A aposta de US$ 2,5 bilhões da Nvidia na Thinking Machines eleva a disputa entre Hugging Face e OpenAI

A Nvidia estaria negociando um investimento de cerca de US$ 2,5 bilhões na Thinking Machines Lab, de Mira Murati, potencialmente cobrindo aproximadamente metade de uma nova rodada de financiamento. As conversas inserem a rivalidade entre Hugging Face e OpenAI em uma disputa muito maior sobre quem financia, treina, distribui e personaliza modelos avançados de IA.

A transação reportada continua em negociação. A Thinking Machines e a Nvidia não confirmaram publicamente o valor ou os termos finais. No entanto, o investimento proposto sucede uma parceria já existente entre as empresas e o acordo da Nvidia para adquirir a Hugging Face.

Essa sequência é a verdadeira história. A Nvidia já não influencia o desenvolvimento de IA apenas por meio dos chips que os laboratórios compram. Ela está aportando capital, capacidade computacional e infraestrutura de distribuição para os desenvolvedores que decidem quais modelos terão ampla adoção.

A OpenAI enfrenta pressão dessa estratégia, embora continue sendo uma das maiores clientes e parceiras de infraestrutura da Nvidia. A Thinking Machines é liderada pela ex-diretora de tecnologia da OpenAI e emprega diversos pesquisadores com experiência em laboratórios líderes de IA.

A disputa emergente, portanto, não é um simples confronto entre Nvidia e OpenAI. Trata-se de uma luta entre o acesso centralizado a modelos e um mercado cada vez mais financiado de alternativas personalizáveis, com pesos abertos.

O acordo reportado vai além de mais uma rodada de financiamento em IA

O financiamento proposto aproximaria a Thinking Machines da empresa que fornece sua infraestrutura computacional.

Segundo a reportagem inicial sobre o financiamento, a Thinking Machines discute uma rodada entre US$ 5 bilhões e US$ 6 bilhões. A avaliação pré-investimento reportada é de pelo menos US$ 40 bilhões.

A Andreessen Horowitz, investidora existente com assento no conselho, teria dito a potenciais investidores que se esperava que a Nvidia fornecesse cerca de metade do capital. Isso colocaria a contribuição da Nvidia perto de US$ 2,5 bilhões caso a faixa inferior da rodada seja concluída.

Outro relato descreveu a Accel como potencial investidora líder e focou em pelo menos US$ 1 bilhão de novo capital. Esses números não são necessariamente incompatíveis, pois discussões de financiamento frequentemente envolvem compromissos em mudança, múltiplos fechamentos e diferentes definições para a rodada-alvo.

Eles estabelecem, porém, uma importante lacuna de verificação. Nenhum acordo anunciado atualmente garante que a Thinking Machines levantará US$ 5 bilhões, que a Nvidia investirá US$ 2,5 bilhões ou que os investidores aceitarão a avaliação proposta.

A escala ainda merece atenção. A Thinking Machines concluiu anteriormente uma rodada seed de US$ 2 bilhões liderada pela Andreessen Horowitz. A Nvidia também participou, ao lado de investidores que incluíam Accel, AMD, Cisco, ServiceNow e Jane Street.

Segundo reportagens da época, esse financiamento anterior avaliou a empresa em US$ 12 bilhões após o investimento. Uma avaliação de pelo menos US$ 40 bilhões antes do novo capital representaria um aumento rápido em pouco mais de um ano.

A Thinking Machines agora tem produtos comerciais, pesquisas publicadas e um modelo de pesos abertos. Esses desenvolvimentos tornam a nova proposta mais concreta do que a história original de captação da empresa, que dependia fortemente do histórico e da equipe de Murati.

A empresa lançou o Tinker em outubro de 2025. O Tinker é uma interface de programação de aplicações gerenciada para ajuste fino de modelos, o que significa que os clientes podem adaptar modelos existentes sem operar o sistema subjacente de treinamento distribuído.

Mais tarde, a Thinking Machines lançou o Inkling, seu primeiro modelo de pesos abertos. Pesos abertos dão aos desenvolvedores acesso aos parâmetros aprendidos de um modelo, embora esse acesso não inclua necessariamente todos os seus dados de treinamento ou código-fonte.

