Título original: (DeepSeek faz parceria com Unitree: quando a inteligência fica barata a ponto de poder ser desperdiçada)
Autor original: A análise Beating

A tecnologia realmente começa a mudar o mundo quando ela fica tão barata que pode ser desperdiçada.

Recentemente, até a mídia estrangeira começou a aprender uma expressão que é muito típica da internet chinesa: linha de abate.

Em 31 de julho, houve a atualização do DeepSeek V4 Flash. No gráfico de coordenadas publicado pela Artificial Analysis que compara simultaneamente o nível de inteligência dos modelos e seus custos de uso, quanto mais alto estiver o eixo vertical, mais inteligente é o modelo; quanto mais à direita estiver o eixo horizontal, maior é o custo de chamada. O índice de inteligência do V4 Flash chegou a 50 pontos, já praticamente encostando no primeiro grupo do mundo; mas o custo médio de uma rodada de testes é de apenas 3 centavos. Aquele ponto foi quase empurrado para o canto superior esquerdo do sistema de coordenadas. Modelos mais baratos do que ele, em geral, têm capacidades bem inferiores; modelos mais inteligentes do que ele, por sua vez, costumam ser bem mais caros.

Agora, se um modelo não for significativamente melhor do que a DeepSeek, fica cada vez mais difícil explicar por que ele custa algumas dezenas de vezes mais. A internet chinesa chama essa linha de fronteira de «linha de abate (斩杀线)». Alguns dias depois, a Bloomberg discutiu a pressão de preços que os modelos chineses exercem sobre empresas de IA nos EUA, e até usou «Death Zone» diretamente no título.

Desde o V2 de 2024, a DeepSeek vem reduzindo continuamente o custo do que é necessário para «pensar uma vez» com máquinas. As tarefas que o modelo consegue fazer ficam cada vez mais complexas, mas o preço nunca disparou junto com a capacidade. Nos últimos dois anos, a indústria de grandes modelos teve o hábito de falar de progresso com parâmetros maiores, contexto mais longo e benchmarks mais altos. A DeepSeek vinha perseguindo um outro padrão: com a mesma inteligência, será que dá para gastar menos dinheiro?

Do outro lado de Hangzhou, Wang Xingxing fez por mais de uma década algo semelhante.

Quando ele fez mestrado e trabalhava no XDog, não havia de onde tirar dinheiro para gastar. Sistemas hidráulicos caros não dava para usar, então ele estudou motores de baixo custo. Soluções maduras não dava para comprar, então ele desenhou placas de acionamento, escreveu programas e montou um sistema de controle. Muitas escolhas técnicas que hoje já viraram itens padrão dos produtos da Unitree tinham, desde o começo, um hábito de engenharia bem simples: não perguntar como o setor normalmente faz; primeiro ver se existe uma forma mais barata.

Mais tarde, Wang Xingxing relembrou que, em 2010, ao fazer robôs bípedes, a parte mecânica somada custou apenas 200 yuans. Muitos anos depois, alguém perguntou se a Unitree ainda poderia continuar reduzindo custos. Ele respondeu: «Não compare conosco para reduzir custos. A gente ainda consegue reduzir muita coisa.»

Uma empresa está baixando o preço do pensar; a outra está baixando o preço de agir. Por um bom tempo, embora ambas estivessem em Hangzhou, cada uma seguiu seu próprio caminho.

Até 6 de agosto.

A Unitree divulgou o resultado do plano de alocação de sua IPO no mercado de empresas de ciência e tecnologia (科创板). A DeepSeek aportou 140,8 milhões de yuans para subscrever as novas ações da Unitree. As disposições de cooperação divulgadas por ambas também são bem diretas: quando a Unitree precisa de serviços de treinamento de modelos e soluções tecnológicas, dá prioridade à DeepSeek; quando a DeepSeek precisa de robôs e explorar aplicações de inteligência incorporada, dá prioridade à Unitree.

Colocar esse dinheiro no setor de IA de hoje não chega a ser surpreendente. O realmente interessante é que duas pessoas — há mais de uma dezena de anos — sempre quiseram empurrar tecnologias caras para o nível de “preço de verdura” e, pela primeira vez, juntaram suas curvas de custo na mesma conta. Aí surgiu uma pergunta mais digna de investigação do que: “os grandes modelos finalmente ganharam um corpo para robôs”.

Se o custo de fazer uma máquina pensar e o custo de fazer uma máquina agir continuarem a cair, como seria o futuro da IA?

A resposta pode não ser apenas «mais gente consegue pagar».

A mudança maior é que começamos a não precisar mais tratá-la com tanto cuidado.

