Pesquisador diz ter encontrado rastros de GPUs Blackwell da Nvidia em modelos chineses de IA

O que foi publicado

Em 13 de novembro de 2026, o pesquisador Will DePue publicou uma investigação forense em que afirma ter achado evidência técnica de que laboratórios chineses de IA, DeepSeek, Moonshot AI (dona do Kimi), MiniMax e Ant Group, tiveram acesso a GPUs Blackwell da Nvidia, hardware sob controle de exportação dos Estados Unidos para a China.

DePue trabalhou na OpenAI nos times que construíram o Sora, o Sora 2, o GPT-4o, o o3 e o GPT-5, antes de fundar o grupo de pesquisa sem fins lucrativos Unemployment Labs. Segundo ele, pesquisadores seniores da própria OpenAI e da Anthropic já checaram e confirmaram seu método de forma independente, em comentários que ele relatou na rede X.

Como o método funciona

A ideia parte de um detalhe de implementação que qualquer dev que já treinou um modelo conhece: antes do treino começar, o PyTorch preenche os bilhões de pesos (os valores numéricos que formam o modelo) com números aleatórios gerados a partir de uma semente (seed). Para distribuir esse volume de dados rapidamente, a GPU divide o trabalho entre seus núcleos de computação.

Como cada geração de chip tem uma quantidade diferente de núcleos, o processo de preenchimento deixa um padrão característico. Chips Hopper, como o H100 e o H800, usam 132 núcleos. Já os chips Blackwell usam exatamente 148 ou 152 núcleos, dependendo do modelo (B200/B300 ou GB200/GB300).

O treino ajusta esses valores milhões de vezes, mas alguns espaços relacionados a palavras ou símbolos raros, pouco usados durante o treino, mantêm um eco estatístico fraco da distribuição inicial. Foi atrás desse eco que DePue foi. Ele diz ter reproduzido exatamente o padrão para o DeepSeek-V4-Flash e o Kimi K3 rodando em chips Blackwell reais, e publicou o código de verificação no GitHub para quem quiser reproduzir o teste.

Os modelos identificados e o custo estimado

O método classificou corretamente todos os 24 modelos de controle usados no teste, cujo hardware já era conhecido, incluindo o Llama 3.1 da Meta, treinado em H100. A partir daí, DePue mapeou seis modelos chineses lançados desde abril de 2026:

Modelos mais antigos, como o DeepSeek-V3 e o Kimi K2.5, mostram apenas a assinatura de 132 núcleos da geração Hopper, mais antiga e menos restrita.

O relatório estima que os cinco treinamentos analisados consumiram cerca de 12 mil GPUs Blackwell no total, o equivalente a aproximadamente 30 mil chips H100 antigos. O Kimi K3 sozinho teria usado cerca de 4.500 processadores Blackwell por cerca de 70 dias, e o DeepSeek-V4-Pro, cerca de 3.000. A um preço unitário estimado de 70 mil dólares, cada um desses clusters custaria entre 200 e 300 milhões de dólares, somando mais de meio bilhão de dólares ao todo.

O que a assinatura não prova

DePue é claro sobre o limite do método: ele mostra apenas qual hardware inicializou os pesos, não onde as GPUs estão fisicamente nem quem é o dono delas. A investigação não prova contrabando nem violação direta da lei de exportação dos EUA, porque empresas chinesas podem alugar capacidade de computação em data centers fora da China.

Existe ainda uma explicação técnica alternativa: um AMD MI300X, também sob controle de exportação, poderia ser artificialmente limitado para produzir o mesmo padrão de núcleos. DePue diz ter descartado essa hipótese especificamente para o DeepSeek-V4-Flash, usando pequenas diferenças de arredondamento entre os dois tipos de chip, mas não detalha esse teste para os demais modelos.

A conclusão tem reforço independente. Dylan Patel, analista-chefe da SemiAnalysis, disse em entrevista à Sequoia Capital que a arquitetura do DeepSeek-V3 ainda era otimizada especificamente para chips Hopper, enquanto a arquitetura do DeepSeek-V4 já foi desenhada para rodar tanto em GPUs Blackwell quanto nos chips Ascend da Huawei. Outros laboratórios chineses, como a Alibaba (Qwen3.8), a Zhipu, a Tencent, a Xiaomi e a StepFun, mostram no teste apenas assinaturas Hopper, enquanto o LongCat-2.0 da Meituan aponta para hardware da Huawei, sugerindo uma estratégia de fornecedores mais diversificada entre os laboratórios chineses.

O que muda para quem desenvolve com esses modelos

Para quem usa pesos abertos de modelos chineses, via API ou self-hosting, a notícia não muda licença nem disponibilidade de download: isso continua regido pelos termos de uso de cada modelo, não pelo controle de exportação de hardware. O que muda é a leitura que se pode fazer do custo real por trás desses lançamentos.

A narrativa de treinos baratíssimos, especialmente em torno da DeepSeek, ganhou força em 2025 com números de treinamento declarados muito abaixo dos concorrentes ocidentais. A estimativa de mais de meio bilhão de dólares em cinco treinos recentes, se confirmada, é um dado concreto para quem avalia essas alegações de eficiência ao decidir entre hospedar um modelo chinês ou um ocidental em produção.

O método em si também é uma ferramenta nova para quem trabalha com infraestrutura de treino. O código publicado por DePue no GitHub permite inspecionar os pesos de qualquer checkpoint e inferir em que geração de GPU ele nasceu, algo útil para auditar a procedência de um modelo antes de embarcá-lo numa arquitetura de produção, ou simplesmente para checar se um fornecedor está sendo transparente sobre o hardware usado.

Por fim, vale observar o risco de cadeia de suprimento: se a comunidade internacional considerar esse tipo de evidência suficiente para novas sanções, provedores que hospedam APIs desses modelos em nuvem podem enfrentar restrições regulatórias futuras. Isso não afeta pesos já baixados e rodando localmente, mas é um ponto a monitorar para quem depende de uma API comercial de terceiros baseada nesses modelos.

Fonte: The Decoder