Plano de Destilação de IA de Garry Tan Desafia o Controle dos Laboratórios de Fronteira

Garry Tan propôs uma mudança profunda na forma como os Estados Unidos lidam com a destilação de IA, apesar das tentativas dos laboratórios de fronteira de restringir a prática. O CEO da Y Combinator quer que desenvolvedores americanos menores de modelos de pesos abertos aprendam com os principais modelos dos EUA e lancem mais alternativas nacionais. Sua posição desafia a ideia de que empresas de fronteira deveriam controlar como clientes reutilizam as saídas dos modelos.

A proposta de destilação de IA de Garry Tan surgiu durante uma escalada na disputa envolvendo desenvolvedores chineses de IA. A Anthropic afirma que DeepSeek, Moonshot AI e MiniMax conduziram campanhas coordenadas para extrair capacidades do Claude. A resposta de Tan não é proibir a técnica de treinamento. Ele quer que desenvolvedores americanos a utilizem dentro de um sistema doméstico.

Isso inverte o argumento habitual de segurança nacional. OpenAI e Anthropic retrataram a destilação não autorizada como um atalho que transfere capacidades americanas para concorrentes estrangeiros. Tan argumenta que as restrições poderiam deixar usuários americanos dependentes de serviços fechados dos EUA ou de modelos chineses de pesos abertos. Portanto, a disputa vai além da cópia. Ela diz respeito a quem pode transformar inteligência de fronteira em um produto independente.

A Destilação de IA de Garry Tan Criaria uma Alternativa Nacional

Tan quer que os Estados Unidos respondam à concorrência estrangeira de pesos abertos produzindo mais modelos americanos de pesos abertos, e não apenas bloqueando desenvolvedores estrangeiros.

A destilação de modelos treina um sistema usando respostas geradas por outro sistema mais capaz. O sistema maior atua como professor, enquanto um modelo aluno menor aprende com suas saídas. Os desenvolvedores podem usar essas respostas como exemplos de treinamento, material de avaliação ou feedback para aprendizado por reforço.

A destilação em si não é incomum nem automaticamente abusiva. Empresas de IA usam regularmente seus próprios modelos grandes para treinar produtos menores. O conflito começa quando uma empresa consulta sistematicamente o serviço de outra sem permissão e depois usa as respostas para desenvolver um modelo concorrente.

Tan traçou uma linha entre a técnica e o acesso enganoso. Ele não está pedindo que startups americanas roubem credenciais, ocultem redes coordenadas de contas ou contornem proteções técnicas. Ele questiona se provedores de fronteira deveriam poder proibir treinamento competitivo por meio de seus contratos de serviço.

Em comentários divulgados em 11 de setembro de 2026, Tan defendeu o que chamou de um “regime americano de destilação”. Laboratórios menores dos EUA teriam acesso legítimo a sistemas americanos de fronteira e usariam suas saídas para treinar alternativas de pesos abertos. Pesos abertos significa que os parâmetros treinados estão disponíveis para download e execução por terceiros, mesmo quando o conjunto de dados completo permanece privado.

O argumento de Tan combina política de concorrência com uma alegação sobre propriedade do conhecimento. Modelos de fronteira aprenderam com livros, software, sites públicos, discussões e outros trabalhos humanos. Por isso, ele vê uma contradição quando seus desenvolvedores reivindicam ampla liberdade para aprender com material público, mas limitam rigidamente o aprendizado posterior a partir das saídas dos modelos.

“Controlar o que usuários e clientes fazem com chamadas de API para modelos de pesos fechados parece restritivo”, disse Tan à TechCrunch. Ele descreveu o acesso a inteligência treinada com dados públicos como algo mais próximo de um bem público do que algo trancado por trás de termos restritivos.

Sua posição não nega que a pesquisa de fronteira exige capital. Tan afirmou que as empresas que impulsionam as capacidades dos modelos precisam de negócios sustentáveis. Ele também argumentou que sistemas de pesos abertos deveriam preservar a liberdade e o acesso dos usuários.

