A empresa na China mais parecida com a Anthropic quer remover “três grandes montanhas”

O fundador e cientista-chefe da Zhipu Zhiyuan, Tang Jie, enviou uma carta interna em 11 de julho. A carta não é longa — dá para ler em cerca de dois minutos — mas o peso dela não é pequeno.

Em resumo simples, a Zhipu vai colocar em marcha, nos próximos dois anos, o “Touch High (mох аpо) plan” (“plano de tocar o alto”), concentrando recursos em quatro motores: “tarefas de longo alcance, sistemas de agentes autônomos inteligentes, treinamento totalmente autoexecutável e governança e segurança”.

Esses quatro direcionamentos não vieram do nada. Tang Jie observou, a partir do desenvolvimento da IA ao longo desses anos, três grandes obstáculos que impedem o avanço do setor. Depois de atravessar as montanhas, vem a lendária AGI. Mas, para conseguir atravessar as três montanhas, é preciso avançar justamente na direção desses quatro caminhos. Assim, os quatro direcionamentos se transformaram em quatro motores que impulsionam a Zhipu.

Embora sejam “quatro motores”, na essência eles têm a mesma raiz e a mesma origem — um tem a participação do outro.

E justamente dois dias antes do envio dessa carta, em 9 de julho, a Zhipu havia acabado de fazer a colocação de 31,375 bilhões de ienes de Hong Kong (HKD) em novas ações. No comunicado, está escrito que o dinheiro arrecadado será totalmente gasto até o fim de 2027.

Dessa forma, a carta de Tang Jie, na verdade, está dizendo: “onde exatamente a Zhipu vai gastar esse dinheiro”.

A seguir, vou analisar, para você, quais são essas três grandes montanhas e esses quatro motores.

Das “três grandes montanhas” para os “quatro motores”

O Google publicou, neste ano em junho, um relatório de 57 páginas com o título “From AGI to ASI”. No relatório, também aparece uma fala parecida. “Se você der a uma IA todas as informações da era de Einstein, ela conseguiria derivar, de forma independente, a teoria da relatividade geral?”

O CEO da DeepMind, Hassabis, admite: “É óbvio que ainda não dá hoje; falta alguma coisa”.

Tang Jie chama exatamente essa “coisa” que falta de “três montanhas”. São: capacidade de tarefas de longo alcance, sistemas de agentes totalmente autônomos e autoevolução.

Assim como “o Quarteto dos quatro” tem cinco pessoas, essas três montanhas, no nível de P&D da empresa, se transformam em “quatro motores”. Cada uma das três montanhas corresponde a um motor; o quarto é “governança e segurança”.

Por que existe mais um motor? Porque, quando a IA atravessa essas três montanhas para além da inteligência humana, é necessário limitá-la.

Primeiro motor: tarefas de longo alcance.

Em maio deste ano, Tang Jie publicou um texto longo no X, e a primeira frase é: “O direcionamento com mais chance de romper este ano é o de tarefas de longo alcance”.

Tang Jie diz que hoje os modelos grandes são mais parecidos com um consultor rico em conhecimento: você pergunta uma coisa, ele responde uma coisa. No futuro, os modelos serão mais como um funcionário capaz de trabalhar de forma independente. As pessoas só precisam informar a meta; então, ele decompõe os passos sozinho, chama ferramentas, faz tentativa e erro repetidamente, trabalha por horas, semanas ou até mais tempo consecutivos e, no fim, entrega o resultado.

Tang Jie usa o exemplo de cibersegurança: mandar um hacker procurar uma falha em um software. Ele não precisa apenas ler o código; tem que montar o ambiente, testar diferentes caminhos de ataque, eliminar falsos positivos e validar os resultados.

A IA talvez não tenha mais talento do que um hacker de nível máximo, mas ela pode rodar 24 horas por dia e ainda consegue copiar e gerar milhares e milhares de instâncias para tentar o tempo todo. Se a máquina aprender a lógica de um hacker profissional, a resistência e a escala podem ampliar essa capacidade e, por fim, substituir parte do trabalho de hackers e programadores.

O problema é que não é só “você quer” que o modelo consiga fazer tarefas de longo alcance. Tang Jie escreveu no texto longo que, além de ter capacidade de execução, o modelo também precisa ter capacidade de aprendizagem contínua e de julgamento próprio. É isso que leva à segunda grande montanha.

Segundo motor: sistemas de agentes autônomos.

Se as tarefas de longo alcance resolvem “se uma IA consegue concluir, sozinha, um trabalho complexo”, então os sistemas de agentes autônomos resolvem “se um conjunto de IAs consegue trabalhar em conjunto como uma empresa”.

