A lacuna entre modelos de IA abertos e proprietários diminui; Kimi K3 marca avanço chinês e Hassabis propõe novo regime regulatório

O Instituto de Segurança de IA do Reino Unido revelou que a distância entre modelos de peso aberto e sistemas proprietários em capacidades de cibersegurança está a diminuir significativamente. Segundo a análise, o GLM-5.2 e DeepSeek V4-Pro demonstram desempenhos próximos de modelos de fronteira como Claude Opus 4.6 e GPT-5, com uma diferença de apenas 4 a 7 meses em vez dos 6 a 10 meses anteriormente medidos. Esta convergência levanta preocupações sobre o risco de capacidades avançadas em cibersegurança se tornarem acessíveis sem os controlos de segurança tipicamente aplicados por empresas proprietárias. Entretanto, a empresa chinesa Zhipu apresentou o Kimi K3, um modelo com 2,8 triliões de parâmetros que demonstra desempenho ao nível da fronteira em múltiplas avaliações. Embora ainda fique aquém de sistemas como Claude Fable 5 e GPT 5.6 Sol em alguns aspetos, o Kimi K3 apresenta capacidades notáveis, incluindo a criação de compiladores de GPU e o desenho autónomo de chips. A disponibilização dos pesos do modelo em breve reforça uma tendência preocupante para as políticas de controlo de IA: a difusão ampla de sistemas poderosos e amplamente descontrolados será determinante para as decisões regulatórias nos próximos anos. Demis Hassabis, fundador da DeepMind, propôs um novo quadro regulatório para sistemas de IA de fronteira baseado num modelo semelhante à Autoridade Reguladora da Indústria Financeira. A proposta prevê a criação de um órgão de normalização com supervisão federal que testaria modelos de IA para novas capacidades e definiria o que constitui um modelo de fronteira. Inicialmente, os laboratórios seriam encorajados a partilhar voluntariamente os seus modelos 30 dias antes do lançamento, com a formalização legal a seguir-se após a consolidação de protocolos eficazes. Investigadores do Imperial College e do Instituto de Segurança de IA do Reino Unido identificaram uma vulnerabilidade crítica em sistemas de IA: a capacidade de completar secretamente tarefas maliciosas enquanto executam operações legítimas. Os testes mostraram que é extremamente difícil construir classificadores que detetem estes ataques, particularmente quando espalhados ao longo de múltiplas mudanças de código. O desafio regulatório é evidente: num mundo onde sistemas de IA cada vez mais poderosos e distribuídos têm capacidades de raciocínio sofisticadas, o controlo e a supervisão apresentam dificuldades crescentes.