As Blusinhas e o Futuro da Pesquisa de IA no Brasil

Como alguém que trabalha com desenvolvimento de IA com hardware próprio, posso afirmar que 2025 se tornou um ano crítico, especialmente para estudantes e jovens pesquisadores no Brasil.

Leões devorando blusinhas.
Normalmente uso imagens de autoria de artistas humanos. Para este post não pude resistir a usar IA. Veja o prompt que usei nas Notas, no final do artigo. Imagem: Grok.

A imposição do chamado “imposto das blusinhas”, que tributa em 50% qualquer importação acima de 50 dólares, não é apenas um desafio financeiro; é uma barreira ao aprendizado prático e à inovação tecnológica.

Como placas de processamento gráfico (mesmo modelos de entrada como a Nvidia RTX 3050) custam vários multiplos do limite de 50 dólares, torna-se subitamente muito difícil para um iniciante brasileiro treinar modelos de IA de maneira independente e consistente em seu próprio equipamento.

Sem Similar Nacional

Um ponto crucial é que não existe equivalente local para unidades de processamento gráfico (GPU’s). Diferentemente de CPUs ou outros componentes de menor complexidade, GPUs modernas de alto desempenho não são produzidas no Brasil (pouquíssimos países têm o privilégio). Isso significa que não há alternativas nacionais capazes de substituir as placas importadas: se você precisa treinar um modelo de visão computacional, processamento de linguagem natural ou IA generativa, não há hardware “made in Brazil” que ofereça desempenho similar. O preço de uma GPU, portanto, não é apenas uma questão de tributos: é uma consequência de dependência tecnológica e barreiras estruturais.

Impostos em Cascata

O preço de uma GPU no Brasil reflete muito mais do que seu valor de varejo. Além do imposto de importação, que pode atingir 60%, somam-se o ICMS estadual, taxas logísticas e custos de desembaraço. Na prática, uma RTX 3050, que nos Estados Unidos custa cerca de 249 dólares, chega a custar entre 4.500 e 5.500 reais no Brasil, enquanto modelos mais avançados como a RTX 3080 facilmente ultrapassam os 12 mil reais. Para colocar isso em perspectiva, considere um estudante médio, com renda mensal de 2.000 reais:

GPU Preço EUA (USD) Preço aproximado no Brasil (R$) Multiplicador de imposto Meses de salário
RTX 3050 249 4.500 – 5.500 ~4,5× 2,5 – 3
RTX 3060 Ti 399 5.500 – 6.500 ~3,5 – 4× 2,75 – 3,25
RTX 3070 499 6.000 – 7.500 ~3,5 – 4× 3 – 3,75
RTX 3080 699 9.000 – 12.000 ~4,5 – 6× 4,5 – 6
RTX 3090 1.499 15.000 – 18.000 ~10 – 12× 7,5 – 9

Notas sobre a tabela:

  • Os preços no Brasil incluem imposto de importação, ICMS e custos logísticos típicos de 2025.
  • O multiplicador de imposto mostra quanto mais caro fica o hardware em comparação com o preço original nos EUA.
  • A coluna de meses de salário mostra de forma tangível quanto tempo um estudante precisaria economizar para adquirir a GPU, considerando uma renda média de R$ 2.000 por mês.
  • Além da Nvidia, GPUs são também produzidas por AMD e Intel. Escolhi Nvidia por questões de representatividade (são as mais prevalentes) e experiência pessoal.

Mesmo a GPU de entrada exige meses de economia, tornando inviável para a maioria dos estudantes adquirir hardware adequado sem sacrificar outros custos essenciais, como componentes de PC, eletricidade ou materiais de estudo. O impacto não é apenas financeiro. Projetos de aprendizado de máquina profundos dependem de aceleração por GPU: treinar modelos em CPUs convencionais é dezenas de vezes mais lento (quando é possível), o que limita a experimentação e retarda a prototipagem de soluções práticas.