Esses produtos fazem do investimento reportado da Nvidia em IA mais do que uma aposta em uma fundadora famosa. Eles colocam a Nvidia ao lado de uma empresa que desenvolve uma rota prática para que empresas e pesquisadores personalizem alternativas aos serviços de modelos fechados.

Essa rota também consome capacidade computacional substancial. O Tinker lida com agendamento, alocação de recursos e recuperação em infraestrutura compartilhada. Os clientes veem uma interface de software, enquanto a Thinking Machines gerencia a cara camada de hardware por baixo dela.

A Nvidia pode se beneficiar em ambos os níveis. Pode obter exposição acionária se a Thinking Machines crescer, ao mesmo tempo em que apoia uma cliente cujos serviços criam demanda contínua por sistemas Nvidia.

Essa relação transforma um anúncio de financiamento em um evento estrutural do setor. A investidora também é a fornecedora crítica, uma parceira de infraestrutura e a potencial proprietária de uma importante plataforma de distribuição de modelos.

A Nvidia está construindo um ciclo de capital e computação

Os investimentos da Nvidia ajudam laboratórios de IA a comprar mais da infraestrutura que a Nvidia vende.

Essa dinâmica às vezes é descrita como financiamento circular. A expressão se refere a acordos em que um fornecedor financia clientes que então gastam quantias substanciais com o mesmo fornecedor.

A circularidade não torna automaticamente uma transação inadequada. Uma startup pode receber capital real, obter infraestrutura produtiva e gerar demanda independente de clientes. A Nvidia também pode obter um retorno legítimo tanto em seu hardware quanto em sua participação acionária.

No entanto, a estrutura complica os sinais convencionais. A receita criada por uma cliente apoiada pelo fornecedor pode não transmitir a mesma informação que uma demanda financiada inteiramente por capital não relacionado.

A Nvidia abordou diretamente essa crítica durante sua teleconferência de resultados de agosto de 2026. A empresa disse ter investido quase US$ 50 bilhões em laboratórios de IA de fronteira e esperar que essas relações gerem negócios em sua plataforma.

Sua transcrição de resultados descreveu a capacidade computacional como a restrição enfrentada por empresas de IA em rápido crescimento. A Nvidia argumentou que seu balanço patrimonial poderia ajudar esses clientes a obter infraestrutura antes que seus perfis de crédito amadurecessem.

A empresa também reconheceu que observadores chamariam partes dessa estratégia de financiamento circular. Sua resposta foi que os sistemas de computação da Nvidia continuam úteis e podem ser realocados se uma cliente deixar de consumir a capacidade.

Essa defesa tem fundamento. Aceleradores de uso geral podem atender diferentes modelos e clientes, especialmente quando operadores de infraestrutura projetam clusters para realocação. Ainda assim, mover capacidade não elimina riscos de construção, financiamento, energia ou cronograma.

A Thinking Machines já mantém um profundo compromisso de infraestrutura. Em março de 2026, as empresas anunciaram um acordo plurianual para implantar pelo menos um gigawatt de sistemas Vera Rubin de próxima geração.

A implantação está prevista para começar no início de 2027. O acordo abrange o treinamento de modelos de fronteira e serviços concebidos para permitir que clientes personalizem sistemas de IA.

A parceria de computação oficial também revelou que a Nvidia havia feito um investimento significativo na Thinking Machines. Nenhuma das empresas publicou o valor.

Um novo compromisso de US$ 2,5 bilhões, portanto, ampliaria uma relação estabelecida. Não representaria o primeiro contato da Nvidia com a empresa de Murati nem sua primeira tentativa de assegurar o laboratório como cliente de infraestrutura de longo prazo.

A lógica da Nvidia é direta. Laboratórios de fronteira exigem enormes orçamentos de computação antes de seus produtos gerarem fluxos de caixa comparáveis. O financiamento acionário ajuda a cobrir essa lacuna e incentiva implantações ambiciosas.

O laboratório obtém acesso a capital e sistemas escassos. A Nvidia ganha demanda por hardware, adoção de software, influência estratégica e potencial valorização de sua participação acionária.

O mesmo modelo pode reforçar o CUDA, ambiente de software da Nvidia para programar seus processadores gráficos. Pesquisadores constroem fluxos de trabalho em torno dos sistemas disponíveis, enquanto desenvolvedores herdam essas escolhas por meio de APIs e ferramentas de modelos.

