Carta da Nvidia sobre Pesos Abertos Expõe Divisão entre Anthropic e Google com Entrada da OpenAI

A Nvidia reuniu outras 24 organizações para defender a IA de pesos abertos, enquanto Anthropic e Google ficaram de fora da coalizão original. A divisão surgiu enquanto Washington considerava restrições a modelos chineses baixáveis. Ela contrapõe a posição de Anthropic e Google a uma indústria de infraestrutura que se beneficia quando clientes podem executar modelos onde quiserem.

A Nvidia publicou a carta de três páginas em 24 de julho de 2026. Microsoft, Meta, IBM, Dell Technologies, Palantir, Hugging Face e empresas de capital de risco integraram o grupo inicial. A coalizão pediu que formuladores de políticas evitassem restrições prematuras que pudessem reduzir a concorrência ou deslocar o desenvolvimento para o exterior.

Já há uma atualização importante. A OpenAI estava ausente quando a lista inicial de 25 empresas foi noticiada, mas seu nome agora aparece no documento hospedado pela Nvidia. O arquivo também contém signatários adicionais, embora não forneça um histórico de revisões visível que explique quando cada organização aderiu.

Essa mudança torna as ausências restantes mais reveladoras. Anthropic e Google não entraram na lista atual, enquanto a OpenAI agora apoia uma linguagem favorável a modelos baixáveis. A disputa política deixou de ser uma simples batalha entre fornecedores de modelos abertos e todos os grandes laboratórios de modelos fechados.

A divisão central diz respeito ao controle. Desenvolvedores de pesos abertos permitem que clientes baixem parâmetros treinados e operem modelos em infraestrutura privada. Provedores de modelos fechados geralmente retêm esses parâmetros e oferecem inteligência por meio de serviços gerenciados ou interfaces de programação.

Washington precisa decidir se o acesso aos pesos fortalece a concorrência americana ou cria riscos de segurança irreversíveis. A coalizão da Nvidia argumenta que restringir a tecnologia concentraria influência nas mãos de poucos provedores. Críticos respondem que modelos baixados podem perder salvaguardas e se tornar difíceis de monitorar.

A Coalizão Cresceu Após Sua Primeira Aparição Pública

O anúncio original de 25 empresas tornou-se um documento em evolução em poucas horas, enfraquecendo afirmações baseadas apenas em sua primeira lista de signatários.

O CEO da Nvidia, Jensen Huang, promoveu a carta em sua primeira publicação no X. A reportagem inicial sobre pesos abertos identificou 25 organizações e destacou três empresas ausentes: OpenAI, Anthropic e Google.

Os signatários iniciais representavam praticamente todas as camadas abaixo dos principais laboratórios de modelos fechados. A Nvidia fornece processadores e software de IA. A Dell vende servidores, enquanto a Microsoft opera infraestrutura de nuvem e distribui modelos por meio de diversos produtos.

IBM, ServiceNow, Box, Palantir e Replit desenvolvem aplicações empresariais ou ferramentas de desenvolvimento. CrowdStrike e outras empresas de segurança trabalham em sistemas defensivos. Andreessen Horowitz, Y Combinator e Emergence Capital financiam empresas que precisam de acesso acessível a modelos.

Meta, Mistral, Black Forest Labs, Arcee AI e Reflection trouxeram a perspectiva dos desenvolvedores de modelos. Essas empresas já distribuem pesos de modelos, portanto a carta apoia sua estratégia estabelecida de lançamento. Hugging Face e a Linux Foundation oferecem infraestrutura e governança em torno de software e modelos baixáveis.

A composição da coalizão é comercialmente coerente. Fabricantes de chips se beneficiam quando mais organizações operam seus próprios modelos. Fornecedores de servidores se beneficiam quando a inferência migra para data centers privados, nuvens regionais e sistemas locais.