Esse equilíbrio é central para sua proposta. Uma estrutura doméstica de destilação precisaria recompensar o provedor do modelo professor, ao mesmo tempo em que daria a desenvolvedores menores direitos significativos de reutilização. Sem esses direitos, o acesso poderia se tornar um programa convencional de licenciamento que protege os incumbentes sem gerar concorrentes independentes.

Tan não forneceu uma estrutura jurídica detalhada, protocolo técnico ou fórmula de compensação. Em vez disso, ele questionou a premissa por trás das restrições atuais. Sua proposta pergunta se o treinamento competitivo de modelos deveria ser tratado como extração proibida ou como uma forma normal de disseminação das capacidades de IA.

Essa distinção importa porque um programa aprovado de destilação seria muito diferente de um ataque. Ele poderia usar participantes identificados, acesso negociado, conjuntos de dados documentados, requisitos de segurança e obrigações de avaliação. Essas condições preservariam a responsabilização enquanto testam se desenvolvedores domésticos de pesos abertos conseguem reduzir a lacuna de capacidades.

A mudança imediata é, portanto, política e não técnica. Um importante investidor em startups incentivou abertamente laboratórios americanos a adotar uma prática que os principais provedores de modelos trabalham para restringir. Sua intervenção oferece aos defensores de pesos abertos uma resposta direta à alegação de que controles sobre a destilação são necessários para a liderança dos EUA.

Por Que os Laboratórios Americanos de Pesos Abertos Estão Sob Pressão

Desenvolvedores americanos de pesos abertos enfrentam uma pressão estratégica crescente entre APIs domésticas fechadas e modelos capazes lançados por empresas chinesas.

Uma startup que se baseia em um modelo fechado recebe acesso conveniente, mas não controla os pesos subjacentes. O provedor pode revisar o comportamento do modelo, alterar políticas de acesso, introduzir novas restrições ou descontinuar uma versão. A startup precisa aceitar essas dependências enquanto compete em mercados nos quais o comportamento do modelo molda diretamente seu produto.

Modelos de pesos abertos oferecem uma estrutura operacional diferente. Desenvolvedores podem implantá-los em infraestrutura privada, ajustá-los para tarefas específicas e avaliar versões determinadas antes de uma atualização. Eles também podem examinar como as mudanças afetam um produto sem esperar por um provedor externo de API.

Esses benefícios importam para empresas que lidam com documentos sensíveis, fluxos de trabalho regulados ou software proprietário. Uma equipe pode manter seu ambiente de inferência mais próximo de seus dados e reter uma versão escolhida do modelo. Ainda precisa de segurança, avaliação e governança robustas, mas ganha controle sobre a implantação.

O problema é que treinar um modelo de fronteira desde o início exige recursos computacionais extensos, pesquisadores especializados e grandes conjuntos de dados. Laboratórios americanos menores não podem simplesmente reproduzir todos os investimentos feitos por OpenAI, Anthropic, Google ou Meta. A destilação oferece uma rota mais curta para capacidades selecionadas sem recriar todo o processo de treinamento do professor.

Desenvolvedores chineses de pesos abertos aumentaram a pressão. DeepSeek, Moonshot, Alibaba e outros laboratórios lançaram modelos que desenvolvedores podem baixar, adaptar ou usar por meio de serviços baratos. Quaisquer que tenham sido os métodos usados para produzir cada modelo, sua disponibilidade oferece aos criadores americanos alternativas que o mercado doméstico não forneceu de forma consistente.

Isso cria uma contradição de política pública. Autoridades dos EUA querem limitar a dependência da tecnologia chinesa, mas controles rígidos sobre a destilação doméstica podem reduzir o número de alternativas americanas. Bloquear um caminho de transferência de capacidades não dá automaticamente aos laboratórios menores dos EUA os recursos para treinar sistemas competitivos de forma independente.

A proposta de Tan mira essa lacuna. Se startups americanas puderem aprender com modelos domésticos de fronteira por meio de um processo aprovado, poderão produzir modelos governados por entidades dos EUA e usados dentro de infraestrutura americana. O resultado não garantiria paridade técnica, mas poderia ampliar a base de fornecedores disponíveis.