Quando os sistemas de treinamento, ajuste fino e disponibilização de um laboratório passam a ter como alvo arquiteturas da Nvidia, a troca se torna uma decisão relevante de engenharia. Aceleradores concorrentes precisam oferecer mais do que custos menores, pois a migração pode afetar código, desempenho, suporte e cronogramas de implantação.

A Thinking Machines afirma que o Tinker protege os clientes de boa parte dessa complexidade. Sua plataforma de ajuste fino gerencia o treinamento distribuído ao mesmo tempo que dá aos usuários controle sobre seus algoritmos e dados.

Essa conveniência fortalece indiretamente a Nvidia. Desenvolvedores podem usar modelos de pesos abertos sem gerenciar clusters, mas a camada gerenciada ainda pode direcionar suas cargas de trabalho para a infraestrutura da Nvidia.

O ciclo de financiamento, portanto, é mais amplo do que as vendas de chips. A Nvidia fornece capital a laboratórios, os laboratórios constroem serviços em sistemas Nvidia, e desenvolvedores adotam esses serviços sem tomar uma decisão explícita sobre hardware.

A competição entre Hugging Face e OpenAI agora tem uma proprietária de infraestrutura

A aquisição da Hugging Face pela Nvidia lhe dá influência sobre o lugar em que grande parte da comunidade de modelos abertos publica e descobre seu trabalho.

A Nvidia concordou, em 3 de setembro, em adquirir a Hugging Face por US$ 12.930.300.000. A transação coloca um repositório crítico de modelos ao lado do hardware, software, parcerias de nuvem e investimentos em laboratórios de IA da Nvidia.

A Hugging Face afirma que sua plataforma atende mais de 18 milhões de desenvolvedores, pesquisadores e criadores. Usuários compartilharam mais de 3 milhões de modelos, 500.000 conjuntos de dados e 1 milhão de aplicações na plataforma.

Mais de 200.000 empresas usam o serviço para descobrir, avaliar, personalizar ou implantar IA, segundo a Nvidia. Esses números vêm das empresas envolvidas e não foram auditados de forma independente no anúncio da aquisição.

A Nvidia prometeu que a Hugging Face continuaria aberta a diferentes modelos, frameworks, nuvens, provedores de inferência e plataformas de computação. Sua declaração de aquisição disse especificamente que o hardware da Nvidia não seria obrigatório.

Esse compromisso importa porque a Hugging Face funciona como infraestrutura neutra para muitas comunidades concorrentes. Seu valor depende, em parte, de os desenvolvedores confiarem que ela apoiará modelos desenvolvidos para sistemas da Nvidia, AMD, Google e outros.

A mudança de propriedade altera o cálculo de confiança, mesmo que as políticas de produto permaneçam inalteradas. Os desenvolvedores precisam considerar se busca, avaliação, inferência hospedada e integrações continuarão tratando de forma igual hardware e modelos concorrentes.

A Thinking Machines está diretamente inserida nessa tensão. Seu modelo Inkling de pesos abertos é distribuído pela Hugging Face, enquanto seu serviço Tinker oferece personalização gerenciada.

A Nvidia poderia, portanto, participar de várias etapas do mesmo fluxo de trabalho. Um desenvolvedor poderia descobrir um modelo aberto na Hugging Face, personalizá-lo por meio do Tinker e executar a carga de trabalho associada em sistemas Nvidia.

A OpenAI segue um modelo primário diferente. Seus clientes geralmente acessam modelos proprietários por meio do ChatGPT, de uma API ou de integrações empresariais. Os usuários podem personalizar comportamentos, mas não recebem os pesos dos principais modelos de fronteira.

Isso transforma a disputa entre Hugging Face e OpenAI em um conflito entre estruturas de distribuição, e não simplesmente entre pontuações de benchmarks. Uma rota oferece modelos operados centralmente por meio de serviços controlados. A outra oferece aos desenvolvedores um amplo catálogo de pesos e ferramentas para modificação.

Thinking Machines aposta que as empresas querem maior controle sobre modelos adaptados aos seus dados e tarefas. Tinker atende a essa demanda sem exigir que cada organização construa seu próprio cluster de treinamento.

Os primeiros exemplos da empresa incluem raciocínio matemático, química, pesquisa em controle de IA e treinamento multiagente. Eles são mais específicos do que implantações de chatbots de uso geral, mas mostram onde a personalização pode fazer diferença.