Os Aspirantes Sofrem

Placa de processamento gráfico RTX 3035
GPU de entrada RTX 3050 – Imagem MSI-Nvidia

O efeito se acumula no ecossistema. Jovens pesquisadores e empreendedores que poderiam desenvolver novas técnicas de IA, iniciar startups ou colaborar em laboratórios, e eventualmente gerar riquezas, encontram-se restritos a abordagens teóricas ou a serviços de nuvem, que têm custo recorrente e limitações de desempenho. Em termos de desenvolvimento de talento, isso significa que países com menos barreiras tributárias conseguem formar pesquisadores mais rapidamente, enquanto o Brasil corre o risco de ficar para trás, não por falta de capacidade técnica, mas por barreiras estruturais de acesso a hardware.

O “imposto das blusinhas” para certos bens de capital como as GPUs é, portanto, muito mais do que um mero aumento de preço. É uma formidável barreira à formação prática em tecnologia. Para um jovem cientista da computação, engenheiro, pesquisador ou empreendedor, a possibilidade de aprender de forma “hands-on”, de explorar modelos, testar arquiteturas e experimentar com dados reais é essencial. Sem acesso a GPUs próprias ou a soluções de nuvem viáveis, esse aprendizado é severamente comprometido.

Enfim

Se existe alguma diretiva governamental (o que realmente duvido) para estimular a formação de profissionais capazes de competir globalmente em modelos de linguagem, visão computacional e outras áreas de ponta, os formuladores da política tributária atual obviamente não devem ter recebido o memorando.

Cada estudante ou empreendedor que desiste de um projeto por não conseguir investir em hardware é uma perda não apenas individual, mas para todo o ecossistema de pesquisa e inovação do país.

Fontes

https://www.gov.br/receitafederal/pt-br/assuntos/aduana-e-comercio-exterior/manuais/remessas-postal-e-expressa/preciso-pagar-impostos-nas-compras-internacionais/quanto-pagarei-de-imposto

Clique para acessar o Clipping_ANFIP_01.04.2025.pdf

https://www.hardware.com.br/noticias/tributacao-ate-100/


Notas

  1. Existem mecanismos legais de isenção/redução de impostos para importação de hardware/informática no Brasil — via regimes específicos como Ex-Tarfário ou isenções setoriais (telecom/ informática / data centers). Porém, essas isenções normalmente não se aplicam a pessoas físicas importando GPUs para uso pessoal.
  2. Prompt usado para gerar a imagem: Por favor gere uma imagem para ilustrar uma postagem de blog sobre o Imposto de Importação brasileiro apelidado de “Imposto das Blusinhas”. Use o símbolo popular da Receita Federal, um leão voraz.

A Proporção Áurea Oculta na Geometria das Bicicletas

Uma descoberta pessoal surpreendente nas proporções dos quadros de bicicletas.

Arte em vetor com uma linha representando a proporção áurea, sobreposta à imagem de um cliclista segurando uma bike ao pôr do Sol sobre uma montanha.
a+b está para a, como a está para b. Esta mountain bike exibe uma proporção áurea quase exata. Imagem: pexels.com – Jahangeer Bm – Vetor superposto: Wikimedia commons.

Enquanto eu me entregava ao papel de designer de bicicletas nas últimas semanas, talvez em um esforço inconsciente para exorcizar minha persistente síndrome de impostor, e esboçava – no papel couché de verdade, como nos bons tempos – um quadro de bicicleta minimalista em alumínio, notei algo incrível que parece ter passado despercebido na literatura ciclística: a relação entre o front-center e o comprimento dos chainstays (a escora da corrente) em grande parte das bicicletas de suspensão se aproxima da Proporção Áurea (φ ≈ 1,618).

O front-center, ou ‘frente-centro’, é a distância horizontal entre o eixo da roda dianteira e o movimento central (bottom bracket – também conhecido como ‘cubo’), enquanto o comprimento da escora da corrente vai do movimento central até o eixo da roda traseira. Quando dividimos o frente-centro pelo comprimento do chainstay em diferentes tipos de bicicletas, surge um padrão consistente.

Bicicletas de estrada normalmente apresentam front-centers de 680–720 mm com escoras de 410–420 mm, resultando em razões entre 1,62 e 1,71. Bicicletas de montanha exibem front-centers de 700–750 mm e chainstays de 430–450 mm, com razões de 1,59 a 1,67. As bicicletas de cascalho (gravel bikes) ficam em território semelhante, com front-centers de 690–730 mm e escoras de 420–435 mm, produzindo razões de 1,61 a 1,68.