A pressão também alcança compradores empresariais. Organizações raramente querem que todo o seu fluxo de trabalho de IA fique vinculado a um único provedor. Equipes de compras consideram disponibilidade, tratamento de dados, estabilidade do modelo, latência, custos de migração e a capacidade de operar durante interrupções de serviço.

Um mercado diversificado de pesos abertos oferece outra opção a esses compradores. Eles podem usar uma API de fronteira para trabalhos exigentes enquanto atribuem tarefas repetíveis a modelos controlados localmente. A destilação pode ajudar a treinar esses sistemas menores em torno de capacidades específicas, embora o desempenho deva ser medido na carga de trabalho real do comprador.

Isso é especialmente relevante quando empresas constroem sistemas de conhecimento de longa duração. Uma base de conhecimento pesquisável pode sobreviver a qualquer contrato individual de modelo. Manter a arquitetura de informação separada de um único provedor facilita a gestão de futuras mudanças de modelo.

Os desenvolvedores também precisam distinguir propriedade do modelo de qualidade da aplicação. Pesos abertos não fornecem automaticamente respostas confiáveis, boa recuperação de informações ou implantação segura. Eles apenas dão aos criadores controle mais direto sobre o artefato do modelo. O produto ao redor ainda determina se esse controle gera valor prático.

O ponto mais forte de Tan, portanto, não é que toda startup precisa de um modelo de pesos abertos. É que desenvolvedores americanos precisam de uma opção confiável fora de alguns poucos provedores fechados. Sem uma, os Estados Unidos poderiam liderar a pesquisa de fronteira enquanto oferecem pouca escolha doméstica às empresas que exigem controle sobre modelos.

Laboratórios de Fronteira Veem a Destilação como uma Ameaça de Extração

OpenAI e Anthropic veem a destilação competitiva como um problema econômico e de segurança porque ela pode transferir capacidades valiosas sem transferir custos de desenvolvimento ou salvaguardas.

A Anthropic estabeleceu a fronteira mais clara em fevereiro de 2026. A empresa afirmou ter identificado campanhas coordenadas da DeepSeek, Moonshot e MiniMax que geraram mais de 16 milhões de interações com o Claude por meio de aproximadamente 24.000 contas fraudulentas.

De acordo com as conclusões da Anthropic sobre destilação, as campanhas usaram serviços de proxy e contas coordenadas para evitar detecção. Os prompts se concentraram em áreas como programação, uso de ferramentas, raciocínio agêntico e avaliação de modelos. A Anthropic atribuiu as campanhas usando dados de rede, metadados de solicitações, padrões de infraestrutura e informações de parceiros do setor.

Esses números continuam sendo conclusões da Anthropic, e não uma auditoria pública independente. Os conjuntos de dados exatos de treinamento das empresas nomeadas não estão disponíveis para análise completa por pessoas de fora. No entanto, o comportamento das contas descrito pela Anthropic vai além da experimentação comum de clientes.

A Anthropic também faz uma distinção importante que às vezes desaparece do debate político. Ela chama a destilação de um método de treinamento legítimo e amplamente utilizado. Sua objeção diz respeito a concorrentes que adquirem capacidades por meio de acesso enganoso, fraude de contas, evasão de restrições regionais ou outras condutas proibidas.

A empresa afirma que uma rede de proxy operava mais de 20.000 contas fraudulentas ao mesmo tempo. Esses sistemas podem distribuir solicitações entre vários serviços e substituir contas depois que os provedores as bloqueiam. Isso torna a atribuição e a aplicação de medidas mais difíceis do que detectar um cliente fazendo um número incomumente alto de chamadas.

A posição contratual da OpenAI é igualmente restritiva. Seu atual contrato de serviço geralmente impede que clientes usem saídas para desenvolver modelos de IA concorrentes, exceto para usos permitidos definidos. Ele também proíbe ataques de extração de modelos e tentativas de contornar proteções de acesso.