Provedores de nuvem podem apoiar ambas as abordagens. Eles podem vender acesso gerenciado a modelos fechados enquanto alugam capacidade computacional para implantações de pesos abertos. A participação da Microsoft reflete essa posição flexível mais do que um compromisso exclusivo com uma única filosofia de modelos.

A atual carta da coalizão contém mais nomes do que a reportagem original. A OpenAI agora aparece ao lado de Cisco, Cohere, DoorDash, GitHub, Mozilla, Palo Alto Networks e outras adições.

No entanto, o PDF da Nvidia não exibe um registro de alterações. Ele não identifica quando a OpenAI assinou, se cada adição endossou linguagem idêntica ou se a versão original de 25 empresas permanece arquivada. Portanto, leitores devem tratar a ausência da OpenAI como um detalhe preciso do lançamento, não como sua posição atual.

Anthropic e Google continuam ausentes do documento atualizado. A Amazon também não aparece, apesar de seu grande negócio de nuvem e investimentos no desenvolvimento de modelos. Essas ausências importam, mas não provam automaticamente oposição a todas as afirmações da carta.

Uma empresa pode apoiar o acesso a modelos abertos sem endossar um documento político específico. Também pode distribuir modelos selecionados de pesos abertos enquanto mantém fechados seus sistemas mais capazes. As estratégias de lançamento frequentemente variam conforme a capacidade do modelo, o cliente e o risco identificado.

A OpenAI ilustra essa complexidade. A empresa construiu principalmente seu negócio em torno de modelos hospedados, mas também lançou sistemas de pesos abertos e realizou pesquisas de segurança sobre sua distribuição. Sua entrada tardia transforma a lista de signatários em evidência de um alinhamento em mudança, e não em um mapa permanente do setor.

A conclusão mais sólida é mais restrita. A Nvidia reuniu uma ampla coalizão comercial em torno do acesso a pesos abertos, e essa coalizão cresceu após a publicação. Anthropic e Google não haviam aderido até 25 de julho, permanecendo fora de uma declaração que agora inclui a OpenAI.

Por Que Washington Está Reconsiderando os Modelos de IA Chineses

A carta mira um debate de política interna, mas o desempenho de modelos chineses forneceu a pressão imediata.

O governo Trump estaria examinando restrições a modelos chineses avançados de IA após a Moonshot AI apresentar o Kimi K3. Uma investigação da Axios afirmou que autoridades estavam retomando esforços anteriores envolvendo DeepSeek e outros desenvolvedores chineses.

A preocupação combina cibersegurança, propriedade intelectual e política industrial. Modelos baixáveis podem ser copiados entre sistemas após o lançamento. Isso torna uma proibição convencional de serviço mais difícil de aplicar do que restrições a um site ou a uma interface de programação hospedada.

Autoridades do governo também se concentraram na destilação. Essa técnica de treinamento usa resultados de um modelo para melhorar outro, muitas vezes transferindo comportamentos sem copiar os pesos originais. Desenvolvedores de modelos fechados alegaram que alguns concorrentes estrangeiros extraíram capacidades por meio de grandes volumes de respostas geradas.

A carta da Nvidia evita mencionar China, DeepSeek, Moonshot, Anthropic ou Google. Ainda assim, seu timing a coloca diretamente dentro dessa disputa. Ela apareceu quatro dias após a reportagem sobre uma renovada proibição de modelos chineses e dois dias depois de Huang defender publicamente o acesso.

Huang argumentou que empresas americanas deveriam continuar livres para usar modelos chineses. Em sua defesa de modelos chineses, ele rejeitou alegações amplas de que sistemas chineses contêm inerentemente backdoors governamentais. Também alertou que depender de um único modelo cria um ponto concentrado de falha.

Essa posição atende à filosofia política e aos interesses comerciais da Nvidia. Modelos baixáveis geralmente exigem processadores, servidores, redes, software de implantação e suporte de terceiros. Um mercado diverso de modelos mantém a demanda distribuída pela camada computacional na qual a Nvidia exerce influência.

