The Fight for AI Market Dominance | CNBC Marathon

China's latest AI breakthrough has leapfrogged the world. What took Google and OpenAI years and hundreds of millions of dollars to build, DeepSeek says, took it just two months and less than $6 million. They have the best open-source model, and all the American developers are building on that. Google and Character AI; three of the biggest tech companies swallowing three of the biggest startups in the AI world without actually acquiring them—a playbook that Microsoft pioneered.

In March, it inked an unusual deal with Inflection, a prominent AI startup with a chatbot to rival ChatGPT's. In June, Amazon and Adept: AI struck a deal. Amazon reportedly paid at least $330 million to license Adept Technology, with a $100 million retention bonus to employees who jumped ship. Bipedal humanoid robots using semantic intelligence; it's able to interpret commands from people and then make its own decisions about how to act. Robots like this one are catching the attention and billions of investment dollars from big tech companies like Amazon, Google, Nvidia, and Microsoft. Elon Musk is betting the future of Tesla on these machines.

China's latest AI breakthrough has leapfrogged the world. I think we should take the development out of China very, very seriously. A game-changing move that does not come from OpenAI, Google, or Meta. There is a new model that has all of the Valley buzzing, but from a Chinese lab called DeepSeek. It's opened a lot of eyes as to what is actually happening in AI in China. What took Google and OpenAI years and hundreds of millions of dollars to build, DeepSeek says, took it just two months and less than $6 million. They have the best open-source model, and all the American developers are building on that.

I'm Deirdre Bosa with the Tech Check Take: China's AI Breakthrough. It was a technological leap that shocked Silicon Valley. A newly unveiled free, open-source AI model that beat some of the most powerful ones on the market. But it wasn't a new launch from OpenAI or model announcement from Anthropic. This one was built in the East, by a Chinese research lab called DeepSeek, and the details behind its development stunned top AI researchers here in the U.S.

First, the cost: the AI lab reportedly spent just $5.6 million to build DeepSeek version 3. Compare that to OpenAI, which is spending $5 billion a year, and Google, which expects capital expenditures in 2024 to soar to over $50 billion. And then there's Microsoft, that shelled out more than $13 billion dollars just to invest in OpenAI. But even more stunning is how DeepSeek's scrappier model was able to outperform the lavishly funded American ones. To see the DeepSeek new model: it's super impressive in terms of both how they have really effectively done an open-source model that does what is this inference time compute. And it's super compute efficient. It beat Meta's Llama, OpenAI's GPT-4, and Anthropic's Claude Sonnet 3.5 on accuracy on wide-ranging tests: a subset of 500 math problems, an AI math evaluation, coding competitions, and a test of spotting and fixing bugs in code. Quickly following that up with a new reasoning model called R1, which just as easily outperformed OpenAI's cutting-edge, o1, in some of those third-party tests.

Today we released Humanity's Last Exam, which is a new evaluation or benchmark of AI models that we produced by getting, you know, math, physics, biology, chemistry professors to provide the hardest questions they could possibly imagine. DeepSeek, which is the leading Chinese AI lab, their model is actually the top-performing, or roughly on par with the best American models. They accomplished all that despite the strict semiconductor restrictions that the U.S. government has imposed on China, which has essentially shackled them out of computing power. Washington has drawn a hard line against China in the AI race, cutting the country off from receiving America's most powerful chips, like Nvidia's H100 GPUs. Those were once thought to be essential to building a competitive AI model, with startups and big tech firms alike scrambling to get their hands on any available. But DeepSeek turned that on its head, sidestepping the rules by using Nvidia's less performant H-800s to build the latest model and showing that the chip export controls were not the chokehold DC intended. They were able to take whatever hardware they were trained on, but use it way more efficiently.

But just who's behind DeepSeek anyway? Despite its breakthrough, very, very little is known about its lab and its founder, Liang Wenfeng. According to Chinese media reports, DeepSeek was born out of a Chinese hedge fund called High Flyer Quant, that manages about $8 billion in assets. The mission on its developer site it reads simply: "unravel the mystery of AGI with curiosity. Answer the essential question with long-termism." The leading American AI startups, meanwhile, OpenAI and Anthropic, they have detailed charters and constitutions that lay out their principles and their founding missions, like these sections on AI safety and responsibility. Despite several attempts to reach someone at DeepSeek, we never got a response. How did they actually assemble this talent? Assemble all the hardware? How did they assemble the data to do all this? We don't know. And it's never been publicized, and hopefully we can learn that. But the mystery brings into sharp relief just how urgent and complex the AI face-off against China has become. Because it's not just DeepSeek. Other, more well-known Chinese AI models have carved out positions in the race with limited resources as well.

Kai Fu Lee, he's one of the leading AI researchers in China, formerly leading Google's operations there. Now his startup "Zero One Dot AI," it's attracting attention, becoming a unicorn just eight months after founding and bringing in almost $14 million in revenue in 2024. The thing that shocks my friends in Silicon Valley is not just our performance, but that we trained the model with only $3 million, and GPT-4 was trained by $80 to $100 million. Trained with just $3 million dollars. Alibaba's Qwen, meanwhile, cut costs by as much as 85% on its large language models in a bid to attract more developers and signaling that the race is on. China's breakthrough undermines the lead that our AI labs were once thought to have.

In early 2024, former Google CEO Eric Schmidt predicted China was 2 to 3 years behind the U.S. in AI. But now, Schmidt is singing a different tune. Here he is on ABC's "This Week": "I used to think we were a couple of years ahead of China, but China has caught up in the last six months in a way that is remarkable. The fact of the matter is that a couple of the Chinese programs, one, for example, is called DeepSeek, looks like they've caught up. It raises major questions about just how wide open AI's moat really is."

Back when OpenAI released ChatGPT to the world in November of 2022, it was unprecedented and uncontested. Now, the company faces not only the international competition from Chinese models, but fierce domestic competition from Google's Gemini, Anthropic's Claude, and Meta's open-source Llama Model. And now the game has changed. The widespread availability of powerful open-source models allows developers to skip the demanding, capital-intensive steps of building and training models themselves. Now they can build on top of existing models, making it significantly easier to jump to the frontier, that is the front of the race, with a smaller budget and a smaller team. In the last two weeks, AI research teams have really opened their eyes and have become way more ambitious on what's possible with a lot less capital. So previously, you know, to get to the frontier, you would have to think about hundreds of millions of dollars of investment and perhaps $1 billion of investment. What DeepSeek has now done here in Silicon Valley is it's opened our eyes to what you can actually accomplish with 10, 15, 20, $30 million dollars. It also means any company like OpenAI that claims the frontier today could lose it tomorrow. That's how DeepSeek was able to catch up so quickly. It started building on the existing frontier of AI, its approach focusing on iterating on existing technology rather than reinventing the wheel. They can take a really good big model and use a process called distillation. And what distillation is, is basically you use a very large model to help your small model get smart at the thing that you want it to get smart at, and that's actually very cost-efficient. It closed the gap by using available data sets, applying innovative tweaks, and leveraging existing models.

So much so that DeepSeek's model has run into an identity crisis. It's convinced that it's ChatGPT when you ask it directly, "what model are you?" DeepSeek responds, "I'm an AI language model created by OpenAI, specifically based on the GPT-4 architecture." Leading OpenAI CEO Sam Altman to post in a thinly veiled shot at DeepSeek just days after the model was released: "It's relatively easy to copy something that, you know, works. It's extremely hard to do something new, risky, and difficult when you don't know if it will work." But that's not exactly what DeepSeek did. It emulated GPT by leveraging OpenAI's existing outputs and architecture principles while quietly introducing its own enhancements, really blurring the line between itself and ChatGPT. It all puts pressure on a closed-source leader like OpenAI to justify its costlier model as more potentially nimbler competitors emerge. Everybody copies everybody in this field. You can say Google did the transformer first. It's not. OpenAI and OpenAI just copied it. Google built the first large language models. They didn't productize it, but OpenAI did it into a productized way. So you can say all this in many ways. It doesn't matter. So if everyone is copying one another, it raises the question, is massive spend on individual LLMs even a good investment anymore?