Um grupo de pesquisa farmacêutica pode precisar de um modelo adaptado a tarefas especializadas de química. Uma empresa de software pode querer um modelo treinado com base em seus critérios internos de avaliação. Um laboratório de pesquisa pode precisar de controle sobre métodos de aprendizado por reforço.

Serviços fechados podem atender a alguns desses casos de uso por meio de APIs e recursos de fine-tuning. Sistemas de pesos abertos oferecem opções diferentes de controle, portabilidade e inspeção, embora também transfiram mais responsabilidade de segurança e operação aos usuários.

A Nvidia não precisa que uma rota elimine a outra. Ela vende infraestrutura para laboratórios fechados, como a OpenAI, ao mesmo tempo que aprofunda sua presença no mercado de pesos abertos.

Essa neutralidade entre modelos de negócio é comercialmente atraente. A questão mais difícil é se a Nvidia conseguirá preservar uma neutralidade técnica crível após adquirir a Hugging Face.

Thinking Machines Pressiona a OpenAI Sem Se Tornar Sua Substituta Direta

A empresa de Murati desafia a OpenAI ao oferecer outro destino para talentos, capital e clientes que buscam modelos adaptáveis.

Atualmente, a Thinking Machines não se equipara ao alcance de produtos, à base de receita ou à distribuição voltada ao consumidor da OpenAI. Tratá-la como uma substituta direta exageraria o que as evidências disponíveis mostram.

Seu desafio é mais restrito e estrategicamente importante. A empresa recruta pesquisadores que entendem sistemas de fronteira, atrai rodadas de financiamento excepcionalmente grandes e vende uma plataforma de personalização de modelos para usuários técnicos.

Murati confere credibilidade adicional à empresa. Ela foi diretora de tecnologia da OpenAI e tornou-se brevemente diretora-executiva interina durante a crise de liderança da companhia em 2023.

Vários funcionários da Thinking Machines também vieram da OpenAI ou de outros grandes laboratórios. Essa concentração de experiência ajudou a startup a levantar sua primeira rodada antes de lançar um produto.

A vantagem em talentos não é permanente. A Thinking Machines passou por saídas de alto perfil, incluindo pesquisadores que retornaram à OpenAI. Esses movimentos mostram como a expertise pode circular facilmente entre laboratórios que perseguem objetivos sobrepostos.

A OpenAI também continua estreitamente ligada à Nvidia. A discussão sobre os resultados de agosto da Nvidia mencionou compromissos existentes e planejados da OpenAI que representam cerca de 12 gigawatts de capacidade computacional da Nvidia.

Isso faz da OpenAI tanto uma cliente essencial quanto uma contraparte estratégica. A Nvidia tem poucos motivos para enfraquecer uma compradora que opera nessa escala.

Em vez disso, a Nvidia se beneficia ao sustentar vários laboratórios críveis. A concorrência incentiva cada um deles a treinar sistemas maiores, expandir a capacidade de inferência e garantir infraestrutura antes dos rivais.

A Thinking Machines adiciona mais uma participante a essa corrida de gastos. Sua prometida implantação em escala de gigawatts sinaliza uma ambição muito além da de uma startup de software convencional.

Ainda assim, a estratégia de produto da empresa evita uma disputa direta por benchmarks. Inkling e Tinker enfatizam a personalização, em vez de alegar superioridade universal sobre OpenAI, Anthropic ou Google.

Essa distinção importa para compradores corporativos. O modelo geral com a maior pontuação não é automaticamente a melhor opção para um fluxo de trabalho especializado que envolva dados privados, julgamentos específicos de domínio ou controles operacionais rigorosos.

Um modelo personalizado pode superar um modelo geral maior em uma tarefa estritamente definida quando os dados de treinamento e as avaliações refletem o trabalho real. No entanto, esse resultado exige medição cuidadosa, e não uma afirmação ampla sobre a inteligência dos modelos.

A Thinking Machines precisa provar que clientes suficientes valorizam esse controle a ponto de sustentar seus compromissos de infraestrutura e sua avaliação reportada. A adoção do produto, e não a reputação da fundadora, agora carrega esse peso.

Segundo uma pessoa citada em uma cobertura separada, a empresa gera um nível de receita anualizada superior a US$ 100 milhões. Esse número não foi divulgado em demonstrações financeiras auditadas.