Esses contratos dão aos provedores de ponta uma ferramenta direta de aplicação contra clientes. Uma empresa pode suspender contas ou revogar o acesso à API sem antes provar violação de direitos autorais em tribunal. Isso importa porque o status jurídico mais amplo do aprendizado a partir de saídas de modelos continua indefinido.

A preocupação econômica é direta. Laboratórios de ponta investem em pesquisa, infraestrutura computacional, preparação de dados, testes de segurança e operações de produto. Se um concorrente puder consultar o serviço finalizado e transferir seu comportamento mais valioso para outro modelo, evitará grande parte desse custo inicial.

O argumento de segurança vai além da perda comercial. A Anthropic afirma que um modelo destilado pode reproduzir capacidades sem preservar as salvaguardas do professor. Se seus pesos forem então divulgados, o provedor original não poderá retirar o modelo, monitorar seus usuários ou corrigir cada cópia distribuída.

Em sua posterior posição sobre modelos de pesos abertos, a Anthropic argumentou que a destilação pode aproximar capacidades chinesas de ponta dos sistemas dos EUA em questão de meses. A empresa pediu medidas contra a extração em escala industrial, ao mesmo tempo que rejeitou uma proibição geral de modelos de pesos abertos.

Essa distinção aproxima a Anthropic de Tan, em uma questão, mais do que sua retórica sugere. Ambos aceitam um papel para a IA de pesos abertos. Ambos também reconhecem usos legítimos da destilação. A discordância diz respeito a quem deve autorizar o treinamento entre empresas e quanto controle o provedor original deve manter.

Tan parte do risco do poder privado concentrado. A Anthropic parte dos riscos de roubo de capacidades e distribuição irreversível. Assim, cada lado trata um ator diferente como a principal ameaça.

Para Tan, restrições excessivas protegem os incumbentes e reduzem a concorrência americana em pesos abertos. Para os provedores de ponta, o acesso frouxo permite que rivais se apropriem de capacidades caras e removam controles de segurança. Um regime doméstico viável teria de abordar ambas as preocupações, em vez de declarar qualquer uma delas imaginária.

O Argumento do Bem Público Colide com Contratos e Segurança

A questão mais difícil não é se a destilação funciona, mas se os Estados Unidos podem autorizá-la sem normalizar a extração enganosa ou enfraquecer os incentivos para financiar pesquisas de ponta.

O argumento de Tan sobre o bem público tem força intuitiva porque a IA de ponta não surgiu de conhecimento corporativo isolado. Desenvolvedores de modelos treinaram sistemas com enormes coleções de expressão humana. Autores, programadores, pesquisadores, educadores e comunidades online criaram grande parte do material que tornou os modelos de linguagem modernos úteis.

Esse histórico complica alegações de que informações geradas por modelos merecem controle absoluto a jusante. Editoras e criadores já contestaram empresas de IA por treinamento sem consentimento. Tan aplica um argumento semelhante de equidade a empresas que agora querem proteção contratual contra outros modelos que aprendam por meio de seus serviços.

No entanto, a simetria moral não resolve a questão jurídica. Informações acessíveis publicamente não estão automaticamente livres de restrições de direitos autorais, contratuais, de privacidade ou de banco de dados. Da mesma forma, receber uma resposta de API não concede necessariamente permissão para coletar milhões de respostas para treinamento competitivo.

Um sistema doméstico de destilação precisaria definir o acesso legítimo. Essa definição não pode depender apenas de a empresa participante ser americana. Roubo de credenciais, identidades falsas, cultivo de contas e evasão deliberada continuam sendo práticas enganosas, independentemente da nacionalidade do desenvolvedor.

Também seria necessário distinguir o uso rotineiro de produtos da extração sistemática. Essa fronteira é tecnicamente difícil. Uma empresa que avalia milhares de prompts por segurança pode se parecer com uma empresa que constrói dados de treinamento, especialmente quando ambas testam capacidades específicas em escala.

O pesquisador da Brookings Kyle Chan descreveu esse desafio de detecção como procurar agulhas em um grande palheiro. A resposta federal incluiu processos propostos para identificar atores estrangeiros que extraem recursos-chave de modelos americanos fechados. Ainda assim, identificar tráfego suspeito é mais fácil do que provar exatamente como outro modelo foi treinado.