A Anthropic tem uma exposição diferente. Seus sistemas mais capazes são oferecidos como produtos gerenciados, e a empresa enfatiza implantação controlada e avaliações de segurança. Sistemas chineses de pesos abertos podem pressionar esse modelo ao oferecer a clientes maior controle e personalização mais fácil.

O Google ocupa ambos os lados. Ele opera Gemini como uma família de modelos gerenciados, fornece infraestrutura de nuvem e lançou sistemas menores baixáveis. Sua ausência da carta da Nvidia não pode ser reduzida a uma oposição aos pesos abertos.

O governo também enfrenta um problema de aplicação. Uma restrição pode impedir que agências federais ou empresas reguladas adotem modelos específicos. Ela não consegue recuperar de forma confiável pesos já baixados e redistribuídos em sistemas privados.

Restrições amplas poderiam, portanto, mudar mais o comportamento corporativo legítimo do que o comportamento de adversários determinados. Empresas americanas poderiam perder acesso a modelos eficientes, enquanto usuários no exterior continuariam a modificá-los. Esse desequilíbrio sustenta o argumento de competitividade da coalizão.

Ainda assim, a disponibilidade irrestrita traz seus próprios custos. Quando pesos capazes são lançados, o desenvolvedor original não pode retirar de forma confiável todas as cópias. Operadores podem remover controles de segurança, ocultar modificações ou implantar versões vulneráveis sem atualizações centrais.

Washington está, consequentemente, escolhendo entre controles imperfeitos. Pode regular empresas, infraestrutura computacional, compras governamentais, plataformas de distribuição ou capacidades de modelos. Uma categoria genérica como “modelo chinês de pesos abertos” não resolve qual risco cada controle aborda.

A carta incentiva formuladores de políticas a uma aplicação direcionada. Ela afirma que a extração ilegal de sistemas fechados deve ser tratada por mecanismos legais e comerciais. Rejeita tratar toda a técnica de destilação como apropriação indevida.

Essa distinção também importa para desenvolvedores americanos. A destilação de modelos é amplamente usada para avaliação, especialização e eficiência. Uma proibição ampla poderia restringir a pesquisa doméstica sem conseguir impedir atores que operam fora da jurisdição americana.

A disputa imediata diz respeito a modelos chineses, mas o precedente político iria além. Regras escritas em torno de Kimi ou DeepSeek poderiam posteriormente se aplicar a Meta, Mistral, OpenAI ou laboratórios americanos menores. Essa possibilidade explica por que empresas de infraestrutura entraram no debate antes de Washington publicar uma restrição final.

A Ausência de Anthropic e Google Revela uma Disputa por Controle

O conflito principal é entre inteligência controlada pelo provedor e implantação controlada pelo cliente, não entre empresas que simplesmente favorecem segurança ou abertura.

Pesos abertos são parâmetros de modelos treinados disponíveis para download. Eles permitem que uma organização inspecione, modifique, ajuste e execute um modelo sem enviar cada solicitação ao seu desenvolvedor original. Eles não incluem necessariamente dados de treinamento ou código-fonte completo.

Essa definição importa porque “IA de código aberto” pode implicar transparência mais ampla. Um modelo pode fornecer pesos sob uma licença permissiva enquanto retém seu conjunto de dados de treinamento. Outro modelo pode limitar determinados usos comerciais ou posteriores.

A coalizão da Nvidia concentra-se no controle operacional. Sua carta afirma que organizações devem escolher onde os modelos são executados, proteger seus dados e manter conhecimento especializado. Ela apresenta a portabilidade como uma defesa contra a dependência de um único provedor.

Para compradores empresariais, essa diferença se torna concreta durante a implantação. Um hospital pode querer manter cargas de trabalho sensíveis dentro de infraestrutura aprovada. Um fabricante pode precisar de inferência próxima a equipamentos onde a conectividade é inconsistente.