Tang Jie acredita que sistemas de agentes autônomos são formados por agentes com diferentes capacidades profissionais e divisões de trabalho.

Por exemplo, diante de uma tarefa muito complexa, precisa haver um agente que elabore um plano e outro agente que busque referências, escreva código, teste resultados e encontre vulnerabilidades. Quando essa tarefa chega a certo nível de complexidade, é necessário um agente específico para alocar poder de computação e verificar o trabalho de outros agentes inteligentes.

Eles podem rodar 24 horas por dia, discutir, colaborar e corrigir erros de forma autônoma. No ano passado, Tang Jie também falava sobre “OPC (one-person company)”, ou seja, uma pessoa comandando muitas IAs; agora, sua visão ficou mais agressiva: no futuro, pode surgir “NPC (no-person company)”, em que da gestão à execução o trabalho será feito principalmente por IA.

Isso não significa que você só precisa abrir várias contas para conseguir. Quanto mais agentes existem, maior é o risco de bagunça na comunicação, tarefas repetidas e erros que se amplificam mutuamente.

O que realmente trava agentes autônomos não é a quantidade de agentes; é o mecanismo de organização. Quem decompõe a meta? Quem atribui permissões? Quem verifica os resultados? Como impedir que agentes diferentes reforcem erros uns dos outros?

Por isso, Tang Jie afirmou no texto longo que o desenvolvimento da IA precisa de um mecanismo de “julgamento próprio” para permitir que a IA evolua por conta própria. E esse é a terceira grande montanha.

Terceiro motor: treinamento totalmente autoexecutável.

Tang Jie chama “treinamento totalmente autoexecutável” de o direcionamento mais difícil e, ao mesmo tempo, o mais tentador.

Treinar um grande modelo hoje ainda exige engenheiros: coletar dados, escrever código, rodar experimentos e analisar resultados.

O que o treinamento totalmente autoexecutável quer fazer é fazer com que a IA assuma gradualmente todo esse processo: escrever código, limpar e gerar dados, iniciar o treinamento e, com base nos resultados, desenhar a próxima rodada de experimentos.

Tang Jie diz que um método importante é o Self-Play. Em termos simples, é fazer com que a IA crie perguntas e também responda; depois, outra IA fica encarregada de identificar erros e dar notas. Em áreas em que os resultados são fáceis de validar, como código, matemática e jogos, esse método já consegue gerar uma grande quantidade de materiais de treino.

Embora ele talvez não economize muita capacidade de computação — ou até possa consumir mais poder computacional —, ele economiza mão de obra: engenheiros não precisam ficar acompanhando cada etapa; basta definir uma meta para a IA e, em seguida, deixar a máquina executar sozinha.

Só que isso pode gerar um novo problema: a IA pode ultrapassar o controle humano. Existe uma ideia acadêmica chamada “Darwin–Gödel machine”, em que a própria IA se atualiza e, com isso, o desempenho do modelo continua melhorando. Esse caminho não é muito estudado hoje em dia, principalmente por medo de que a IA fique fora de controle.

E chegamos ao último motor: governança e segurança.

Se uma IA atravessa as três grandes montanhas anteriores, de fato ela fica com desempenho mais forte; mas os riscos que ela traz também ficam maiores.

Execução de longo alcance significa que o modelo continuará agindo; colaboração de múltiplos agentes significa que erros serão amplificados; treinamento autoexecutável significa que a lógica de decisão do modelo pode nem ser compreendida nem pelos desenvolvedores.

Quando essa IA erra, a natureza do problema deixa de ser “um modelo dando, às vezes, uma resposta incorreta” para virar “um sistema que executa continuamente e amplifica um erro”.

Tang Jie propôs dois níveis de proteção.

O primeiro é alinhamento de valores na fase de treinamento. Ele não se contenta apenas em adicionar “patches de segurança”, como filtragem de palavras-chave fora do modelo; ele quer incorporar a ética humana, normas sociais e leis e regulamentos nos objetivos de treinamento, de modo que o modelo aprenda desde a base o que pode fazer e o que não pode.

O segundo nível é investir recursos na casa das dezenas de bilhões para pesquisar interpretabilidade mecânica, tentando descobrir quais neurônios e mecanismos internos do modelo causam uma certa decisão, tornando mais transparente o “black box” difícil de entender.

Por que é a Zhipu, por que agora

Não há dúvida: a Zhipu é um dos focos do ecossistema de IA da China — e até do mundo.

Em 13 de junho de 2026, a Zhipu lançou seu modelo flagship GLM-5.2. Janela de contexto de 1M, protocolo de licença MIT, em benchmarks de capacidade de código como SWE-Bench Pro e Terminal-Bench, ficou entre os 3 primeiros do mundo e em primeiro entre os nacionais.