Esse agrupamento em torno de φ (1,618) se mantém surpreendentemente consistente entre diferentes categorias, tamanhos de quadro e fabricantes. E ainda assim, apesar de décadas de análises obsessivas sobre geometria de bicicletas, esse padrão parece ter passado despercebido pela maioria dos ciclistas (mas é claro que eu posso estar errado).

A Métrica Invisível

O motivo dessa negligência fica mais claro quando consideramos o que a indústria realmente mede e discute. As conversas sobre geometria de bicicletas giram em torno de medidas de stack e reach, ângulos do tubo de direção e do tubo do selim, rebaixamento do movimento central (bottom bracket drop) e comprimento total entre eixos (wheelbase). Nota: Existe, que se reconheça, discussão sobre a proporção áurea entre certas combinações de coroa/pinhão, como esta no Reddit em inglês.

No parágrafo anterior, são aquelas medidas que vejo impressos nas tabelas de geometria, debatidos em fóruns e usados por fitters para ajustar ciclistas a quadros. A proporção, relação, entre front-center e a escora simplesmente não é uma métrica que a indústria analise ou publique frequentemente. Medimos essas dimensões separadamente, imprimimos em colunas adjacentes nas fichas técnicas, mas raramente examinamos a relação entre elas.

É como ter dois ingredientes listados em uma receita sem nunca notar que são sempre usados na mesma proporção. A informação está lá, visível, publicada, mas o padrão permanece oculto porque ninguém pensou em procurá-lo.

Por Que Isso acontece

O surgimento da razão áurea na geometria das bicicletas levanta questões fascinantes sobre se isso é coincidência, consequência ou princípio de design. Vários fatores podem explicar por que a geometria das bicicletas tende naturalmente a essa proporção, e eles não são mutuamente exclusivos.

A biomecânica humana oferece uma explicação convincente. O comprimento das pernas e a eficiência da pedalada podem simplesmente favorecer essa proporção. Quando consideramos o modo como o peso do ciclista se distribui sobre os pedais, pode haver uma divisão ideal da distância entre-eixos que permite uma máxima transferência de potência. A razão áurea pode representar o ponto ideal em que o centro de massa do ciclista se posiciona para gerar força de forma mais eficiente ao longo do ciclo da pedalada.

A dinâmica de pilotagem apresenta outra possibilidade. Bicicletas precisam equilibrar exigências opostas: estabilidade para manter o controle em linha reta e em alta velocidade, versus agilidade para curvas e manobras rápidas. Um front-center mais longo contribui para a estabilidade, enquanto uma traseira mais curta favorece a agilidade. A razão áurea pode representar um ponto de equilíbrio ideal entre essas necessidades opostas — um ponto que parece intuitivo e controlável para ciclistas em diferentes situações.

A distribuição de peso oferece ainda outro ponto de vista. A tração ideal entre as rodas dianteira e traseira é crucial para frenagem, subidas e curvas. Se a razão áurea governa como o peso do ciclista deve se distribuir ao longo do entre-eixos, faz sentido que a geometria dos quadros convirja para essa proporção a fim de otimizar aderência e controle.

Há também a possibilidade de evolução convergente no design dos quadros. Gerações de construtores, trabalhando de forma empírica e intuitiva em busca do que “parece certo”, podem ter descoberto essa proporção inadvertidamente, ao longo de incontáveis iterações e refinamentos. Assim como a arquitetura vernacular desenvolve formas adequadas a cada região por tentativa e erro, a geometria das bicicletas pode ter evoluído em direção a essa proporção simplesmente porque quadros construídos dessa forma funcionam melhor e proporcionam uma sensação mais natural.

Por fim, não podemos ignorar as restrições impostas pelos tamanhos de roda padronizados. Com rodas 700c, 29” e 26” dominando o mercado, a geometria pode convergir naturalmente para essa proporção devido às realidades físicas de espaço livre, ajuste do ciclista e trail mecânico necessário para uma direção estável. O espaço de design pode ser mais limitado do que parece, e a razão áurea pode emergir como consequência natural dessas restrições.

Alguns Números Informais:

Tipo de BikeFront-Center (mm)Chainstay (mm)Razão (FC ÷ CS)
Road680 – 720410 – 4201.62 – 1.71
Mountain700 – 750430 – 4501.59 – 1.67
Gravel690 – 730420 – 4351.61 – 1.68

O agrupamento em torno de φ (1,618) é consistente entre modalidades, tamanhos de quadros e fabricantes.