Now, no one has as much at stake as OpenAI. The startup raised over $6 billion in its last funding round alone, but the company has yet to turn a profit, and with its core business centered on building the models, it's much more exposed than companies like Google and Amazon, who have cloud and ad businesses bankrolling their spend. For OpenAI, reasoning will be key, a model that thinks before it generates a response. Going beyond pattern recognition to analyze, draw logical conclusions, and solve really complex problems. For now, the startup's o1 reasoning model is still cutting-edge, but for how long? Researchers at Berkeley showed that they could build a reasoning model for $450 just last week. So you can actually create these models that do thinking for much, much less. You don't need those huge amounts of to pre-train the models, so I think the game is shifting. It means that staying on top may require as much creativity as capital. DeepSeek's breakthrough also comes at a very tricky time for the AI darling. Just as OpenAI is moving to a for-profit model and facing unprecedented brain drain. Can it raise more money at ever higher valuations if the game is changing? As Chamath Palihapitiya puts it... "Let me say the quiet part out loud: AI model building is a money trap."

Those chip restrictions from the U.S. government, they were intended to slow down the race to keep American tech on American ground, to stay ahead in the race. "What we want to do is we want to keep it in this country. China is a competitor and others are competitors." So instead, the restrictions might have been just what China needed. Necessity is the mother of invention. Because they had to go figure out workarounds, they actually ended up building something a lot more efficient. It's really remarkable the amount of progress they've made with as little capital as it's taken them to make that progress. It drove them to get creative, with huge implications. DeepSeek is an open-source model, meaning that developers have full access and they can customize its weights or fine-tune it to their liking. It's known that once open source is caught up or improved over closed-source software, all developers migrate to that. But key is that it's also inexpensive. The lower the cost, the more attractive it is for developers to adopt. The bottom line is our inference cost is $0.10 per million tokens, and that's 1/30th of what the typical comparable model charges. And where's it going? It's while the 10 cents would lead to building apps for much lower costs. So if you wanted to build a u.com or Perplexity or some other app, you can either pay OpenAI $4.40 per million tokens, or if you have our model, it costs you just $0.10. It could mean that the prevailing model in global AI may be open source. As organizations and nations come around to the idea that collaboration and decentralization, those things can drive innovation faster and more efficiently than proprietary closed ecosystems. A cheaper, more efficient, widely adopted open-source model from China that could lead to a major shift in dynamics. That's more dangerous because then they get to own the mindshare, the ecosystem. In other words, the adoption of a Chinese open-source model at scale that could undermine U.S. leadership while embedding China more deeply into the fabric of global tech infrastructure.

There's always a good point where open source can stop being open source, too. Right, so the licenses are very favorable today, but—it close it. —Exactly, over time, they can always change the license. So it's important that we actually have people here in America building. And that's why Meta is so important. Another consequence of China's AI breakthrough is giving its Communist Party control of the narrative. AI models built in China; they're forced to adhere to a certain set of rules set by the state. They must embody "core socialist values." Studies have shown that models created by Tencent and Alibaba will censor historical events like Tiananmen Square, deny human rights abuse, and filter criticism of Chinese political leaders. That contest is about whether we're going to have democratic AI informed by democratic values, built to serve democratic purposes, or we're going to end up with autocratic AI. If developers really begin to adopt these models en masse because they're more efficient, that could have a serious ripple effect, trickle down to even consumer-facing AI applications and influence how trustworthy those AI-generated responses from chatbots really are.

There's really only two countries right now in the world that can build this at scale, you know, and that is the U.S. and China, and so, you know, the consequences of the stakes in and around this are just enormous. Enormous stakes, enormous consequences and hanging in the balance: America's lead. For a topic so complex and new, we turn to an expert who's actually building in the space, and model agnostic. Perplexity co-founder and CEO Arvind Srinivas, who you heard from throughout our piece. He sat down with me for more than 30 minutes to discuss DeepSeek and its implications, as well as Perplexitie's roadmap. We think it's worth listening to that whole conversation, so here it is.

So first I want to know what the stakes are. What, like, describe the AI race between China and the U.S., and what's at stake? Okay, so first of all, China has a lot of disadvantages in competing with the U.S. Number one is the fact that they don't get access to all the hardware that we have access to here. So they're kind of working with lower-end GPUs than us. It's almost like working with the previous generation GPUs scrappily. So, and the fact that the bigger models tend to be more smarter, naturally puts them at a disadvantage. But the flip side of this is that necessity is the mother of invention. Because they had to go figure out workarounds, they actually ended up building something a lot more efficient. It's like saying, hey, look, you guys really got to get a top-notch model, and I'm not going to give you resources, and then figure out something, right? Unless it's impossible, unless it's mathematically possible to prove that it's impossible to do so, you can always try to come up with something more efficient, but that is likely to make them come up with a more efficient solution than America. And of course, they have open-sourced it, so we can still adopt something like that here. But that kind of talent they're building to do that will become an edge for them over time, right? The leading open-source model in America's Meta's Llama family. It's really good. It's kind of like a model that you can run on your computer. But even though it got pretty close to GPT-4, and, at the time of its release, the model that was closest in quality was the giant 405B, not the 70B that you could run on your computer. And so there was still not a small, cheap, fast-fashion open-source model that rivaled the most powerful closed models from OpenAI and Anthropic. Nothing from America, nothing from Mistral AI either. And then these guys just come out with like a crazy model that's like 10x cheaper and API pricing than GPT-4 and 15x cheaper than Sonnet, I believe. Really fast, 60 tokens per second, and pretty much equal or better in some benchmarks and worse in some others. But like roughly in that ballpark of GPT-4's quality. And they did it all with like approximately just 20, 48, 800 GPUs, which is actually equivalent to like somewhere around 1,500 or 1,000–1,500 H100 GPUs. That's like 20 to 30x lower than the amount of GPUs that GPT-4 is usually trained on, and roughly $5 million in total compute budget. They did it with so little money and such an amazing model, gave it away for free, wrote a technical paper, and definitely it makes us all question like, "okay, like if we have the equivalent of Doge for like model training, this is an example of that, right?" Right? Yeah. Efficiency is what you're getting at, so fraction of the price, fraction of the time. Yeah. Dumbed-down GPUs essentially.

What was your surprise when you understood what they had done? So my surprise was that when I actually went through the technical paper, the amount of clever solutions they came up with, first of all, they trained a mixture of experts model. It's not that easy to train. There's a lot of, like, the main reason people find it difficult to catch up with OpenAI, especially on the MoE architecture, is that there's a lot of irregular loss spikes. The numerics are not stable so often, like, you got to restart the training checkpoint again, and a lot of infrastructure needs to be built for that. And they came up with very clever solutions to balance that without adding additional hacks. And they also figured out floating point-8 bit training, at least for some of the numerics. And they cleverly figured out which has to be in higher precision, lower precision. And to my knowledge, I think floating point training is not that well understood. I think most of the training in America is still running in FP16. Maybe OpenAI and some of the people are trying to explore that, but it's pretty difficult to get it right. So because necessity is the mother of invention, because they don't have that much memory, that many GPUs. They figured out a lot of numerical stability stuff that makes their training work. And they claimed in the paper that for the majority of the training was stable, which means what? They can always rerun those training runs again and, on more data or better data. And then it only trained for 60 days. So that's pretty amazing. Safe to say you are surprised. So I was definitely surprised. Usually the wisdom or, like I wouldn't say, wisdom, the myth, is that Chinese are just good at copying. So we start stop writing research papers in America. If we stop describing the details of our infrastructure or architecture and stop open-sourcing, they're not going to be able to catch up. But the reality is, some of the details in DeepSeek v3 are so good that I wouldn't be surprised if Meta took a look at it and incorporated some of that in Llama Four—tried to copy them. Right? I wouldn't necessarily say copy. It's all like, you know, sharing science, engineering. But the point is like it's changing. Like it's not like China is just copycat. They're also innovating. We don't know exactly the data that it was trained on, right? Even though it's open source, we know some of the ways and things that it was trained on, but not everything. And there's this idea that it was trained on public ChatGPT outputs, which would mean it just was copied. But you're saying it goes beyond that? There's real innovation. Yeah, look, I mean this they've trained it on 14.8 trillion tokens. The internet has so much ChatGPT. If you actually go to any LinkedIn post or X post now, most of the comments are written by AI. You can just see it like people are just trying to write. In fact, even within X there's like a Grok tweet enhancer, or in LinkedIn there's an AI enhancer or in Google Docs and Word. There are AI tools to like rewrite your stuff. So if you do something there and copy-paste it somewhere on the internet, it's naturally going to have some elements of a ChatGPT-like training, right? And there's a lot of people who don't even bother to strip away that "I am a language model"—right?—part. So they just paste it somewhere and like it's very difficult to control for this. I think xAI has spoken about this too, so I wouldn't like disregard their technical accomplishment just because like for some prompts like who are you? Or like which model are you? In response to that? It doesn't even matter in my opinion. For a long time we thought, I don't know if he agreed with us, China was behind in...

