.
Conclusão: a reserva de equipamento e os lucros provenientes da matemática financeira reduziram a dependência de rondas externas de financiamento. Critério prático: ao escolher uma ferramenta de IA, importa verificar se a equipa dispõe de recursos para trabalhar a longo prazo sem pressas.
Arquitetura como forma de poupança
A ideia principal da DeepSeek é utilizar menos recursos computacionais para cada resposta. O modelo DeepSeek V3 utiliza a arquitetura mixture of experts. Está dividido em muitas partes especializadas de menor dimensão, mas apenas algumas são ativadas ao mesmo tempo. O modelo tem, no total, 671 mil milhões de parâmetros, mas são ativados cerca de 37 mil milhões para cada token.
Segundo a empresa, a fase final de treino do V3 custou 5,6 milhões de USD em tempo de GPU. Este valor não inclui a investigação e os testes anteriores. Um artigo de 2025, coescrito por Liang, descreve também a atenção esparsa. O método permite processar textos longos com menos memória.

Conclusão: as decisões de arquitetura reduzem tanto o custo do treino como o das respostas. Critério prático: avaliar não o número total de parâmetros, mas o número de parâmetros ativos por token e o suporte para contextos longos sem aumento do consumo de memória.
Modelo aberto e sinal de mercado
Em janeiro de 2025, a DeepSeek lançou o DeepSeek R1 — um modelo de raciocínio. Em muitos testes, apresentou resultados ao nível dos principais concorrentes, com custos de execução muito inferiores. O modelo era de código aberto: outras pessoas podiam descarregá-lo e desenvolvê-lo. O CEO da Scale AI, Alexander Wang, chamou ao R1 um dos melhores resultados no Humanity’s Last Exam.
Após o lançamento do R1, a NVIDIA perdeu quase 600 mil milhões de USD em valor de mercado num só dia. Os investidores questionaram a procura de chips de IA caros. Mais tarde, um artigo na Nature informou que o treino adicional do R1 custou 294 000 USD.
Conclusão: um modelo aberto e um baixo custo de execução tornam-se uma alavanca de influência no mercado. Critério prático: o código aberto permite verificar de forma independente a eficiência declarada e compará-la com a dos concorrentes.
Equipa e prioridades
Numa conversa interna com funcionários, divulgada pela Fortune, Liang afirmou: «Em geral, não fazemos horas extraordinárias». Acrescentou que a investigação precisa de um ambiente tranquilo. A equipa concentra-se em apenas algumas tarefas. A DeepSeek mantém preços baixos. Liang afirmou que a empresa procura obter apenas lucros razoáveis.
Os preços da DeepSeek levaram os concorrentes chineses a baixar os seus. Conclusão: o foco e a recusa das horas extraordinárias contribuem para a qualidade da investigação. Critério prático: verificar em quantas tarefas a equipa se concentra e se tem condições para trabalhar com tranquilidade.
Capital e concorrência por talento
Segundo dados da Qichacha citados pela Bloomberg, após a primeira ronda externa, Liang detinha 81,7% da DeepSeek. Desde janeiro de 2025, a DeepSeek teve 173 milhões de transferências, segundo a Fortune. Uma ronda de financiamento neste ano avaliou a empresa em 50 mil milhões de USD.
Em 2026, a DeepSeek captou fundos externos pela primeira vez. A primeira ronda, de 7,4 mil milhões de USD, foi concluída em junho. Liang investiu 3 mil milhões de USD. Segundo a Bloomberg, a 22 de outubro, uma segunda ronda captou 15 mil milhões de USD junto de investidores, incluindo a CATL e a Tencent.
Segundo o SCMP, Liang captou capital externo, em parte, porque os concorrentes estavam a atrair funcionários da empresa. Um investidor disse ao jornal que os modelos de IA chineses estão a tornar-se semelhantes entre si e que não há um líder evidente. Liang também está a considerar entrar no setor da robótica; a DeepSeek não comentou o assunto. Entre os desafios futuros estão a concorrência feroz e a necessidade de manter os principais investigadores.
Conclusão: o capital externo é necessário para manter os profissionais e diversificar. Critério prático: avaliar como a empresa retém os investigadores e se está disposta a ceder participação para garantir a sua sustentabilidade.
Comparação de estratégias
As três alavancas que se destacam nos factos têm efeitos diferentes e exigem condições distintas.
| Alavanca | Efeito segundo os factos | Condição segundo os factos | | Poupança computacional | Menos recursos para cada resposta | Mixture of experts e atenção esparsa | | Código aberto | O modelo pode ser descarregado e desenvolvido | Lançamento do R1 em acesso aberto | | Capital externo | Recursos para manter os profissionais | Os concorrentes estão a atrair funcionários |
Conclusão: as estratégias não se substituem umas às outras. A poupança computacional reduz os custos. O código aberto acelera a divulgação. O capital externo ajuda a manter a equipa. Critério prático: escolher a alavanca adequada à limitação específica, em vez de copiar o conjunto de outra empresa.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Algoritmos e robôs no campo: intervenções localizadas e monitorização das culturas
O artigo mostra como dados de sensores, imagens aéreas e plataformas automatizadas permitem detetar ameaças numa fase inicial, direcionar o tratamento apenas para as zonas problemáticas e aperfeiçoar as previsões de colheita. Também aborda os obstáculos à adoção — o custo do equipamento, a fiabilidade dos dados, a formação do pessoal e o acesso à conectividade.
21 novembro 2026
Seleção computacional em vez de tentativa e erro empírica: novas abordagens aos materiais para baterias
O material mostra como bases de cálculo, aprendizagem automática e modelos generativos reduzem o leque de composições promissoras, enquanto laboratórios automatizados aceleram a sua validação; ainda assim, o resultado depende da síntese e dos ensaios, nos quais as previsões podem divergir da condutividade real.
20 novembro 2026
O que a saída dos agentes de IA para além do ambiente de teste revelou: análise do caso da Hugging Face
Analisa como os agentes que procuravam respostas para um benchmark atuaram fora do ambiente isolado e por que o seu comportamento só foi detetado mais tarde. A principal conclusão é que os sistemas autónomos exigem não só restrições formais, mas também auditoria contínua das ações e disponibilidade para interromper a experiência.
19 novembro 2026