Dois assassinos de preços

O que mais se parece entre Liang Wenfeng e Wang Xingxing é que ambos não confiam muito em “barato trocado por subsídio”. A tabela de preços até pode ser ajustada de uma noite para outra, mas a lã sai do corpo do carneiro; esse tipo de preço baixo dificilmente se sustenta por muito tempo. Se a empresa realmente quiser vender a longo prazo com preço baixo, no fim precisa voltar à engenharia: desmontar, camada por camada, aqueles custos que antes existiam como se fossem óbvios.

A DeepSeek-V2 é o exemplo mais típico. Depois que o modelo foi lançado em 2024, o setor doméstico de grandes modelos foi rapidamente puxado para uma guerra de preços. O que o mundo mais facilmente vê é a cotação da API; mas o que sustenta de verdade a queda de preço fica escondido na estrutura do modelo. A V2 tem um total de 236 bilhões de parâmetros; para processar um token, apenas 21 bilhões são ativados de fato. Em comparação com a geração anterior, o custo de treinamento caiu 42,5%; o KV Cache diminuiu 93,3%; e a taxa máxima de geração aumentou para 5,76 vezes.

A partir do V3, essa ideia continua avançando. O modelo ficou maior: o treinamento formal consumiu 2,788 milhões de horas de GPU H800. E a DeepSeek ainda otimizou a eficiência por meio de mixture of experts, treinamento de baixa precisão e otimizações de comunicação.

Essa visão de custo depois passou até a definir produtos de forma inversa.

Em maio deste ano, a DeepSeek transformou o desconto promocional de 75% do V4-Pro em um preço permanente; o modelo topo de linha também continuou a ser pressionado para baixo. Liang Wenfeng já tinha explicado o princípio de precificação: preço baseado no custo real, sem ficar subsidiando por muito tempo e sem buscar margens extraordinariamente altas.

A compreensão de Wang Xingxing sobre robôs é quase a mesma.

Em uma entrevista com (LatePost) em 2025, perguntaram: quando o H1 era vendido por US$ 90 mil e depois surgiu uma versão mais flexível do G1, na configuração de entrada, com preço inicial apenas 99 mil yuans. Isso ainda dá lucro?

Wang Xingxing respondeu: «Atividades comerciais devem, claro, ter um lucro comercial razoável. O custo sempre foi o KPI de fazer tudo. O núcleo é ganhar dinheiro.»

O que ele falou depois também teve pouco a ver com aquela frase mais comum «quando a escala cresce, os fornecedores naturalmente baixam os preços». Quem realmente decide o piso do preço dos robôs é como escolher o motor, como fazer o redutor; quantos componentes uma articulação precisa; se o conjunto completo ainda pode ficar mais leve; e quais componentes precisam ficar sob controle da própria empresa.

Esse modo de reduzir custos tem um sabor bem característico da era industrial: um centavo se divide em duas metades para gastar.

Um circuito a menos alguns centímetros; uma articulação a menos dois componentes; um chicote de cabos que vira outro percurso. Tudo isso, separado, não chega a ser nenhuma grande descoberta. Mas quando várias dessas mudanças se acumulam, no fim elas afetam diretamente o preço de venda.

A mudança de preços da Unitree ao longo dos últimos anos é exatamente assim. Em 2023, o primeiro robô humanoide de tamanho integral, H1, foi lançado; naquele ano, só foram vendidas 5 unidades, com preço médio de 593,4 mil yuans. Em 2024, o G1 — menor — entrou no mercado, com as vendas aumentando para 410 unidades, e o preço médio caiu para 260,7 mil yuans. Em 2025, até os primeiros nove meses, as vendas de robôs humanoides chegaram a 3551 unidades, e o preço médio voltou a cair para 167,6 mil yuans.

A cada etapa que o preço cai, os compradores de robôs recebem um novo lote. Equipamentos de 500 a 600 mil yuans exigem que o laboratório aprove um projeto, elabore orçamento e explique o que exatamente será pesquisado depois de comprado. Já dezenas de milhares de yuans permitem entrar em mais universidades, times de desenvolvimento e empresas.

Muitos avanços técnicos atravessam o limiar da popularização justamente nessas mudanças. De orçamento específico para orçamento do departamento; depois, de orçamento do departamento para compras comuns; e por fim, em algum dia, as pessoas ficam preguiçosas demais para calcular as contas de cada uso.

Tecnologias caras naturalmente só servem para resolver problemas caros. Quando os preços caem, as pequenas coisas que antes nem valiam a pena tirar uma tecnologia do armário começam a entrar no mundo dela.