Mesmo que seja preciso, ele colocaria uma avaliação de US$ 40 bilhões em centenas de vezes a receita anualizada atual. Os investidores estariam pagando por expansão esperada, e não por desempenho financeiro estabelecido.

Essa expectativa pressiona a OpenAI em dois pontos. Ela intensifica a competição por pesquisadores e oferece aos clientes corporativos outro caminho bem financiado rumo a modelos adaptáveis.

Ela também pressiona os desenvolvedores de modelos abertos. Uma Thinking Machines fortemente financiada pode oferecer infraestrutura gerenciada que provedores menores têm dificuldade de igualar, potencialmente concentrando um mercado aparentemente aberto em torno de algumas plataformas ricas em capital.

A Promessa dos Modelos Abertos Traz um Risco de Concentração

Pesos abertos podem ampliar o controle dos desenvolvedores enquanto a infraestrutura ao redor se torna mais concentrada.

Essa é a principal contrapartida no acordo reportado. Os pesos dos modelos podem ser baixáveis, adaptáveis e redistribuíveis, mas treiná-los e servi-los ainda exige chips, energia, software, repositórios e capital.

A Nvidia agora ocupa uma posição central em todas essas camadas. Ela domina o mercado de aceleradores, mantém a plataforma de software CUDA, investe em laboratórios de modelos e planeja ser proprietária da Hugging Face.

Uma participação relevante na Thinking Machines acrescentaria outra camada. A Nvidia apoiaria uma empresa que transforma a personalização de pesos abertos em um serviço comercial gerenciado.

Nenhuma dessas relações prova que a Nvidia restringirá concorrentes. Seu compromisso público com a Hugging Face apoia explicitamente múltiplos aceleradores e nuvens.

Ainda assim, os incentivos merecem escrutínio. A Nvidia tem interesse econômico em tornar modelos abertos mais fáceis de implantar quando essas implantações aumentam a demanda por computação da Nvidia.

Ela também tem interesse em saber para onde os desenvolvedores estão migrando. Uma plataforma de distribuição pode revelar quais arquiteturas, famílias de modelos, conjuntos de dados e aplicações atraem atenção.

Proteções de governança podem limitar como essas informações são usadas. Separação clara de produtos, políticas transparentes de classificação, ferramentas de exportação e suporte a aceleradores concorrentes ajudariam a preservar a confiança.

Os desenvolvedores devem avaliar essas práticas por meio de comportamentos observáveis. Promessas feitas quando uma aquisição é anunciada são úteis, mas a implementação determina se uma plataforma permanece neutra.

A Thinking Machines introduz suas próprias incertezas. Os termos de financiamento reportados não foram confirmados, e a diferença entre a avaliação reportada e o desempenho comercial divulgado parece substancial.

A empresa também depende de uma expansão de infraestrutura dispendiosa. Uma implantação em escala de gigawatts exige sistemas, instalações, energia, rede e demanda contínua de clientes pagantes.

O sucesso técnico não garante utilização eficiente. Clusters de treinamento podem operar abaixo da capacidade quando projetos atrasam, clientes postergam trabalhos ou o software não consegue agendar tarefas de forma eficaz.

O design de computação compartilhada do Tinker resolve parte desse problema. O serviço usa adaptação de baixo posto, um método que ajusta um conjunto menor de parâmetros do modelo em vez de retreinar cada peso.

Essa abordagem pode reduzir a computação necessária para personalização. Ela também pode permitir que várias tarefas de treinamento compartilhem a infraestrutura de forma mais eficiente.

No entanto, a eficiência cria outra tensão para a Nvidia. Se o fine-tuning se tornar mais barato, cada tarefa individual precisará de menos hardware. A Nvidia terá de depender de barreiras menores gerando um uso total muito maior.

A estratégia se assemelha a outros mercados de computação em que uma eficiência aprimorada expande a demanda ao tornar novas aplicações economicamente viáveis. Esse resultado é plausível, mas continua sendo uma previsão, e não um resultado verificado.

A segurança acrescenta outra complicação. Lançamentos de pesos abertos permitem que pesquisadores independentes examinem e aprimorem modelos, mas também podem reduzir a capacidade de um desenvolvedor de retirar um sistema perigoso.

A Thinking Machines defendeu avaliações em etapas e salvaguardas em torno de lançamentos abertos. A abordagem da empresa merece ser avaliada com base nas capacidades reais dos modelos, na documentação e no tratamento de incidentes.