IA. O que isso faz para aquela raça? Podemos dizer que a China está se aproximando ou já se aproximou? Quero dizer, se dissermos que o Meta está se aproximando do OpenAI e do Anthropic, se você fizer essa afirmação, então a mesma afirmação pode ser feita para a China se aproximando da América. Muitos artigos da China que tentaram replicar o o1, na verdade, vi mais artigos da China após o anúncio do o1 que tentaram replicá-lo do que da América. Tipo, e a quantidade de computação à qual o DeepSeek tem acesso é aproximadamente semelhante à qual os alunos de doutorado nos EUA têm acesso. A propósito, isso não é para, tipo, criticar os outros. Tipo, mesmo para nós mesmos, tipo, sabe, eu, para Perplexity. Decidimos não treinar modelos porque achamos que é algo muito caro. Sim. E pensamos, tipo, não há como acompanhar os outros. Mas você vai incorporar o DeepSeek na Perplexity? Oh, nós já estamos começando a usá-lo. Acho que eles têm uma API, e nós também, eles têm pesos de código aberto, então podemos hospedá-lo nós mesmos também. E é bom, tipo, tentar começar a usar isso porque, na verdade, permite que façamos muitas coisas a um custo menor. Mas o que estou pensando é além disso, que é tipo, ok, se esses caras realmente pudessem treinar um modelo tão bom conosco, sabe, uma boa equipe, tipo, e não há mais desculpas para empresas nos EUA, incluindo nós mesmos, para, tipo, não tentar fazer algo assim. Você ouve muito em público de muitos, sabe, líderes de pensamento em IA generativa, tanto do lado da pesquisa quanto do lado empreendedor, como Elon Musk e outros dizem que a China não pode alcançar. Tipo, as apostas são muito grandes. As apostas geopolíticas, quem dominar a IA vai dominar a economia, dominar o mundo. Sabe, tem sido falado nesses termos massivos. Você está preocupado com o que a China provou ser capaz de fazer? Em primeiro lugar, eu não sei se Elon já disse que a China não pode alcançar. Eu não estou ciente. Apenas a ameaça da China. Ele só identificou deixar a China, e você sabe, Sam Altman disse coisas semelhantes. Não podemos deixar a China vencer a corrida. Sabe, acho que você tem que separar o que alguém como Sam diz do que é do seu próprio interesse. Certo? Olha, acho que meu ponto é, tipo, seja lá o que você fez para não deixá-los alcançar, nem importou. Eles acabaram alcançando de qualquer maneira. A necessidade é a mãe da invenção. –Exatamente–Como você disse. E você, na verdade, sabe o que é mais perigoso do que tentar fazer todas as coisas para, tipo, não deixá-los alcançar e, tipo, sabe, todas essas coisas são o que é mais perigoso é que eles têm o melhor modelo de código aberto, e todos os desenvolvedores americanos estão construindo sobre isso. Certo. Isso é mais perigoso. Porque então, eles conseguem possuir a participação de mercado, o ecossistema. Se todo o ecossistema de IA americano, olha, em geral, é sabido que, uma vez que o código aberto é alcançado ou melhorado em relação ao software de código fechado, todos os desenvolvedores migram para ele. É historicamente conhecido, certo? Quando o Llama estava sendo construído e se tornando mais amplamente usado, havia essa questão de deveríamos confiar em Zuckerberg? Mas agora a questão é: devemos confiar na China? Isso é muito – você deve confiar em código aberto. Essa é a, tipo, não importa quem seja Zuckerberg ou seja? Importa então se é chinês, se é de código aberto? Olha, não importa no sentido de que você ainda tem controle total. Você executa como seu próprio conjunto de pesos em seu próprio computador. Você está no comando do modelo. Mas, não é uma boa aparência para nosso próprio talento, tipo, sabe, depender de software construído por outros, mesmo que seja de código aberto. Sempre há um ponto em que o código aberto pode parar de ser código aberto também, certo? Então as licenças são muito favoráveis hoje. Mas se você fechá-lo. Exatamente, com o tempo, eles sempre podem mudar a licença. Portanto, é importante que realmente tenhamos pessoas aqui na América construindo. E é por isso que o Meta é tão importante. Tipo, eu ainda acho que o Meta construirá um modelo melhor que o DeepSeek v3 e o abrirá, e o que eles chamam de Llama 4 ou 3 ponto alguma coisa, não importa. Mas acho que o que é mais importante é que não tentamos, ah, focar toda nossa energia em banir e pará-los e apenas tentar superar e vencê-los. Isso é apenas o jeito americano de fazer as coisas. Apenas seja melhor. E parece que há, você sabe, ouvimos muito mais sobre essas empresas chinesas que estão se desenvolvendo de forma semelhante, muito mais eficiente, muito mais custo-efetiva, certo? Sim. Novamente, tipo, olha, é difícil falsificar a escassez, certo? Se você arrecadar US$ 10 bilhões e seu desejo de gastar 80% em um cluster de computação, é difícil você chegar à mesma solução que alguém com US$ 5 milhões faria. E não há ponto, não há necessidade de, tipo, repreender aqueles que estão colocando mais dinheiro. Eles estão tentando fazer isso o mais rápido que podem. Quando dizemos código aberto, há tantas versões diferentes. Algumas pessoas criticam o meta por não publicar tudo, e até mesmo o próprio DeepSeek não é totalmente transparente. Sim, você pode ir aos limites do código aberto e dizer: eu deveria exatamente ser capaz de replicar sua execução de treinamento. Mas primeiro, quantas pessoas têm os recursos para fazer isso e comparar? Tipo, tipo, acho que a quantidade de detalhes que eles compartilharam no relatório técnico, na verdade, o Meta também fez isso, aliás. O relatório técnico do Meta's Llama 3.3 é incrivelmente detalhado e muito bom para a ciência. Então a quantidade de detalhes que essas pessoas estão compartilhando já é muito maior do que o que as outras empresas estão fazendo agora. Quando você pensa em quanto custa para o DeepSeek fazer isso com menos de US$ 6 milhões, pense no que o OpenAI gastou para desenvolver modelos GPT. O que isso significa para a trajetória, o ímpeto do ecossistema de modelo de código fechado? O que isso significa para o OpenAI? Quero dizer, está muito claro que teremos uma versão de código aberto 4-o, ou até melhor que isso, e muito mais barata que isso, de código aberto, tipo, completamente este ano. Feito pelo OpenAI? Provavelmente não. Muito provavelmente não. E eu não acho que eles se importam se não for feito por eles. Acho que eles já se mudaram para um novo paradigma chamado família de modelos o1. E eu olhei para o Ilya Sutskever veio e disse, o pré-treinamento é uma parede, certo? Então, quero dizer, ele não usou exatamente a palavra, mas ele claramente disse que a era do pré-treinamento acabou. –Muitas pessoas disseram isso. Certo? Então, isso não significa que a escala atingiu um limite. Acho que estamos escalando em dimensões diferentes agora. A quantidade de tempo que o modelo gasta pensando na hora do teste, aprendizado por reforço, tipo, tentando, tipo, fazer o modelo, ok, se ele não souber o que fazer para um novo prompt, ele vai raciocinar e coletar dados e interagir com o mundo, usar um monte de ferramentas. Acho que é para onde as coisas estão indo, e sinto que o OpenAI está mais focado nisso agora. Sim. Em vez de apenas o modelo maior e melhor? Correto. Capacidades de raciocínio, mas você não disse que o DeepSeek provavelmente vai mudar sua atenção para o raciocínio? 