Uma empresa de software também pode querer ajustar um modelo menor com base em documentação interna. Manter esse sistema localmente pode simplificar alguns requisitos de controle de dados. Isso não resolve automaticamente problemas de precisão, segurança ou governança.

Serviços fechados oferecem uma proposta diferente. Seus provedores operam a infraestrutura, atualizam modelos, monitoram abusos e mantêm salvaguardas centralizadas. Os clientes abrem mão de parte do controle em troca de desempenho gerenciado e menos trabalho operacional.

A ausência da Anthropic está alinhada à sua ênfase estabelecida no acesso controlado a sistemas avançados. A empresa pode monitorar padrões de uso e alterar salvaguardas enquanto os modelos permanecem em seus servidores. Essas opções em grande parte desaparecem depois que os pesos circulam.

A posição do Google é mais mista. Seus modelos hospedados sustentam uma estratégia de plataforma gerenciada, mas seus lançamentos para download apoiam usos locais e personalizados. Ficar de fora da carta pode refletir cautela política, complexidade interna ou discordância em relação a uma linguagem específica.

Nenhuma declaração pública citada pela coalizão estabelece o motivo do Google. O mesmo se aplica à Anthropic. A não participação de ambas é um sinal relevante, mas atribuir uma motivação precisa ultrapassaria as evidências disponíveis.

A adesão da OpenAI complica alegações de um bloco unificado de laboratórios fechados. O nome da empresa agora aparece ao lado de companhias cujos negócios dependem fortemente de modelos disponíveis para download. Portanto, ela aceitou o argumento amplo da carta, mesmo operando grandes serviços fechados.

Os incentivos econômicos continuam visíveis. A Nvidia vende capacidade computacional para diferentes marcas de modelos. A Meta se beneficia quando modelos abertos enfraquecem a capacidade de rivais cobrarem pelo acesso escasso. A Hugging Face se beneficia quando desenvolvedores podem distribuir, adaptar e hospedar artefatos de modelos.

Anthropic e Google extraem valor da inteligência gerenciada, embora o Google também lucre com computação em nuvem. Seus modelos mais avançados ajudam a diferenciar seus serviços. Liberar pesos equivalentes enfraqueceria o controle sobre a distribuição e as salvaguardas.

Isso não torna o argumento da coalizão insincero. Interesses comerciais frequentemente moldam quais riscos uma empresa percebe primeiro. A Nvidia vê concentração e implantação restrita, enquanto um laboratório de fronteira vê remoção de salvaguardas e roubo de capacidades.

O desafio de política pública é separar esses interesses de alegações testáveis. O download de pesos melhora materialmente a concorrência para empresas menores? O controle local reduz a exposição à privacidade em implantações reais?

Por outro lado, quanto risco cibernético ou biológico adicional decorre do lançamento de um modelo específico? Avaliações de capacidade conseguem identificar esse limiar antes da distribuição? Essas questões exigem evidências além do número de logotipos em uma carta.

A análise de abertura da OECD trata a abertura dos modelos como um espectro, com benefícios e riscos. Esse enquadramento é mais útil do que rotular uma abordagem de lançamento como inerentemente responsável.

Para trabalhadores do conhecimento, a mesma questão de controle aparece nas ferramentas do dia a dia. Assistentes hospedados processam informações por meio de sistemas gerenciados pelo provedor, enquanto sistemas locais podem manter materiais selecionados mais próximos do usuário. Uma base de conhecimento pessoal ainda exige permissões cuidadosas, recuperação confiável e limites claros para os dados.

A divisão entre Anthropic e Google, portanto, vai além de Washington. Ela influencia como compradores avaliam dependência de fornecedores, localização de dados, personalização e portabilidade de longo prazo. A política vencedora moldará quais dessas escolhas continuarão práticas.

Pesos Abertos Trocam Dependência por Risco Irreversível

Modelos de pesos abertos reduzem a dependência de provedores centrais, mas sua liberdade mais valiosa também torna suas salvaguardas difíceis de aplicar.