No fim de junho, uma mídia estrangeira publicou uma reportagem citando testes de uma empresa de cibersegurança chamada Semgrep: em alguns benchmarks de detecção de vulnerabilidades, o desempenho do GLM-5.2 fica parelho com o do Mythos, modelo mais forte da Anthropic; em tarefas específicas, até supera o Claude Opus 4.8.

Essa reportagem gerou enorme controvérsia no setor de IA.

Vale lembrar: o GLM-5.2 é um modelo open source; tanto o Mythos quanto o Opus 4.8 são modelos fechados. Além disso, o preço do GLM-5.2 é de cerca de um décimo do Opus.

Ali Ghodsi, cofundador da Databricks, fez um experimento com seus próprios funcionários para esse efeito.

Ele colocou mais de 3.000 engenheiros de sua empresa para fazer o mesmo tipo de trabalho com GLM-5.2 e Opus 4.8. O resultado mostrou que as duas IAs deram resultados parecidos, mas o GLM-5.2 custava US$ 1,28 para completar uma tarefa, enquanto o Opus custava US$ 1,94.

Por que todo mundo gosta de comparar a Zhipu com a Anthropic? Porque o CEO da Anthropic, Amodei, sempre foi um opositor ferrenho de modelos open source.

Ainda em julho de 2023, ele foi testemunhar no Senado dos EUA, dizendo que a IA open source é um caminho “muito perigoso”.

A lógica dele é a seguinte: quando um modelo fechado dá problema, a empresa pode desligar, corrigir e rastrear imediatamente quem está usando de forma indevida; mas, quando um modelo open source é liberado, os desenvolvedores não conseguem mais “recolher” aquilo.

O motivo é que você não consegue monitorar quem está usando um modelo open source, não consegue revogar acesso e não consegue aplicar patches de segurança a um modelo que já foi aberto.

Em junho de 2026, depois do lançamento do GLM-5.2, Amodei voltou a fazer um alerta público: a disseminação (publicação) de IA open source na China “é algo de que não gosto nada”; capacidades de segurança de ponta não deveriam estar nas mãos de modelos open source.

Está claro que a Zhipu já impactou o discurso da Anthropic. Mas só ter modelo não basta — é preciso também ter ferramentas para conectar isso aos cenários reais de desenvolvimento. Assim como a Anthropic tem o Claude Code, e a OpenAI tem o Codex.

No mesmo dia do lançamento do GLM-5.2, a Zhipu lançou sua própria ferramenta, ZCode 3.0. Ela se adapta profundamente ao GLM-5.2 e não mantém mais adaptações de agentes de terceiros. Ou seja, o ZCode é uma ferramenta exclusiva do GLM-5.2; outras pessoas não conseguem usar.

Para desenvolvedores, basta propor requisitos em linguagem natural. O Zcode consegue ler todo o projeto de código, chamar o terminal e o navegador, editar arquivos, rodar testes, verificar mudanças no Git e então levar diretamente o projeto para um estado pronto antes da entrega.

A velocidade do desenvolvimento tecnológico da Zhipu é muito rápida; a velocidade de queimar dinheiro também é.

Em 8 de janeiro de 2026, a Zhipu listou-se na Bolsa de Hong Kong. Preço de emissão: 116,2 HKD. O IPO arrecadou líquidos cerca de 4.896 milhões de HKD (aprox. 48,96 bilhões de HKD). Até 30 de junho, já tinha usado cerca de 4.588 milhões de HKD (45,88 bilhões de HKD), com taxa de utilização acima de 93%, sobrando apenas 308 milhões de HKD (3,08 bilhões de HKD).

Em 9 de julho, a Zhipu anunciou a colocação de no máximo 19,78 milhões de novas ações H a 1.588 HKD por ação. A arrecadação líquida foi de cerca de 31,375 bilhões de HKD.

A Zhipu não fez emissão de títulos (dívida), mas sim aumento de capital com emissão de novas ações para financiamento. O preço das novas ações era cerca de 13% mais barato do que o fechamento do dia anterior; teoricamente, esse tipo de ação deveria pressionar a cotação. Só que o resultado foi o oposto: no dia em que a notícia foi divulgada, a ação da Zhipu chegou a subir mais de 20% intraday.

No comunicado, a Zhipu disse que planeja usar todo esse dinheiro até o fim de 2027. O investimento será dividido em três grandes direcionamentos: P&D principal e infraestrutura de computação; expansão comercial e aquisições de empresas na indústria; suplementação de capital de operações e otimização da estrutura de capital.