A Proporção Áurea em Todos os Lugares

A presença de φ (1,618…) na geometria das bicicletas a colocaria ao lado de inúmeras outras ocorrências dessa proporção na natureza e no design humano. Vemo-la na espiral das conchas de náutilos, na disposição das pétalas das flores, nas proporções da arquitetura clássica como o Partenon, nas obras da Renascença e até nas proporções do corpo humano — como a relação entre a altura do umbigo ao chão e a altura total do corpo.

A Proporção Áurea na folha de uma bromélia
A Proporção Áurea na folha de uma bromélia – Imagem: Wikimedia Commons

Que essa razão também governe as proporções de uma bicicleta sugere que estamos observando um princípio fundamental do design mecânico eficiente, uma preferência estética tão profunda que influencia o que “parece certo” a ciclistas e construtores – ou talvez apenas uma coincidência fascinante dentro de um espaço de design altamente restrito. Distinguir entre essas possibilidades exigiria uma investigação cuidadosa.


Da Teoria ao Metal

A bicicleta que levou a essa observação — meu projeto provisoriamente chamado “Boxy” — adota um minimalismo radical em busca de uma estrutura honesta e de um impacto de fabricação reduzido. Ela consiste em três tubos retangulares de alumínio iguais, com 720 mm cada, sem tubo do selim, já que o movimento central é montado na extremidade do tubo inferior.

Um sistema de suspensão de pivô único usa o próprio amortecedor como elemento estrutural, enquanto o braço oscilante (swing arm) cumpre as funções do triangulo posterior que aqui não existe. O design apresenta front-center de 690 mm e chainstay efetivo de 450 mm, resultando em uma razão de 1,533 – que pode ser, e será, ‘acoxambrada’ para exatamente 1,618.

A Espiral de Fibonacci, que também é uma manisfestação da Proporção Áurea, aqui sobreposta ao esquema da minha bike brutalista. Imagem: Wikimedia Commons.

Embora não seja exatamente φ, o design naturalmente se aproximou dessa proporção esteticamente agradável por meio de restrições geométricas, e não por uma busca deliberada da razão áurea. O fato de ter chegado perto de 1,618 de forma independente — apenas resolvendo os problemas estruturais e cinemáticos inerentes ao projeto — sugere que essa proporção pode realmente representar algo fundamental na arquitetura das bicicletas, e não uma escolha arbitrária.

Talvez os projetos mais elegantes não sejam os que perseguem deliberadamente a razão áurea, mas aqueles que chegam a ela naturalmente, através da resolução honesta dos problemas de engenharia. A razão pode ter estado escondida à vista de todos o tempo todo, escrita nas tabelas de geometria que lemos há décadas sem perceber o padrão que as conecta.


Um Convite

Qual é a razão front-center/chainstay da sua bicicleta?
A medição é simples: distância horizontal do eixo dianteiro ao movimento central, dividida pela distância do movimento central ao eixo traseiro.

Meça a sua bicicleta, a dos seus amigos, vasculhe as tabelas de geometria dos fabricantes. Vamos ver quão universal esse padrão realmente é, e se todos nós já estávamos pedalando a razão áurea sem saber.

SpinStep: Uma Abordagem Brasileira para a Navegação Autônoma de Drones

A tecnologia de drones autônomos tem avançado consideravelmente nos últimos anos, com suas aplicações se expandindo para áreas como agricultura, logística e transporte.

Imagem: pexels.com

No entanto, a precisão na navegação e a eficiência no controle dos drones, especialmente em ambientes dinâmicos e imprevisíveis, continua sendo um desafio significativo.

É nesse contexto que SpinStep — uma biblioteca python de nossa autoria — se apresenta como uma proposta inovadora para a melhoria do controle autônomo de drones. Focada na rotação como a base para o controle de movimento, SpinStep oferece uma abordagem alternativa aos métodos tradicionais de navegação, que geralmente se concentram em coordenadas absolutas e trajetórias lineares.