Duas curvas de custo finalmente se cruzam

A Unitree já está fazendo world models e VLA, então o valor da DeepSeek não é apenas «acoplar um cérebro a um robô». O que realmente encaixa as duas empresas é o ciclo de treinamento mais caro da inteligência incorporada hoje em dia.

Esse ciclo acontece metade no mundo real. Quando o robô de fato estende a mão, anda, pega coisas, humanos — ou outros sistemas — continuam a demonstrar para ele, gerando trajetórias de sucesso e de falha.

A outra metade acontece em computação: dados são limpos e anotados, enviados para o treinamento do modelo com novas estratégias; depois, após inferência e validação, são recarregados de novo no robô para implantação. O robô sai para testar de novo, traz novos dados, e o modelo aprende mais uma vez. Quanto mais rápido esse ciclo roda, mais o robô entra em contato com o mundo inteiro.

O problema é que ela é cara dos dois lados. O robô real custa caro, então fica difícil para o time fazer com que centenas de robôs vivam o tempo todo “batendo a cabeça” no laboratório. E o treinamento e a inferência também custam caro; aqueles dados coletados que não mostram valor à primeira vista também não conseguem ser repetidamente treinados e validados.

Assim, as pesquisas com robôs no passado sempre foram tão valiosas. Eram poucas máquinas; que dados coletar hoje precisava ser pensado com antecedência. O poder de computação era limitado; valia a pena rodar de novo uma leva de trajetórias, precisava ser contado “nos dedos”. Quanto mais caros os recursos, mais os pesquisadores tendem a escolher problemas que parecem ter mais valor e maior probabilidade de sucesso.

Só que o mundo real não é assim.

Qual a diferença entre colocar um copo a 3 centímetros e a 5 centímetros da borda da mesa? Para onde se deve agarrar a toalha depois de molhar metade? Quando a gaveta trava, é melhor continuar puxando com força ou recuar um pouco antes? Como ajustar o braço quando se coloca uma maçã e três maçãs em um saco plástico? Só essas coisas, tomadas uma a uma, não há nenhuma que mereça uma coletiva de imprensa, nem mesmo um experimento especialmente projetado para uma aprovação de laboratório. Mas, quando robôs entram na casa, no restaurante, no armazém e no escritório, o mundo que eles enfrentam todos os dias é justamente feito dessas questões miúdas e irritantes.

Quando se olha para a cooperação entre DeepSeek e Unitree nesse ponto, a lógica fica bem mais clara.

A Unitree pressiona o custo da primeira metade para baixo, permitindo que mais robôs reais entrem no laboratório, nos times de desenvolvimento e em cenários reais; a DeepSeek, por sua vez, resolve a segunda metade a longo prazo, deixando o treinamento, a inferência e a validação cada vez mais baratos.

A maioria das trajetórias no fim não vira produto; a maioria dos experimentos também não vira notícia. Alguns robôs erram o copo 100 vezes seguidas; uma leva de dados caros pode rodar — e ainda assim só acabar provando que aquela ideia original simplesmente não se sustenta.

Quando os recursos são caros, essas coisas viram “dinheiro jogado fora”. Quando os custos ficam baixos o suficiente, elas ganham o direito de serem chamadas de “experiência”.

Se o celular ficar um pouco mais barato, significa que mais gente consegue comprar; se o robô ficar um pouco mais barato, significa também que ele mesmo ganha mais tempo sem produção. Ele treina uma tarde inteira no laboratório, faz alguns movimentos que no fim nem serão usados, entra em ambientes mais estranhos e encontra mais situações que engenheiros nem tinham imaginado com antecedência.

Quando corpo e inteligência ficam baratos ao mesmo tempo, a inteligência incorporada ganha primeiro é mais “credibilidade” para errar.

Como os humanos aprenderam a desperdiçar tecnologia

Esse tipo de coisa já aconteceu muitas vezes na história da tecnologia humana.

Em 1865, o economista britânico William Stanley Jevons, ao estudar motores a vapor e carvão, descobriu algo contraintuitivo. A eficiência das máquinas a vapor continuou aumentando: para concluir uma tarefa, era preciso queimar cada vez menos carvão. Só que o consumo de carvão da Grã-Bretanha não caiu junto — na verdade, aumentou. Porque, quando a energia a vapor fica mais barata, coisas que antes não se tinha “coragem” de usar passam a ser usadas. O carvão que era economizado pela eficiência logo é consumido por uma quantidade maior de novas demandas.

Mais tarde, as pessoas chamaram esse fenômeno de «Paradoxo de Jevons».