Para usuários empresariais, a questão prática não é se modelos abertos ou fechados são universalmente melhores. É qual rota fornece o controle, a confiabilidade, a responsabilização e as opções de mudança necessários para uma carga de trabalho específica.

As equipes que comparam essas opções também precisam preservar seu próprio contexto fora de qualquer provedor individual de modelos. Uma base de conhecimento de IA bem mantida pode tornar os testes de modelos mais consistentes, porque o material de origem permanece sob o controle da equipe.

Essa independência operacional será mais importante se o acesso a modelos se consolidar em torno de algumas poucas empresas verticalmente integradas.

Três Sinais Testarão a Estratégia da Nvidia para a Thinking Machines

As próximas evidências devem vir de termos assinados, adoção mensurável e neutralidade crível da plataforma.

O primeiro sinal é um anúncio de financiamento concluído. Os leitores devem acompanhar o valor final, a contribuição da Nvidia, a base da avaliação, os direitos no conselho e quaisquer compromissos comerciais vinculados ao investimento.

Uma rodada próxima da faixa reportada de US$ 5 bilhões a US$ 6 bilhões fortaleceria o argumento de que a Nvidia está construindo uma ampla rede de capital e computação. Um fechamento muito menor enfraqueceria essa interpretação.

Os termos importam tanto quanto o tamanho. Um investimento minoritário comum tem implicações diferentes de acesso preferencial, obrigações de compra, cláusulas exclusivas de infraestrutura ou influência sobre decisões estratégicas.

O segundo sinal é o uso de Tinker e Inkling. A Thinking Machines precisa mostrar que desenvolvedores e empresas estão pagando repetidamente para personalizar e operar modelos, e não apenas testando infraestrutura subsidiada.

Indicadores úteis incluiriam retenção de clientes, consumo recorrente de computação, implantações em produção e avaliações independentes em tarefas especializadas. As alegações de receita devem, por fim, ser sustentadas por divulgações consistentes.

Uma adoção bem-sucedida validaria o foco do laboratório em personalização. Uma retenção fraca sugeriria que as empresas preferem APIs fechadas, modelos abertos autogerenciados ou plataformas gerenciadas concorrentes.

O terceiro sinal é a neutralidade da Hugging Face após a aquisição. Os desenvolvedores devem observar se a descoberta de modelos, as integrações, a documentação e os serviços hospedados continuam apoiando sistemas que não são da Nvidia em termos comparáveis.

A portabilidade dos repositórios fornecerá outro teste. Os usuários devem continuar podendo exportar modelos e conjuntos de dados sem enfrentar barreiras técnicas ou contratuais criadas para manter cargas de trabalho dentro do ambiente da Nvidia.

Um suporte visível a múltiplos aceleradores reforçaria a alegação da Nvidia de que está expandindo o ecossistema aberto. Um tratamento preferencial que direcione os usuários ao seu próprio hardware enfraqueceria essa alegação.

Esses sinais também esclarecerão a rivalidade entre Hugging Face e OpenAI. A OpenAI não precisa lançar os pesos de seus modelos líderes para que sua estratégia tenha sucesso, mas precisa manter os clientes que valorizam cada vez mais a portabilidade e a personalização.

A Thinking Machines enfrenta o desafio oposto. Ela precisa transformar o controle dos desenvolvedores em um negócio capaz de sustentar custos imensos de infraestrutura.

A Nvidia está posicionada para se beneficiar, independentemente de qual modelo de acesso prevaleça. Ela fornece infraestrutura para a OpenAI em escala extraordinária, ao mesmo tempo em que financia alternativas de pesos abertos e adquire seu mais importante canal de distribuição.

É por isso que o investimento reportado de US$ 2,5 bilhões não é uma notícia rotineira de capital de risco. Ele representa mais um passo no esforço da Nvidia para financiar a demanda, a infraestrutura e os canais de desenvolvedores em torno da IA moderna.

A questão decisiva é se essa rede amplia escolhas significativas ou apenas realoca o controle. Observe os termos de financiamento assinados, o uso real pelos clientes e o tratamento dado pela Hugging Face a sistemas concorrentes. Esses três testes revelarão se a Nvidia está apoiando um mercado aberto ou se, silenciosamente, está se tornando sua guardiã.