100%, acho que eles vão, e é por isso que estou muito animado com o que eles vão produzir a seguir. Acho que então minha pergunta é, tipo, qual é a trincheira do OpenAI agora? Bem, eu ainda acho que, hum, ninguém mais produziu um sistema semelhante ao o1 ainda, exatamente. Eu sei que, tipo, há debates sobre se o o1 realmente vale a pena. Sabe, em talvez alguns prompts, é realmente melhor. Mas na maioria das vezes não está produzindo nenhuma saída diferenciada do Sonnet. Mas, pelo menos os resultados que eles mostraram no o3 onde, eles tinham desempenho de codificação competitivo e quase um nível de engenheiro de software de IA. Não é apenas uma questão de tempo, no entanto, antes que a internet seja preenchida com dados de raciocínio, que DeepSeek? Novamente, é possível, ninguém sabe ainda. Sim. Então, até que esteja feito, ainda é incerto. Certo? Certo. Então, talvez essa incerteza seja sua trincheira. Que, tipo, ninguém mais tem a mesma capacidade de raciocínio ainda, mas até o final deste ano, haverá vários jogadores mesmo na arena de raciocínio? Acho que sim. Então, estamos vendo a commoditização de grandes modelos de linguagem? Acho que veremos uma trajetória semelhante, assim como no pré-treinamento e no pós-treinamento, esse tipo de sistema, 4o sendo commoditizado, onde este ano haverá muito mais commoditização lá. Acho que os modelos do tipo raciocínio passarão por uma trajetória semelhante, onde no início, 1 ou 2 jogadores realmente sabem como fazer, mas com o tempo – Isso, e quem sabe, certo? Porque o OpenAI poderia fazer outro avanço para se concentrar. Mas agora o raciocínio é sua trincheira. A propósito, se os avanços continuarem acontecendo repetidamente, tipo, acho que o significado da palavra avanço também perde um pouco do seu valor, certo? Totalmente. Mesmo agora, é muito difícil. Certo. Porque há avanços no pré-treinamento. Sim. E então passamos para uma fase diferente. Sim, então o que é garantido é que quaisquer modelos que existam hoje, esse nível de capacidade de computação multimodal de raciocínio em modelos 5 a 10x mais baratos, código aberto, tudo isso vai acontecer. É apenas uma questão de tempo. O que não está claro é se algo como um modelo que raciocina na hora do teste será barato o suficiente para que possamos simplesmente executá-lo em nossos telefones. Isso ainda não está claro para mim. Parece que muito da paisagem mudou com o que o DeepSeek foi capaz de provar. Você poderia chamá-lo de momento ChatGPT da China? Possível, quero dizer, acho que certamente provavelmente deu a eles muita confiança de que, tipo, sabe, não estamos realmente atrás. Não importa o que você faça para restringir nossa computação. Tipo, sempre podemos descobrir algumas soluções alternativas. E sim, tenho certeza de que a equipe se sente animada com os resultados. Como isso muda, tipo, a paisagem de investimento, os hyperscalers que estão gastando bilhões de dólares por ano em CapEx, eles simplesmente aumentaram muito. E OpenAI e Anthropic que estão levantando bilhões de dólares para GPUs, essencialmente. Mas o que o DeepSeek nos disse é que você não precisa, você não precisa necessariamente disso. Sim. Quero dizer, olha, acho que está muito claro que eles vão se esforçar ainda mais no raciocínio porque entendem que, tipo, seja o que for que eles estavam construindo nos dois anos anteriores está ficando extremamente barato, que não faz sentido ir justificar aumentar isso. Gastando proposição o mesmo, eles precisam da mesma quantidade de, sabe, GPUs de alta qualidade, ou você pode raciocinar usando as de baixa qualidade que o DeepSeek usou? Novamente, é difícil dizer não até que seja provado que não é. Mas eu acho que no espírito de se mover rápido, você gostaria de usar os chips de alta qualidade e você gostaria de se mover mais rápido que seus concorrentes. Acho que, tipo, os melhores talentos ainda querem trabalhar na equipe que fez acontecer primeiro. Sabe, sempre há alguma glória em, tipo, quem fez isso na verdade? Tipo, quem é o verdadeiro pioneiro, versus quem é o seguidor rápido, certo? Isso foi como um tipo de tweet de Sam Altman, tipo, resposta velada ao que o DeeoSeek conseguiu, ele meio que insinuou que eles apenas copiaram e qualquer um pode copiar, certo? Sim, mas então você sempre pode dizer isso, tipo, todo mundo copia todo mundo nesse campo. Você pode dizer que o Google fez o transformador primeiro. Não é o OpenAI e o OpenAI apenas copiou. O Google construiu os primeiros grandes modelos de linguagem. Eles não o produziram, mas o OpenAI o fez de forma produtivizada. Então você pode você pode você pode dizer tudo isso de muitas maneiras. Não importa. Lembro-me de perguntar a você, tipo, sabe, por que você não quer construir o modelo? Sim. Isso é, sabe, a glória, e um ano depois, apenas um ano depois, você parece muito, muito esperto por não se envolver nessa corrida extremamente cara que se tornou tão competitiva. E você meio que tem essa liderança agora no que todos querem ver agora, que são aplicativos do mundo real, aplicativos assassinos de IA generativa. Fale um pouco sobre essa decisão e como isso o guiou, e onde você vê a Perplexity indo a partir daqui. Olha, há um ano, eu nem acho que tínhamos algo assim, isso é o quê, início de 2024, certo? Eu sinto que nem tínhamos algo como um 3.5, certo? Hum, tínhamos o GPT-4, acredito, e era tipo, ninguém mais conseguia alcançá-lo. Sim. Mas não havia nada multimodal. E minha sensação era tipo, ok, se pessoas com muito mais recursos e muito mais talento não conseguem alcançar, é muito difícil jogar esse jogo. Então vamos jogar um jogo diferente. De qualquer maneira, as pessoas querem usar esses modelos. E há um caso de uso de fazer perguntas e obter respostas precisas com fontes, com informações em tempo real. Informações precisas. Ainda há muito trabalho a ser feito fora do modelo, e garantir que o produto funcione de forma confiável, continue escalonando o uso. Continue construindo interfaces de usuário personalizadas. Há muito trabalho a ser feito, e nos concentraremos nisso. E nos beneficiaríamos de todos os ventos favoráveis dos modelos ficando cada vez melhores. Isso é essencialmente o que aconteceu, na verdade, eu diria que o Sonnet 3.5 tornou nossos produtos tão bons, no sentido de que se você usar o Sonnet 3.5 como a escolha do modelo dentro da Perplexity, é muito difícil encontrar uma alucinação. Não estou dizendo que é impossível, mas reduziu drasticamente a taxa de alucinações, o que significou que o problema de perguntas e respostas, fazer uma pergunta, obter uma resposta, fazer verificações de fatos, pesquisa, ir e perguntar qualquer coisa por aí porque quase todas as informações estão na web, foi uma grande descoberta, e isso nos ajudou a crescer 10 vezes ao longo do ano em termos de uso. E você fez grandes avanços em termos de usuários. E, você sabe, ouvimos na CNBC muitos grandes investidores que são grandes fãs. Sim. O próprio Jensen Huang, certo? Ele mencionou isso outro dia em sua palestra principal na outra noite. Ele é um usuário bastante regular, na verdade, ele não está apenas dizendo isso. Ele é realmente um usuário bastante regular. Então, há um ano, nem estávamos falando sobre monetização porque vocês eram tão novos e