📸 Créditos da imagem: reprodução
Uma nova e audaciosa afirmação agita o cenário da inteligência artificial: a startup Subquadratic, sediada em Miami, anunciou ter desenvolvido uma arquitetura de IA que seria quase mil vezes mais leve e eficiente do que os modelos de linguagem atuais, como o ChatGPT. A empresa promete uma capacidade de processamento sem precedentes, capaz de lidar com até 12 milhões de tokens de uma única vez.
No entanto, a empolgação em torno da revelação vem acompanhada de um ceticismo considerável. Os dados divulgados pela Subquadratic ainda carecem de validação científica independente, um ponto crucial que a própria empresa reconhece, prometendo um relatório técnico completo para “em breve”.
O cerne da inovação da Subquadratic reside na busca por solucionar um dos maiores gargalos dos Grandes Modelos de Linguagem (LLMs) contemporâneos: o alto custo computacional e a dificuldade em processar textos muito extensos. Gigantes como OpenAI, Google e Anthropic enfrentam essa limitação, que restringe a capacidade de suas IAs de compreender e gerar conteúdo em contextos muito amplos.
O carro-chefe do anúncio é o modelo fundacional SubQ 1M-Preview, que, segundo a startup, é capaz de reduzir o poder computacional necessário em “quase mil vezes”. Além do modelo, a Subquadratic liberou três produtos em fase beta para o mercado:
Novos Produtos e Ferramentas
- Uma interface de programação (API) para integração com sistemas externos.
- Um agente de programação chamado SubQ Code.
- Um buscador próprio, o SubQ Search.
A grande sacada por trás dessas novidades, conforme a empresa, está em uma abordagem matemática inovadora.
A Inovação por Trás da Eficiência: Atenção Esparsa Subquadrática
Para baratear significativamente a conta do processamento, a Subquadratic afirma ter adotado um método denominado atenção esparsa subquadrática (SSA). Para compreender o impacto dessa mudança, é fundamental entender como os modelos de IA atuais operam.
Em LLMs como o ChatGPT, o sistema precisa cruzar e comparar cada palavra de um texto com absolutamente todas as outras para interpretar o contexto de forma abrangente. Esse é um processo computacionalmente intensivo: se o tamanho do texto inserido dobra, a capacidade computacional exigida do servidor é multiplicada por quatro, caracterizando um crescimento quadrático.
Com o método da Subquadratic, a IA é treinada para focar apenas nas relações mais relevantes entre as palavras, ignorando o que é redundante. Isso transforma o custo computacional de um crescimento quadrático para um crescimento linear, ou seja, dobrar a quantidade de dados exige apenas o dobro de poder de processamento. Segundo a startup, essa eficiência se torna exponencialmente maior à medida que o texto aumenta.
Os números divulgados pela empresa ilustram essa promessa de desempenho. Em uma janela de contexto de 128 mil tokens (a unidade de medida para fragmentos de texto em IA), o SubQ seria 7,2 vezes mais rápido que os modelos tradicionais. Em análises massivas de 1 milhão de tokens, o desempenho alegado seria 52 vezes superior, com suporte para processar impressionantes 12 milhões de tokens de uma só vez.
Equipe de Destaque e Investimento de Peso
O otimismo em torno da Subquadratic não surge do nada. A empresa foi fundada por Justin Dangel (CEO) e Alexander Whedon (diretor técnico), este último com passagens como ex-chefe de IA generativa na TribeAI e ex-Meta. A equipe também conta com engenheiros experientes, alguns vindos do Google DeepMind. O projeto já atraiu investidores de peso, incluindo a própria OpenAI e a Anthropic, indicando um reconhecimento inicial do potencial da tecnologia.
Apesar da ficha técnica impressionante no papel, os dados apresentados pela Subquadratic são recebidos com ressalvas por especialistas. Há apontamentos de que os testes divulgados pela empresa parecem ter sido “escolhidos a dedo”, focando em tarefas onde o novo método de atenção esparsa naturalmente apresenta vantagens, como engenharia de software e localização de dados em documentos gigantescos.
Críticos notam a ausência de avaliações em áreas fundamentais para medir a inteligência geral de uma IA, como resolução de problemas matemáticos, adesão a diretrizes de segurança e fluência em múltiplos idiomas. Além disso, o fato de alguns testes terem sido executados apenas uma vez, eliminando a margem de erro estatístico, gerou desconfiança no meio especializado.
Nos fóruns de discussão sobre IA, a situação da Subquadratic foi inevitavelmente comparada à da startup Magic. dev, que em 2024 prometeu ganhos similares, mas até o momento não conseguiu que seus modelos ganhassem adoção prática no mercado. Para tentar dissipar as dúvidas e comprovar a eficácia de sua tecnologia, o diretor técnico Alexander Whedon reiterou que a empresa pretende publicar um relatório técnico completo “em breve”.
📰 Leia a notícia completa em: Tecnoblog »