A mesma incerteza afetaria participantes domésticos aprovados. Um laboratório de ponta poderia oferecer acesso limitado à destilação enquanto retém suas capacidades mais fortes de raciocínio, programação ou biologia. Desenvolvedores menores poderiam receber permissão formal, mas informação insuficiente para criar modelos competitivos.

Preço e capacidade poderiam se tornar outra barreira, mesmo sem a publicação de termos comerciais específicos. Provedores de ponta controlam seus próprios limites de API e infraestrutura. Se o treinamento aprovado exigir volumes enormes de consultas, as condições de acesso ainda poderão favorecer empresas bem financiadas.

Testes de segurança apresentam uma troca distinta. Desenvolvedores de pesos abertos podem inspecionar, ajustar e implantar um modelo divulgado sem permissão de seu criador. Isso apoia a pesquisa e o controle local, mas também significa que o desenvolvedor original não pode revogar o sistema de forma confiável após descobrir uma vulnerabilidade grave.

Uma estrutura doméstica poderia exigir avaliações antes da divulgação. Também poderia criar regras graduais com base na capacidade, em vez de tratar todos os modelos da mesma forma. Um modelo pequeno e especializado não deveria enfrentar os mesmos requisitos que um sistema com capacidades avançadas cibernéticas ou biológicas.

Ainda assim, os testes não eliminam o problema da distribuição. Benchmarks podem deixar passar novas capacidades, e usuários podem ajustar pesos após a divulgação. Quando as cópias circulam, restrições posteriores têm alcance limitado.

A proposta também corre o risco de enfraquecer os incentivos ao investimento. A pesquisa de ponta continua cara, mesmo quando os custos exatos não são públicos. Se toda capacidade bem-sucedida tiver de se tornar imediatamente material de treinamento para concorrentes, empresas privadas poderão reduzir o acesso externo ou adiar divulgações.

Tan não argumenta que os laboratórios de ponta devam desaparecer. Ele quer que permaneçam financiados enquanto desenvolvedores de pesos abertos recebam liberdade significativa. O mecanismo ausente é como dividir os retornos entre o professor e o aluno sem permitir que o professor vete a concorrência real.

O licenciamento é um caminho possível, mas os detalhes determinariam seu valor. Uma licença poderia autorizar usos específicos de treinamento, exigir atribuição, proibir acesso enganoso e estabelecer obrigações de segurança. Também poderia se tornar uma barreira cara que apenas empresas já estabelecidas conseguiriam superar.

Um programa de pesquisa supervisionado oferece outro modelo. Participantes poderiam acessar saídas de sistemas de ponta em ambientes controlados, documentar seus métodos de treinamento e publicar resultados de avaliação antes de divulgar pesos. Esse programa forneceria evidências sobre se a destilação doméstica produz alternativas úteis e mais seguras.

Nenhuma das abordagens resolve a disputa mais ampla sobre propriedade. Laboratórios de ponta podem argumentar que o comportamento do modelo reflete pesquisa proprietária, mesmo quando o material de treinamento veio de fontes públicas. Defensores da abertura podem responder que capacidades comportamentais não devem se tornar propriedade privada permanente apenas porque uma empresa concentrou o conhecimento subjacente.

Esse conflito se assemelha a disputas anteriores sobre compatibilidade de software e controle de plataformas, mas modelos de IA introduzem maior incerteza. Um sistema aluno não copia uma interface simples. Ele absorve comportamento estatístico que pode incluir conhecimento geral, raciocínio especializado, erros e padrões de segurança.

A conclusão cética é inevitável. Tan identificou um problema competitivo real, mas ainda não demonstrou que um regime americano de destilação possa fornecer modelos abertos robustos de forma legal e segura. Até que um desenvolvedor teste a ideia por meio de um programa transparente, ela continuará sendo uma tese de política, e não um modelo operacional.

Três Sinais Mostrarão se o Plano de Tan Pode Funcionar

A próxima etapa depende de compromissos concretos de desenvolvedores americanos, laboratórios de ponta e formuladores de políticas, e não de mais uma rodada de argumentos sobre abertura.