vocês queriam, sabe, se apresentar e construir alguma escala. Mas agora vocês estão olhando para coisas assim, cada vez mais um modelo de anúncios, certo? Sim. Estamos experimentando com isso. Sei que há alguma controvérsia sobre, por que deveríamos fazer anúncios, se você pode ter um mecanismo de resposta verdadeiro apesar de ter anúncios e, na minha opinião, temos sido bastante proativos e atenciosos sobre isso, onde dissemos, ok, contanto que a resposta seja sempre precisa, imparcial e não corrompida pelo orçamento de publicidade de alguém, apenas você pode ver algumas perguntas patrocinadas, e até mesmo as respostas a essas perguntas patrocinadas não são influenciadas por elas. E as perguntas também são, tipo, sabe, não são escolhidas de uma forma que seja manipulativa. Claro, há algumas coisas que o anunciante também quer, que é que eles querem que você saiba sobre sua marca, e as melhores partes de sua marca, assim como você vai e se você está se apresentando a alguém, você quer que eles vejam as melhores partes de você, certo? Então está tudo lá. Mas você ainda não precisa clicar em uma pergunta patrocinada, você pode ignorá-la. E estamos apenas cobrando CPM agora. Então nós mesmos nem somos incentivados a fazer você clicar ainda. Então, considerando tudo isso, estamos realmente tentando fazer certo a longo prazo. Em vez de seguir o caminho do Google de forçá-lo a clicar em links. Lembro-me de quando as pessoas estavam falando sobre a commoditização de modelos há um ano e você pensou, oh, foi controverso, mas agora não é controverso. É tipo, isso está acontecendo e você está de olho nisso é inteligente. A propósito, nos beneficiamos muito da commoditização de modelos, exceto que também precisamos descobrir algo a oferecer aos usuários pagos, como um agente de pesquisa mais suave e qualificado que pode fazer raciocínio de várias etapas. Vá e faça, tipo, 15 minutos de pesquisa e dê a você, tipo, uma análise, um tipo de resposta de analista. Tudo isso vai acontecer, tudo isso vai ficar no produto, nada mudou aí. Mas há uma tonelada de perguntas que cada usuário gratuito faz, diariamente, que precisa ser rápida, respostas rápidas, não deve ser lento, e tudo isso será gratuito, quer você goste ou não. Tem que ser de graça. É a isso que as pessoas estão acostumadas. E isso significa descobrir uma maneira de tornar esse tráfego gratuito também monetizável. Então você não está tentando mudar os hábitos do usuário. Mas é interessante porque você está tentando ensinar novos hábitos aos anunciantes. Eles não podem ter tudo o que têm em uma pesquisa do Google com 10 links azuis. Qual foi a resposta deles até agora? Eles estão dispostos a aceitar algumas das compensações? Sim, quero dizer, é por isso que eles estão tentando coisas como a Intuit está trabalhando conosco. E então há muitas outras marcas, Dell, tipo, todas essas pessoas estão trabalhando conosco para testar, certo? Eles também estão animados com, olhe, todo mundo sabe que, quer você goste ou não, em 5 a 10 anos, a maioria das pessoas fará perguntas a IAs na maioria das coisas e não no mecanismo de busca tradicional. Todo mundo entende isso. Todo mundo quer ser um dos primeiros a adotar as novas plataformas, a nova UX e aprender com ela e construir coisas juntos. Não é como se eles não estivessem vendo como, ok, vocês vão descobrir tudo mais e então nós vamos mais tarde. Estou sorrindo porque volta perfeitamente ao ponto que você fez quando se sentou pela primeira vez hoje, que é a necessidade é a mãe de toda invenção, certo? E é isso que os anunciantes estão essencialmente olhando. Eles estão dizendo que este campo está mudando. Temos que aprender a nos adaptar a ele. Ok. Arvind, eu ocupei muito seu tempo. Muito obrigado por dedicar seu tempo. Ei, Digit, pegue a caixa com o animal mais pesado e mova-a para a torre quatro. Este é o Digit, um robô que meio que parece uma pessoa, daí o nome Robô Humanoide. Tecnicamente, esses são chamados de robôs humanoides bípedes. Usando inteligência semântica, ele consegue interpretar comandos de pessoas e depois tomar suas próprias decisões sobre como agir. Então o objetivo é que ele seja capaz de interpretar a linguagem humana normal, para dizer, ei, preciso que você pegue esta caixa. Me ajude neste caso, é aí que você vê isso indo? Sim. E acho que geralmente será provavelmente menos um preciso que você faça isso para mim e mais um faça isso para mim para sempre no canto da instalação. Robôs como este estão chamando a atenção e bilhões de dólares de investimento de grandes empresas de tecnologia como Amazon, Google, Nvidia e Microsoft. Elon Musk está apostando o futuro da Tesla nessas máquinas. Conforme você vê o Optimus se desenvolver, ele realmente vai transformar o mundo. Acho que em um grau ainda maior do que os carros. Alguns também argumentam que robôs como o Digit podem resolver a crise mundial de mão de obra, preenchendo empregos que são muito perigosos ou que as pessoas simplesmente não querem. Eles podem até substituir uma força de trabalho que está envelhecendo, à medida que as pessoas em todo o mundo têm menos filhos. Hoje na manufatura, estamos cerca de 300.000 pessoas a menos, e é algo muito semelhante em armazenagem e logística. Então estamos em torno de 6 ou 700.000 empregos que não conseguimos preencher. A ideia de robôs não é exatamente nova. Aqui estou eu, senhor. Então por que de repente a atenção? O grande motor, a inteligência artificial. Esses bots viram saltos quânticos no que são capazes de fazer apenas nos últimos anos, graças à IA. A IA generativa é realmente uma chave para desbloquear tudo o que você pode fazer um robô fazer, quanto mais um robô humanoide. A robótica é onde a IA encontra a realidade. Estamos realmente à beira de resolver um dos grandes desafios da humanidade. Isso mudará o trabalho para sempre. Provavelmente haverá uma necessidade no futuro, uma vez que os humanoides ficarem um pouco mais espertos, talvez autonomia. Mas até lá, acho que o mercado será bastante limitado a espetáculos de RP. Tudo parece ótimo, mas vamos confiar em robôs trabalhando em nossas casas, escolas e asilos? Eles serão seguros o suficiente? E o quão realista é demais? E como os EUA devem pensar sobre adversários globais construindo frotas semelhantes de humanoides? A CNBC explora a ascensão desses humanoides movidos a IA. E se eles realmente são uma solução para nossos problemas globais de força de trabalho, ou se esta é outra bolha tecnológica. Este hardware existe há décadas. Empresas como Boston Dynamics, Honda, Sony e outras impressionaram o público com as primeiras versões desses robôs. Por que nós quereríamos humanoides? A resposta predominante tem sido que o mundo é construído para ser ocupado por humanos. Queremos robôs que sejam versáteis, que possam fazer uma ampla gama de coisas, e fazê-los adotar o fator de forma humanoide sempre fez muito sentido. Saltos recentes na inteligência artificial resultaram em saltos para a robótica. Os dados que eles usam para treinar esses robôs são baseados em cenários do mundo real. Agora, um robô pode ser treinado da mesma forma que um humano. Temos essa tecnologia chamada Teleoperação. A pessoa faz a coisa 200 vezes, gravamos todos esses dados e depois usamos esses dados para treinar