A coalizão reconhece esse problema diretamente. Depois que os pesos são liberados, o desenvolvedor original perde o controle sobre as cópias. Versões modificadas podem se tornar difíceis de rastrear, e um lançamento defeituoso não pode ser totalmente revogado.

Essa admissão dá à carta mais credibilidade do que uma simples declaração de lobby. Ela não afirma que a abertura elimina o perigo. Em vez disso, argumenta que o acesso distribuído ajuda defensores a inspecionar modelos, identificar fragilidades e desenvolver proteções.

Equipes de segurança podem usar modelos disponíveis para download para simular ataques sem expor dados sensíveis a um serviço externo. Pesquisadores podem reproduzir avaliações e investigar comportamentos suspeitos. Organizações menores podem adaptar modelos para tarefas defensivas especializadas.

O mesmo acesso também ajuda atacantes. Eles podem remover mecanismos de recusa, ajustar modelos para objetivos prejudiciais ou combinar capacidades com conjuntos de dados privados. Políticas de uso centralizadas não conseguem bloquear essas modificações após a distribuição.

Modelos fechados também não eliminam abusos. Atacantes podem sondar serviços hospedados, roubar credenciais, explorar aplicações ou encontrar prompts que contornem proteções. Sistemas centralizados também podem criar alvos atraentes com efeitos disseminados em toda a cadeia.

A troca envolve risco marginal, isto é, o perigo adicional criado pela distribuição dos pesos em vez da oferta de capacidade equivalente por meio de um serviço. Esse risco varia conforme a capacidade do modelo, as alternativas disponíveis, os custos de implantação e as salvaguardas existentes.

Um modelo altamente capaz disponível para download cria um problema diferente de um sistema compacto voltado à classificação rotineira. Políticas baseadas apenas no formato de lançamento deixam de captar essas diferenças. Avaliações baseadas em capacidade oferecem um ponto de partida mais preciso, embora as medições continuem incompletas.

O próprio estudo de avaliação de risco da OpenAI demonstra por que sua assinatura posterior é plausível. A empresa avaliou se o ajuste malicioso poderia levar um lançamento de pesos abertos a capacidades perigosas. Ela usou essas conclusões em sua decisão de lançamento.

Essa abordagem não apoia nem a publicação automática nem a proibição automática. Ela trata cada modelo como um problema de evidências. Desenvolvedores estimam possíveis usos indevidos, testam salvaguardas e comparam o lançamento com sistemas já disponíveis.

A carta da Nvidia vai além ao argumentar que a abertura pode melhorar a segurança. Pesquisadores independentes podem examinar comportamentos que um provedor fechado talvez não perceba. Múltiplas equipes defensivas também podem testar modelos sem esperar autorização.

No entanto, transparência não garante correção. Uma vulnerabilidade descoberta em um modelo aberto pode persistir em cópias antigas. Operadores posteriores podem ignorar atualizações, ocultar mudanças ou não ter a especialização necessária para aplicar mitigações.

O argumento de segurança da coalizão é, portanto, condicional. O acesso aberto favorece uma inspeção mais ampla apenas quando instituições financiam avaliações, publicam conclusões e mantêm práticas de implantação. A disponibilidade, por si só, não cria uma comunidade de segurança eficaz.

Suas recomendações de política reconhecem parte dessa exigência. A carta pede conjuntos de dados compartilhados, estruturas de avaliação e acesso ampliado à computação para pesquisadores e startups. Esses recursos poderiam tornar os testes independentes mais confiáveis.

O documento fornece menos detalhes sobre responsabilidade civil, comunicação de incidentes ou responsabilidade por versões modificadas. Não especifica limiares de capacidade que deveriam adiar um lançamento. Também não explica como reguladores deveriam abordar modelos originados fora da jurisdição americana.