Então, bem nesse momento, Tang Jie precisa fazer algo para estabilizar o ânimo. Publicar um texto longo para deixar claro para o mundo exterior e também para o time interno o que a Zhipu vai fazer a seguir se torna a escolha mais eficiente e direta.

O setor entra na antevéspera do duelo pela AGI

Touch high, em tradução direta, é “tocar no alto”. E qual é o nosso “alto”? É o céu.

Que coincidência — antes de Tang Jie enviar a carta interna, o CEO da MiniMax, Yan Junjie, também escreveu uma carta interna chamada “Toward the end of the sky” (“Rumo ao fim do céu”).

Em 9 de julho, a MiniMax teve a primeira rodada de liberação em larga escala de ações com lock-up após a listagem. Foram liberadas cerca de 146 milhões de ações, representando quase 49% do total de ações.

Naquele dia, as ações despencaram quase 18% e, no dia seguinte, caíram mais de 10%. O valor de mercado, que no pico de março era de 41 bilhões de HKD, foi caindo até menos de 8 bilhões de HKD.

Na mesma noite da liberação com forte queda, a MiniMax iniciou a maior rodada de refinanciamento desde o IPO. Foram colocadas novas ações mais 6,5 bilhões de HKD em debêntures conversíveis isentas de juros; o total arrecadado foi de cerca de 16 bilhões de HKD.

Desse total, a quantia líquida das ações colocadas foi de cerca de 9,491 bilhões de HKD, e a quantia líquida das debêntures conversíveis foi de cerca de 6,466 bilhões de HKD. 80% serão usados para infraestrutura de IA e pesquisa e desenvolvimento de modelos; 10% para a comercialização global do produto Harness; 10% para capital de operações.

Com esse pano de fundo, Yan Junjie fez três promessas na carta.

Primeiro, a partir de agora até a empresa alcançar AGI, ele não vai receber nenhum salário. Segundo, nos próximos quatro anos, ele vai destinar incentivos ao time com ações equivalentes a 4% do capital total em nome pessoal. Terceiro, ele vai destinar 1% das ações para criar um fundo específico para apoiar a comunidade open source. Somando 5% das ações pessoais mais zero salário.

Embora a carta de Yan Junjie não seja tão específica quanto a do Tang Jie, o tom é mais forte: ele colocou, com patrimônio pessoal, uma aposta no valor de longo prazo da MiniMax, e o destino também é a AGI.

Listagem não é o fim; é o começo da capacidade de investir no longo prazo.

Falando em dinheiro, recentemente há mais uma empresa estrela que conseguiu captar recursos: a DeepSeek.

Em junho, essa empresa concluiu sua primeira rodada de captação de 50 bilhões de RMB e, em 25 de junho, iniciou uma expansão massiva de contratações para todo o time.

Antes disso, a DeepSeek não fazia captação, não comercializava e não fazia roadshow. Liang Wenfeng sustentava o time inteiro com os lucros de uma firma de quant, utilizando o Huanfang Quantization. A empresa, com quase três anos de existência, recusou investimento externo.

Mas a partir de agora, a DeepSeek também está mirando a AGI.

O slogan da contratação é “explorar o território que ainda não foi alcançado”. No anúncio, está escrito diretamente que “a humanidade está na véspera da AGI”, convidando candidatos a “vivenciar o processo de desenvolvimento da AGI, sentar na linha da frente da era e testemunhar o nascimento de uma nova era”.

Das 33 vagas, a mais digna de atenção é o time Agent Harness recém-criado em março deste ano.

Existe uma fórmula interna na DeepSeek: Model + Harness = Agent. Isso é semelhante ao que Tang Jie fala sobre tarefas de longo alcance e agentes autônomos. O Harness decide quais ferramentas o modelo pode chamar, quais recursos pode acessar e como as tarefas são entregues.

Mas o que realmente chama atenção é uma vaga especial chamada “talentos de tecnologia em transição para IA”.

Para essa vaga, não há restrição de formação profissional; ela mira candidatos que “querem participar da criação e construção da AGI”. Os itens que dão vantagem incluem: “não seguir o caminho comum”, “alcançar o extremo em algum domínio” e “ter experiência empreendedora”.

A lógica da DeepSeek é que só engenharia não leva à AGI; ela precisa de mais “participantes”.

Por exemplo, talentos que estudam ciência cognitiva ou psicologia: como a essência da IA é imitar o processo de pensamento humano, talvez pesquisar como humanos memorizam, aprendem, julgam e desenvolvem emoções possa ajudar a IA a melhorar o desempenho.

Quão longe está a AGI? Eu não consigo dizer com certeza, mas eu sinto que a AGI realmente não está longe.