Esses modelos. E os modelos de IA são muito semelhantes aos modelos de IA generativa no estilo GPT. Você insere as 200 trajetórias, e o sistema aprende como a tarefa está sendo feita, e então o robô fará a tarefa autonomamente. Se eu for para um novo espaço, agora não estou pensando em passar meses tentando codificar esse problema. Posso potencialmente apenas gerá-lo diretamente do GenAI e conseguir que o Digit interaja com novos objetos e em novos ambientes sem ter que desenvolver nada.

Modelos de IA exigem quantidades maciças de dados para treinar, e isso não é diferente. Se você mostrar coisas suficientes para o robô, ele começa a ser capaz de fazer coisas que não lhe foram mostradas antes. As grandes empresas de tecnologia estão muito interessadas no grande potencial que essa tecnologia promete. Se você vai fazer IA na fronteira, precisa estar em parceria com a Microsoft ou a Nvidia ou o Google ou um dos grandes players. Não há outra maneira. Eles têm recursos que ninguém mais tem, nem mesmo governos. A Nvidia tem sido uma grande parceira até este ponto. Estamos usando tudo, de seu hardware à sua simulação, e recentemente começamos a trabalhar com eles em modelos de base também.

Um dos maiores defensores desta indústria é Elon Musk. Ele fez algumas previsões ousadas de que o robô da Tesla, Optimus, poderia impulsioná-la para um valor de mercado de US$ 25 trilhões, e que isso representará a maior parte do valor de longo prazo da Tesla. Com demanda tão alta quanto 10 a 20 bilhões de unidades. A Tesla é indiscutivelmente a maior empresa de robótica do mundo porque nossos carros são como robôs semi-sensíveis sobre rodas. E com o computador de direção autônoma completa e todas as redes neurais, faz sentido colocá-lo em uma forma humanoide. E é destinado a ser amigável, é claro, e navegar por um mundo construído para humanos e eliminar tarefas perigosas, repetitivas e chatas.

Musk não está sozinho em acreditar que robôs humanoides podem mudar o mundo. Os investidores estão investindo milhões em startups, com o mercado esperado para crescer para US$ 38 bilhões até 2035. O financiamento que entrou em algumas dessas empresas tem sido absolutamente enorme, e eu acho que é meio que o paralelo com o financiamento de IA. Este é o maior mercado do mundo. Quero dizer, efetivamente, isso tem o potencial de mudar a maneira como vivemos e trabalhamos de forma bastante dramática. Os robôs humanoides estão mais perto de serem uma parte real de nossa força de trabalho do que você imagina. Algumas empresas já estão implantando-os em fábricas e armazéns. A Tesla afirma ter dois robôs humanoides Optimus em sua fábrica.

Durante a teleconferência de resultados do primeiro trimestre de 2024 da Tesla, Musk disse que acredita que o Optimus estará realizando tarefas nas fábricas da Tesla até o final do ano, e que poderia começar a vender o robô para clientes externos até o final de 2025. No dia do investidor de 2024 da empresa, em junho, Musk previu que poderia ter mais de mil ou alguns milhares de robôs trabalhando na Tesla no próximo ano. Musk dizendo que o Optimus será maior do que os carros. Presumo que isso significa que eles estão gastando quantias enormes disso. Eu não os subestimarias.

O Digit, criado pela Agility Robotics, com sede no Oregon, está ajudando a Amazon em testes em estágio inicial em seu centro de atendimento e laboratório de inovação em Sumner, Washington. Temos trabalhado com eles reciclando contêineres. Os braços são capazes de manusear uma ampla variedade de diferentes cargas úteis, de até cerca de 33 libras. A Agility afirma que planeja continuar expandindo o escopo de trabalho que o Digit é capaz de realizar. Nós vislumbramos uma app store para robôs no futuro, onde se você precisar de um aplicativo de reciclagem de contêineres, você pode entrar na App Store e baixá-lo para o seu robô. E, de acordo com a empresa, há muita demanda. A Agility está construindo uma fábrica em Salem, Oregon, para acompanhar os pedidos. Nós chamamos de robo fab, estaremos online neste verão, e em alguns anos, teremos uma capacidade de cerca de 10.000 robôs por ano. E para onde eles irão na maior parte? Para muitos, muitos clientes, mas em grande parte inicialmente no espaço de logística de armazenagem, o próximo grande mercado que vemos é o automobilístico, o varejo e, eventualmente, mercados como o de saúde.

Várias outras startups estão desenvolvendo robôs humanoides semelhantes. A Sanctuary AI, lançada em 2018, em Vancouver, Canadá, revelou seu último robô no ano passado. Phoenix, um robô de cinco pés e sete polegadas capaz de levantar até 55 libras. Parece um pouco diferente de outros designs humanoides, trocando suas pernas por rodas. Robôs com pernas. A parte superior do corpo, incluindo as mãos, tem que ser muito fraca e leve. Então, em vez de fazer isso, colocamos nosso produto em uma base com rodas e, como fizemos essa troca, podemos construir motores muito poderosos, muito precisos e muito rápidos na parte superior do corpo. A empresa implantou iterações iniciais de seu robô com a Canadian Tire, completando tarefas na frente e atrás da loja, como coleta e embalagem de mercadorias. Os robôs foram solicitados a fazer de tudo, desde cumprimentar as pessoas quando elas entram pela porta até colocar as coisas em caminhões. A Sanctuary diz que está perto de lançar seu robô de oitava geração nos próximos meses e fez parceria com a fabricante de automóveis Magna para ajudar a construir seus robôs em escala.

A Optronics começou em 2016 como uma spinout do Human Centered Robotics Lab da Universidade do Texas em Austin. Começou com um projeto inicial para ajudar a NASA a construir um robô humanoide generalizado. A empresa diz que agora está em sua oitava versão de um humanoide. Tudo isso culminou na construção do robô que essencialmente sempre sonhamos em construir, um robô chamado Apollo, que é um robô humanoide comercial fabricado em massa. Com uma carga útil máxima de 55 libras e uma bateria substituível de quatro horas. O Apollo foi projetado para ajudar a apoiar a logística e a manufatura, começando com o varejo como seu próximo foco. Temos que comprovar as tarefas mais simples, mas meu sonho é que o Apollo, espero, esteja pronto a tempo para ajudar meus pais, espero que me ajude quando eu ficar velho. A empresa afirma ter implantado o Apollo em pilotos com Mercedes-Benz, GXO e outros. Começamos com tarefas bastante simples, como mover caixas ou caixas de um lugar para outro. O que estamos passando é fazer mais destreza e mais tarefas de ponta a ponta, e então esperamos estar em um lançamento comercial completo até o final do próximo ano.

Não é de admirar que as empresas de tecnologia tenham percebido. Alguns analistas de Wall Street preveem que esses robôs são o próximo dispositivo obrigatório, não muito diferente de smartphones ou veículos elétricos, mas eles também dizem que esses robôs seriam vitais para a manufatura e o trabalho perigoso. Mas eles também ajudariam nos cuidados com idosos e supririam a falta de mão de obra nas fábricas. Já existem poucos trabalhadores para preencher todos os empregos de manufatura do mundo. É uma escassez estimada de 500.000 pessoas, e até 2030, o Goldman Sachs pensa que isso crescerá para uma escassez de 2 milhões de trabalhadores. Imagine que eu pudesse lhe dar uma força de trabalho que custa o preço da eletricidade, sabe, alguns centavos por hora por trabalhador. E eles estavam equipados com os tipos de inteligência geral que você pode imaginar que vem como na ficção científica. Haverá coisas em que você pensará que melhorarão dramaticamente sua vida, não importa quem você seja.