Essas omissões importam porque o debate sobre modelos chineses não é puramente doméstico. Padrões americanos de lançamento não podem vincular todos os desenvolvedores. Regras nacionais restritivas podem reduzir a abertura interna sem impedir que pesos estrangeiros comparáveis apareçam online.

Uma estrutura útil distinguiria a origem do modelo, a capacidade medida, a implantação pretendida e o acesso efetivo. Regras de compras governamentais podem exigir cadeias de fornecimento verificadas. Infraestrutura crítica poderia enfrentar testes mais rigorosos do que a experimentação de consumidores.

Plataformas de distribuição também podem fornecer cartões de modelo, somas de verificação, avisos de segurança e registros de procedência. Essas medidas não restaurariam o controle central, mas poderiam ajudar operadores responsáveis a identificar versões aprovadas. Provedores de hardware poderiam apoiar o monitoramento sem inspecionar dados privados dos clientes.

Nenhuma dessas opções cria fiscalização perfeita. Em vez disso, elas distribuem a responsabilidade entre desenvolvedores, hosts, implantadores e usuários. Essa abordagem em camadas corresponde melhor ao caráter distribuído dos sistemas de pesos abertos do que uma única proibição nacional.

A leitura cética da campanha da Nvidia continua válida. Seus membros lucram quando modelos abertos aumentam a demanda por hardware e serviços de implantação. As alegações de segurança da carta devem, portanto, ser testadas, e não aceitas apenas porque empresas respeitadas a assinaram.

A leitura cética dos provedores fechados é igualmente necessária. Restrições a rivais disponíveis para download podem proteger a receita de serviços gerenciados e fortalecer a concentração de mercado existente. Argumentos de segurança não devem se tornar um escudo automático contra a concorrência.

Washington precisa de padrões que resistam a ambas as formas de interesse próprio. Isso significa testar capacidades, documentar incidentes e direcionar-se a danos identificáveis. Também significa preservar a pesquisa legítima e a implantação empresarial onde os riscos permanecerem administráveis.

Três Sinais Mostrarão Qual Lado Está Vencendo

A próxima etapa será decidida pela linguagem regulatória, por mudanças entre os signatários e pela adoção empresarial mensurada, e não por outra rodada de declarações públicas.

O primeiro sinal é como Washington tratará os modelos chineses. Autoridades podem buscar uma proibição ampla, limites direcionados em compras públicas, sanções contra desenvolvedores nomeados ou regras baseadas em capacidade. Cada opção criaria um precedente diferente para lançamentos americanos de pesos abertos.

Uma restrição ampla baseada na origem nacional reforçaria o alerta da Nvidia sobre o acesso fragmentado. Ela poderia levar empresas multinacionais a adotarem pilhas de modelos separadas para mercados diferentes. Também testaria se pesos disponíveis para download podem ser efetivamente contidos após a publicação.

Regras direcionadas de compras públicas produziriam um resultado mais restrito. Agências federais e contratadas críticas poderiam enfrentar controles de cadeia de fornecimento, enquanto pesquisadores e empresas comuns manteriam o acesso. Esse resultado enfraqueceria alegações de que todos os pesos abertos enfrentam restrição imediata.

Regras baseadas em capacidade deslocariam a atenção para as avaliações. Reguladores precisariam de limiares para cibersegurança, assistência biológica, ação autônoma ou outros riscos identificados. A credibilidade dessas regras dependeria de testes repetíveis e fiscalização transparente.

O segundo sinal é se Anthropic ou Google mudarão sua posição pública. Aderir à carta ampliaria a coalizão entre diferentes estratégias de lançamento. Publicar uma proposta concorrente esclareceria onde cada empresa acredita que a estrutura da Nvidia falha.

O silêncio continuaria ambíguo. Nenhuma das empresas precisa assinar o documento de outra para apoiar políticas selecionadas de modelos abertos. Uma manifestação direta de política, estrutura de segurança ou depoimento ofereceria evidência mais forte do que um logotipo ausente.