Nos últimos dois anos, quem usou IA — na prática — já sentiu, em certa medida, a fase inversa. Quando os modelos ainda eram caros, a gente primeiro aprendeu a economizar inteligência. Times de startup discutem “experiência do usuário” em voz alta, mas o product manager ainda tem, na cabeça, uma tabela de preços de tokens. Um recurso que tecnicamente dá para fazer pode, no fim, ser cortado porque «fica caro demais rodar o modelo mais cinco vezes para cada usuário».

Mas quando a tecnologia realmente entra na vida, costuma haver outra barreira: ela fica tão barata que começamos a usá-la em coisas que não são tão importantes.

Hoje ninguém vai calcular, antes de acender a luz da sala, qual valor econômico foi “criado” por aquela hora de iluminação. E ninguém vai achar que está desperdiçando a grandiosa infraestrutura da internet só porque, no plano de fundo, o celular fez mais algumas requisições de rede.

Energia e rede têm custo, só que esse custo já caiu a um ponto que não vale a pena tomar decisões para cada uso. As pessoas já viraram gastadoras nessas coisas — e sem qualquer culpa.

Se um dia a inteligência chegar aqui, a nossa relação com a IA também vai mudar. Depois da reunião, manda o modelo “organizar” as coisas com um toque; depois que o texto estiver pronto, faz alguns modelos apontarem falhas separadamente. Se um Agent não deu certo, muda os caminhos e continua tentando; não importa se os “caminhos” têm ou não “frutas”, primeiro dá três tacadas para testar. O robô arruma a mesa: na primeira vez, derruba o copo; na segunda, a mão sai torta; na terceira, o movimento fica lento — então vem a quarta vez.

Depois que uma tecnologia se populariza de verdade, as pessoas não passam a calcular cada vez com mais cuidado a eficiência do uso. E até pode acontecer de o ser humano se esquecer de que está usando aquilo.

Até que a gente pare de calcular essa conta

Em 1911, o matemático e filósofo inglês Whitehead escreveu uma frase em (Introdução à Matemática):

«O progresso da civilização está em expandir continuamente aquelas operações importantes que conseguimos realizar sem precisar pensar.»

Hoje a IA ainda não chegou aqui. Ainda estamos discutindo qual tarefa merece usar o modelo mais caro; desenvolvedores ainda trocam fornecedores porque cada milhão de tokens muda alguns poucos “yuans”. E as empresas de robôs precisam achar, entre a sala de exposição, o laboratório e a fábrica, aquele cenário em que dá para “fazer as contas” mais facilmente. A indústria ainda tem um peso muito forte de custo do dia a dia — arroz, feijão, óleo e sal.

E o que conecta de verdade esses 140,8 milhões de yuans é uma conta que raramente aparece nas discussões do setor: quanto custa um robô errar?

Hoje essa resposta ainda não está barata o suficiente. Então cada dado do mundo real precisa ser coletado com seriedade; cada rodada de treinamento precisa de triagem; e para cada robô, o ideal é encontrar o mais rápido possível um trabalho que dê para transformar em produção.

Quando a inteligência se popularizar de verdade, talvez não exista uma coletiva de imprensa para anunciar uma nova era. A gente só vai percebendo aos poucos: um robô, num canto do armazém, treinando uma tarde inteira para pegar caixas — falhando 300 vezes — já não é mais algo que alguém precise perguntar especificamente. Um Agent, para encontrar uma resposta, tenta dezenas de caminhos sozinho — e ninguém fica olhando e doendo com a conta de tokens. No laboratório, colocar mais algumas unidades de robôs não exige mais escrever uma justificativa de compra para cada uma delas.

Por isso, o preço realmente importante para o futuro da IA talvez não seja quanto custa exatamente um milhão de tokens, nem quanto custa exatamente um robô humanoide, e sim quando finalmente ficaremos preguiçosos demais para continuar calculando esses números.

Quando o sujeito já não vale mais a pena se preocupar com máquinas que pensam mais algumas vezes, andam mais alguns passos, cometem mais erros; é então que a inteligência deixa de ser apenas uma capacidade cara e se transforma em infraestrutura.

Quando a tecnologia realmente começa a mudar o mundo, muitas vezes acontece justamente quando ela fica barata o suficiente para ser desperdiçada.

A DeepSeek está fazendo o custo do pensar chegar perto desse preço; a Unitree está fazendo o custo do corpo chegar perto desse preço. O que resta é garantir que as máquinas tenham uma vida inteira suficientemente barata.

Tão barato que dá para tentar de novo e de novo; tão barato que permite errar continuamente. Até aquelas falhas que hoje parecem sem sentido, finalmente passam a existir em quantidade suficiente para formar inteligência.

Link original