Automatizamos apenas 10% da fabricação de automóveis. Se pudermos automatizar um grau muito maior, isso mudaria dramaticamente a economia. Temos a capacidade de adicionar novas ferramentas. Você pode imaginar que se você precisasse colocar um rebite em um carro ou algo assim, você poderia realmente ter o parafuso produzido na mão. Mas os robôs assumindo empregos humanos podem ser um tópico contencioso. O que você diria àquelas pessoas que você sabe que existem certos empregos que podem ser perdidos como resultado disso? Na verdade, ouvimos algumas dessas pessoas, e o que seus empregos começam a se transformar é o gerente da frota de robôs. Eles podem ser implantados em minas de carvão, em incêndios, para esforços de resgate, onde pode não ser tão seguro para um ser humano. Existem apenas alguns empregos que as pessoas não querem. Os proponentes dizem que um humanoide pode ajudar a preencher esses. Há cerca de 10 milhões de vagas abertas apenas nos Estados Unidos. Poderíamos construir e manter 10 milhões dos robôs de que estamos falando sem tocar em um único emprego. Se você tiver que levantar cerca de 55 libras, entre 50 e 100 vezes por hora. Esse é um treino sério. Então estamos assumindo esses empregos sujos, monótonos e perigosos primeiro.

Quão longe estamos do Digit lavando sua roupa? Isso provavelmente é mais na linha de, você sabe, uma década ou mais. Existe um interruptor de desligamento? Na falta de um termo melhor. Existe um interruptor de desligamento. É o botão vermelho grande ali. Estes pesam 140 libras. Eles têm muito torque em suas mãos, braços e pernas. Portanto, você precisa estar muito consciente da situação quando os robôs estiverem interagindo com humanos. O maior obstáculo de curto prazo que temos é a segurança. A ONU criou um comitê chamado IA para o bem, que basicamente está elaborando recomendações políticas em nível da ONU sobre como os países devem pensar sobre IA e também sobre robótica. Para a implantação do Digit pela Agility, seus robôs operam longe dos trabalhadores humanos por razões de segurança. Portanto, atualmente, o Digit não é colaborativo e estamos trabalhando no que chamamos de segurança colaborativa, que é conseguir verificar formalmente, de acordo com os padrões internacionais, que o Digit é seguro para estar próximo a uma pessoa. Temos regulamentos de segurança muito rígidos hoje. E então, eventualmente, a OSHA é a organização de segurança do local de trabalho que realmente tem que aprovar qualquer implantação. Portanto, é muito regulamentado para garantir que não tenhamos acidentes graves.

Outro grande obstáculo: o custo. Robôs humanoides são peças complexas e caras de maquinário. Para que eles se tornem comuns, isso terá que mudar. É realmente caro até mesmo tentar fazer isso, e você precisa ter investidores que estejam dispostos a correr riscos porque, você sabe, ninguém fez isso antes. Elon Musk apresentou essa ideia de que deveria custar menos de US$ 20.000, e esse seria um nível em que a adoção em massa seria possível. Acho que teremos que esperar alguns anos, provavelmente uma década pelo menos. A Agility afirma que seus robôs podem ser comprados antecipadamente, com uma taxa adicional de software como serviço, ou uma taxa mensal combinada para robôs como serviço. Enquanto eles tiverem o robô, ajudamos a mantê-lo, a cuidar dele, a manter o software atualizado e eles apenas pagam mensalmente. Quanto custa um desses robôs? Como as pessoas devem pensar sobre isso? É como comprar um carro ou um barco? Eu diria que é como comprar um carro caro, mas os custos estão diminuindo muito, muito rapidamente.

Enquanto os EUA viram a atividade em robôs humanoides explodir, a China está dando ao Ocidente uma corrida pelo seu dinheiro. Já domina a indústria, superando o Japão em 2013 como o maior instalador mundial de robôs industriais, e agora representa mais da metade do total global. China, o mercado é absolutamente enorme. Por exemplo, em robôs móveis, é o maior do mundo. A única outra empresa no Ocidente que tem algo semelhante às quantidades que as empresas têm na China é a Amazon. Mas as empresas chinesas estão se aproximando rapidamente. Se você apenas contar o número de robôs humanoides que apareceram no último ano. Cerca da metade deles são de empresas chinesas. Curiosamente, você viu empresas como a BYD também investirem. Há um esforço mais amplo para obter capital nessa indústria na China. Uma das maiores vantagens competitivas da China é o custo. Eles precisam obter essas peças quase personalizadas. Sendo baseada na China, eles estão mais próximos das fábricas que podem fabricar essas peças, potencialmente a um custo menor. Unitary na China. Eles lançaram esse humanoide de US$ 16.000, o que é um desenvolvimento muito emocionante. Mas o que o robô realmente pode fazer? Essa é uma grande questão. Acho que um espaço interessante para observar será nos componentes. Uma vez que existam mais padrões e potencialmente as fábricas que têm fabricado alguns desses componentes para as startups de humanoides na China, elas também poderiam vender essas peças para o exterior.

A competitividade neste espaço é crucial para os EUA, que têm procurado manter sua vantagem sobre a China à medida que as tensões geopolíticas aumentam. Embora os EUA tenham inventado o primeiro robô, 100% de todos os principais robôs industriais foram produzidos fora dos EUA por empresas estrangeiras. Eu penso na corrida humanoide como efetivamente a próxima corrida espacial, e ela tem implicações importantes para a competitividade nacional e a segurança nacional. Em termos de grandes economias, é China versus EUA. Precisamos garantir que os grandes aplicativos para isso estejam nos EUA e na Europa, porque se não estiverem, perderemos essa corrida armamentista. Esta é uma verdadeira corrida armamentista e é melhor garantir que a vençamos.

Ainda existem obstáculos muito reais. Custo e segurança são os maiores problemas de curto prazo. Finalmente, há perguntas sobre como regular o espaço, semelhantes às perguntas sobre como regular a IA. Mesmo os maiores defensores do robô dizem que querem colocar proteções e garantir que aqueles que eventualmente trabalham ao lado de humanoides não sejam colocados em perigo. Mas eles também são competitivos, e querem que esta indústria inove com a capacidade de se mover rapidamente o suficiente para acompanhar o rápido progresso no exterior. Este é realmente o começo de uma nova indústria. Pense nisso como o computador pessoal no início dos anos 80. Ele terá impactos potencialmente maiores do que o computador pessoal. Esses robôs vão nos dar a todos o tempo de volta.

As startups estão se tornando peões no jogo de xadrez das megacapitais. A Microsoft absorve a Inflection. Grande mudança organizacional acontecendo na Microsoft em torno da IA. A Amazon consome a Adept. Sua startup foi avaliada em mais de US$ 1 bilhão. Agora, a maior parte da empresa está indo para a Amazon. Google e Character.AI. Três das maiores empresas de tecnologia engolem três das maiores startups do mundo da IA sem realmente adquiri-las. A realidade é que, onde quer que você olhe, vemos rápidas concentrações. Eles estão sufocando a concorrência, caçando talentos de ponta e evitando o escrutínio enquanto os reguladores ainda estão jogando damas. Eu sou Deirdre Bosa e esta semana no Techcheck, a farsa de fusões e aquisições de IA.

A Character.AI foi uma das startups mais promissoras na era da IA generativa. IA personalizada. Como você está? Vamos chegar ao fundo disso. Altamente envolvente. Base de usuários leais. Alguém que envia uma mensagem hoje está ativo, em média, por duas horas naquele dia. US$ 150 milhões em financiamento com uma avaliação de US$ 1 bilhão. A Character.AI lançou seu software em setembro passado e teve mais de 173 milhões de visitas no mês passado, um aumento de 61% em relação a março. E um fundador que foi pioneiro na IA generativa. Quando comecei a trabalhar nesses grandes modelos de linguagem e a inventar esse campo como em 2016 a 2018, pouquíssimas pessoas estavam entusiasmadas. Havia apenas um problema, a startup não conseguia ganhar dinheiro e, de acordo com relatos, lutava para gerar receita suficiente de usuários pagos. Character.AI, avaliação de bilhões de dólares. Pré-receita, se parece muito com a App Store de 2010, onde você ganha muitos usuários e descobre a monetização mais tarde. Então, ela se voltou para uma megacapital estabelecida de impressão de dinheiro, o Google, que estava feliz em fechar um acordo, especialmente porque estava provavelmente mais interessado no talento do que na tecnologia. O cofundador da Character.AI, Noam Shazeer, foi autor de um artigo inovador que lançou as bases para a era atual da IA. Isso traria Shazeer de volta ao Google, juntamente com um quinto de seus funcionários e tecnologia de personagens licenciados, sem ter que comprar diretamente a startup em uma aquisição. Toda pessoa na Terra estará inventando seus próprios aplicativos.