A adesão da OpenAI também merece verificação. A Nvidia deveria publicar um registro de revisões datado ou versões arquivadas da carta. Isso permitiria aos leitores distinguir a coalizão original de endossos posteriores e evitar reportagens desatualizadas.

O terceiro sinal é a adoção empresarial de modelos de pesos abertos. Downloads, por si só, não comprovam uso sustentado. Evidências mais úteis incluem implantações em produção, compromissos de infraestrutura, incidentes de segurança e organizações alternando entre sistemas hospedados e autogerenciados.

Se empresas adotarem modelos abertos para cargas de trabalho sensíveis ou especializadas sem aumento nas taxas de incidentes, o argumento da coalizão sobre controle se fortalece. Se a remoção de salvaguardas ou derivados vulneráveis causarem danos repetidos, o argumento por condições de lançamento mais rígidas se fortalece.

A qualidade do modelo moldará essa adoção. Compradores raramente escolhem a abertura como um princípio abstrato. Eles comparam precisão, latência, complexidade operacional, requisitos de dados, especialização disponível e o custo de manter a infraestrutura.

Os desenvolvedores chineses acrescentam outra variável. Um modelo com bom desempenho e que permita implantação local pode atrair usuários americanos apesar das preocupações políticas. Um lançamento mais fraco não criará a mesma urgência regulatória, independentemente de sua origem.

Os desenvolvedores devem acompanhar as licenças dos modelos tão cuidadosamente quanto os benchmarks. O acesso aos pesos nem sempre permite todo tipo de uso comercial ou método de redistribuição. Uma implantação que ignore as condições da licença pode gerar exposição jurídica além do risco técnico.

Compradores corporativos também devem evitar tratar a hospedagem própria como independência automática. Operar um modelo exige processadores, software de orquestração, monitoramento, atualizações e equipes especializadas. Essa pilha pode substituir uma forma de dependência de fornecedor por várias outras.

Serviços fechados mantêm vantagens claras para equipes que precisam de implantação rápida e operações gerenciadas. Pesos abertos se tornam mais atraentes quando personalização, localização dos dados, latência ou portabilidade superam essa conveniência. A maioria das grandes organizações provavelmente usará as duas abordagens.

Esse resultado híbrido sustentaria a afirmação da carta de que o mundo precisa de modelos de fronteira fechados e abertos. Ele não resolveria quais modelos deveriam poder ser baixados. A difícil questão de política começa quando a capacidade alcança um nível com potencial crível de dano irreversível.

A manchete original apresentou OpenAI, Anthropic e Google como um bloco ausente. Em um dia, esse enquadramento já havia mudado porque OpenAI apareceu no documento hospedado. A ausência restante de Anthropic e Google agora tem mais peso, mas há menos certeza sobre uma posição unificada em favor de modelos fechados.

Os leitores devem resistir à tentação de transformar a lista de signatários em um placar moral. As empresas defendem diferentes combinações de receita, segurança, controle do cliente e influência estratégica. Esses incentivos podem gerar argumentos úteis sem torná-los neutros.

O melhor teste é prático. Uma regra proposta aborda um risco mensurado ou limita principalmente um modelo de distribuição concorrente? Um lançamento aberto oferece benefício suficiente para justificar o controle que seu desenvolvedor abre mão permanentemente?

Nos próximos três meses, acompanhe o alvo regulatório exato, qualquer contraproposta de Anthropic ou Google e a adoção em produção verificada. Esses sinais mostrarão se a Nvidia construiu uma coalizão política duradoura ou capturou apenas um momento de rápida evolução.

O debate deve permanecer aberto às evidências de ambos os lados. Desenvolvedores e compradores corporativos podem ajudar exigindo documentos de política datados, avaliações reproduzíveis e termos de implantação claros. A divisão entre Anthropic e Google importa, mas as regras criadas em torno dela importarão por muito mais tempo.