O primeiro sinal é se um desenvolvedor americano confiável de pesos abertos adota publicamente a destilação entre empresas. O anúncio precisaria identificar os modelos professores, a base de autorização, as capacidades pretendidas e as condições de divulgação. Usar discretamente dados sintéticos não testaria a proposta de Tan, porque a questão central é o acesso competitivo legítimo.

Um projeto transparente também precisaria de avaliações comparativas. Desenvolvedores deveriam testar o aluno contra seu modelo-base, o professor e outros sistemas de pesos abertos. Esses resultados deveriam abranger cargas de trabalho reais, em vez de uma pequena coleção de benchmarks de destaque.

Se tal modelo tiver bom desempenho sob permissão documentada, o argumento de Tan ganha força. Isso mostraria que a destilação doméstica pode expandir a escolha de modelos sem depender de contas ocultas ou credenciais roubadas. Se nenhum laboratório sério tentar o processo, a proposta parecerá desconectada das realidades comerciais e jurídicas.

O segundo sinal é se um provedor de ponta cria uma licença explícita de destilação ou uma parceria. O acesso geral à API não basta porque contratos atuais normalmente restringem o desenvolvimento de modelos concorrentes. Um programa significativo deve permitir que um participante independente treine e divulgue algo capaz de competir.

As salvaguardas do provedor importarão. Verificação de identidade, monitoramento de tráfego, limites de capacidade e avaliações pré-divulgação poderiam separar o treinamento legítimo das operações descritas pela Anthropic. Regras claras também ajudariam desenvolvedores a entender quais condutas acionam medidas de aplicação.

Esse sinal enfraqueceria o caso de Tan se o programa existisse apenas no papel. Permissões estreitas, saídas limitadas ou condições que impeçam a implantação prática preservariam a estrutura atual do mercado. Uma estrutura bem-sucedida precisa oferecer ao desenvolvedor aluno independência real.

O terceiro sinal é como os formuladores de políticas dos EUA definem a extração de modelos. O Congresso e agências federais estão examinando o acesso estrangeiro a sistemas americanos de IA, enquanto empresas de ponta compartilham mais informações sobre ameaças. Linguagem ampla poderia abranger pesquisas legítimas e competição doméstica ao lado de ataques enganosos.

Uma política direcionada se concentraria em fraude, redes não autorizadas de contas, contorno de restrições, credenciais roubadas e extração de capacidades sensíveis. Ela poderia preservar espaço para destilação licenciada e desenvolvimento independente de pesos abertos. Esse resultado fortaleceria a alegação central de Tan de que segurança nacional e abertura doméstica não precisam entrar em conflito.

Uma proibição mais ampla levaria a política na direção oposta. Se o treinamento competitivo a partir de saídas de modelos for tratado como inerentemente ilícito, os laboratórios americanos de pesos abertos terão menos caminhos para reduzir a diferença. Desenvolvedores então dependeriam de treinamento independente, colaboração com provedores dispostos ou modelos abertos estrangeiros.

Os leitores devem acompanhar esses sinais nessa ordem. Primeiro, procure um desenvolvedor disposto a construir de forma transparente. Segundo, examine se um laboratório de ponta concede direitos úteis. Terceiro, avalie se a política distingue extração enganosa de aprendizado autorizado.

O debate sobre a destilação de IA de Garry Tan não será resolvido decidindo se a abertura é sempre boa ou sempre perigosa. O teste prático é se laboratórios americanos podem produzir modelos utilizáveis de forma independente enquanto respeitam regras de acesso e verificam riscos graves.

Nos próximos meses, faça três perguntas sempre que surgir um modelo doméstico de pesos abertos: Quem forneceu suas saídas de treinamento, qual permissão regeu esse acesso e quais avaliações sustentam suas alegações de segurança? Respostas claras transformariam a proposta de Tan em uma estratégia competitiva viável. A ausência de respostas deixaria os Estados Unidos com a mesma escolha entre APIs domésticas concentradas e sistemas estrangeiros de pesos abertos.