É um manual que contorna a repressão regulatória à dominação das grandes empresas de tecnologia, fornece uma saída para startups de IA que lutam para ganhar dinheiro e permite que as megacapitais recrutem o talento necessário na corrida armamentista da IA. Há um número muito pequeno de pesquisadores, praticantes de IA que operam na fronteira da tecnologia. Provavelmente existem apenas milhares agora. E os hiperescaladores, as megacapitais, querem esse talento, e estão procurando obtê-lo de qualquer maneira que puderem. Um manual que a Microsoft foi pioneira. Em março, ela assinou um acordo incomum com a Inflection, uma startup de IA proeminente com um chatbot para rivalizar com o ChatGPT. Novamente, não uma aquisição direta, apenas um acordo de US$ 650 milhões que permitiria à Microsoft usar os modelos de IA da Inflection e contratar a maior parte de sua equipe, incluindo o fundador Mustafa Suleyman, a quem eles colocaram no comando de toda sua unidade de IA. Ele cofundou a DeepMind em 2010, que foi posteriormente adquirida pelo Google em 2022. Ele cofundou uma empresa chamada Inflection. Ele fez isso com Reid Hoffman. Em junho, a Amazon e a Adept AI fecharam um acordo. A Amazon teria pago pelo menos US$ 330 milhões para licenciar a tecnologia da Adept com um bônus de retenção de US$ 100 milhões para funcionários que deixaram a empresa. Um grande centro de custos para essas startups são as GPUs, esses chips, computação em nuvem. E o que a Amazon tem? Eles têm a AWS. Eles têm o lado da computação em nuvem em abundância. Portanto, se você é uma startup e está procurando se associar a uma dessas empresas ou fazer algum tipo de acordo de licenciamento, você procurará uma das grandes empresas de tecnologia, provavelmente Amazon, Google, Microsoft.

Para as megacapitais e os funcionários da startup que foram contratados, é uma vitória dupla. Os fundadores não se sentem mais pressionados a monetizar seus modelos de negócios, sendo engolidos por megacapitais altamente lucrativos. Isso compra algum tempo para construir a longo prazo. À medida que esses fundadores procuram escalar suas empresas. Eles podem ver ventos contrários, qualquer número de ventos contrários. E pode ser que, neste momento, o melhor lar para eles seja, novamente, uma megacapital. E seus custos de computação em nuvem necessários para desenvolver modelos Gen-AI que chegam a centenas de milhões de dólares são absorvidos pelos gigantes de tecnologia que possuem a infraestrutura. Definitivamente, conversamos com fundadores que desejam desenvolver as melhores tecnologias e apenas ter acesso ao recurso de GPU e não lutar por ele, e acho que é por isso que você viu alguns fundos criarem seus próprios clusters para dar acesso aos fundadores. Para as megacapitais. É uma maneira rápida e fácil de obter os melhores talentos no campo, e essa foi provavelmente uma motivação quando o Google comprou a DeepMind em 2014, um exemplo de uma aquisição total que é altamente improvável de ser aprovada hoje. A DeepMind foi um dos laboratórios de pesquisa de IA independentes mais prestigiados há uma década. O Google foi precoce e conseguiu adquiri-la antes mesmo que a Gen-AI estivesse no radar dos reguladores. Hoje, no entanto, a IA está diretamente em seus alvos. E Gen AI, a maior corrida armamentista na tecnologia.

Deixando de lado a Gen-AI, Apple, Google, Amazon e Meta, todos têm casos pendentes perante os chefes antitruste da FTC e do DOJ. O Google já se viu do lado perdedor, com uma decisão de um tribunal federal. Ele tem um monopólio no mercado de busca e agora enfrenta uma possível divisão. As grandes empresas de tecnologia podem pensar que estão enganando os fiscais antitruste e desviando o escrutínio, mas podem estar brincando com fogo. Os reguladores de hoje, eles têm algumas cartas na manga. Eles são mais ágeis e agressivos do que nunca. A FTC já abriu uma investigação antitruste sobre o acordo da Microsoft com a Inflection, investigando se a Microsoft estruturou esse acordo para obter o controle da startup, enquanto também desviava a revisão. E a agência também lançou uma investigação informal sobre o acordo Amazon Adept. Até o Congresso percebeu, com três senadores americanos pedindo uma investigação. Lina Khan e outros examinaram isso. Não é que tenha havido fusões em atacado dessas coisas, mas mesmo as parcerias em si. Sua principal preocupação não é apenas se a aquisição ocorreu ou não em nível técnico. Neste momento, a IA é uma tecnologia nascente que pode catalisar um crescimento e inovação enormes. Há uma oportunidade enorme aqui para um mercado vibrante, mas também vemos riscos. Vemos o risco de consolidação. Monopolização. É se o ato é ou não anticompetitivo, especialmente em um espaço crescente nascente onde a concorrência é fundamental para garantir que haja inovação, em vez dos mesmos gigantes incumbentes ficando cada vez maiores e mais poderosos. Porque, sim, megacapitais, elas não estão engolido startups inteiras. Elas estão deixando para trás uma casca de uma empresa e alguns de seus funcionários. Ainda funcionando, mas não competitivo, o que também destaca quem fica com a conta.

Superficialmente, esses negócios parecem ser uma vitória dupla, mas há funcionários e investidores que ficam para trás. No acordo Adept, por exemplo, a Amazon só contratou os pesquisadores de IA, de acordo com o The New York Times, as equipes que trabalhavam em vendas de produtos e outras áreas não tiveram tanta sorte. Eles não colhem nenhuma das recompensas que seus ex-colegas colhem. Um novo emprego mais confortável, em uma grande corporação comprovada, sem a busca desesperada por receita viável. Em vez disso, eles ficam tentando encontrar uma maneira de montar um novo negócio sem seus principais talentos. Em vários negócios desse tipo, a empresa remanescente ainda tem acesso à propriedade intelectual que foi criada, e certamente recursos suficientes como parte da transação para continuar contratando talentos e construindo sobre essa propriedade intelectual. Então, há o dinheiro de capital de risco que inicialmente fundou essas startups, aquelas que apoiaram a Character.AI, Adept e Inflection. Eles estão sendo ressarcidos, ou quase ressarcidos, por meio de acordos de licenciamento. Mas está muito longe dos retornos que eles esperavam. Normalmente, as sociedades de capital de risco apostam em retornos maiores. Um mínimo de 5 a 10 vezes a taxa de retorno é considerado um marco para o sucesso. Um insider, que quis permanecer anônimo, me disse que pode haver mais desses tipos de negócios por vir, observando que existem muitas outras startups de IA supervalorizadas que ainda não encontraram modelos de negócios viáveis. Co here, por exemplo, é outra empresa independente favorita da Gen-AI que foi recentemente avaliada em mais de US$ 5 bilhões. Ela teria menos de US$ 25 milhões em receita anualizada. Uma linha de vida de uma megacapital, que poderia ser um desenvolvimento bem-vindo à medida que a pressão para monetizar aumenta. Mas à medida que os reguladores ficam mais espertos em relação à pseudoaquisição, a Big

A tecnologia estará disposta a tentar convencê-los com mais negócios? Ou os unicórnios de IA serão deixados à própria sorte enquanto os grandes ficam maiores? Seja como for, a simulação de fusões e aquisições em IA alterou a paisagem da IA generativa.