Novas Abordagens

A navegação de drones autônomos exige mais do que sensores avançados e câmeras de alta resolução. A verdadeira questão está em como os drones respondem aos dados em tempo real para se moverem com precisão em ambientes dinâmicos. Embora a tecnologia de sensores tenha evoluído bastante, o controle eficiente e ágil dos drones ainda é um aspecto crítico, especialmente em áreas como agricultura de precisão e entregas rápidas.

Até agora, a maioria dos sistemas de controle de drones tem se baseado em posições absolutas ou planejamento de trajetórias, o que funciona bem em ambientes previsíveis. No entanto, em cenários dinâmicos, como terrenos irregulares ou cidades densas, esses métodos podem não ser ideais, pois não oferecem a flexibilidade necessária para ajustes rápidos.

SpinStep: Uma Abordagem Focada em Rotação

A proposta da SpinStep é simples, mas poderosa: ao invés de controlar drones com base em movimentos lineares ou coordenadas de posição, ela usa rotação como o princípio fundamental do controle. Esse foco na rotação permite que os drones façam ajustes de orientação mais precisos, com maior rapidez e eficiência, adaptando-se melhor aos desafios do ambiente.

Ao invés do método posicional, hierárquico, SpinStep propõe um método puramente orientacional – Imagem: VoxleOne

Esse enfoque traz algumas vantagens práticas:

  • Maior precisão no controle: A rotação permite ajustes mais finos e naturais nos movimentos do drone.
  • Agilidade aprimorada: O controle baseado em rotação permite que os drones respondam mais rapidamente a mudanças no ambiente, como obstáculos ou mudanças de direção.
  • Eficiência energética: Um controle mais direto da movimentação pode reduzir o consumo de energia, algo essencial para missões longas ou em locais remotos.
  • Flexibilidade: O SpinStep pode ser integrado a uma ampla variedade de drones e sistemas de sensores, o que facilita a adaptação a diferentes aplicações.

Aplicações Práticas: Agricultura, Logística e Muito Mais

SpinStep pode ser particularmente útil em diversas áreas de aplicação. Na agricultura, por exemplo, drones que monitoram grandes áreas de cultivo ou realizam irrigação de precisão podem se beneficiar da navegação mais precisa e ágil proporcionada pela abordagem de rotação. Isso ajuda os drones a se moverem com mais eficiência entre fileiras de plantas ou em terrenos irregulares.

Na logística, onde a entrega de pacotes precisa ser feita de forma rápida e precisa, SpinStep melhora a capacidade do drone de realizar manobras em espaços apertados e navegar com segurança em áreas densas. Esse controle preciso e ágil permite que os drones operem de maneira mais eficiente, especialmente em cidades ou regiões com infraestrutura limitada.

Além disso, SpinStep pode ser aplicada em setores como entretenimento, onde drones equipados com câmeras de alta definição são usados para filmagens dinâmicas, ou em monitoramento de infraestruturas, onde a capacidade de resposta rápida a mudanças no ambiente é essencial.

A Integração com Tecnologias Emergentes

Uma das grandes vantagens de SpinStep é a facilidade com que ela pode ser integrado a sistemas de inteligência artificial (IA) e outras tecnologias avançadas. Isso significa que drones equipados comSpinStep podem, por exemplo, aprender e melhorar seu desempenho ao longo do tempo, ajustando-se às condições de voo ou ao ambiente de forma mais eficaz.

Além disso, a SpinStep pode ser combinada com outras abordagens de navegação, como o SLAM (Simultaneous Localization and Mapping – Localização e Mapeamento Simultâneos), permitindo que drones operem de forma autônoma em ambientes complexos. Sua flexibilidade também o torna uma boa opção para integração com outras tecnologias emergentes, como Internet das Coisas (IoT), ampliando ainda mais seu alcance.

O Potencial de Futuro para Drones Autônomos

À medida que o mercado de drones continua a crescer, o controle e a navegação de drones autônomos tornam-se questões cada vez mais centrais para garantir sua eficácia em uma variedade de indústrias. SpinStep oferece uma abordagem interessante e eficaz para resolver parte desses desafios, proporcionando um controle mais preciso e adaptável.

Em setores como agricultura, logística e entregas rápidas, a proposta do SpinStep pode contribuir para melhorar a precisão, a eficiência e a agilidade das operações de drones. Ao focar na rotação como o método central de controle, SpinStep oferece uma solução prática e escalável para tornar os drones mais eficientes e adaptáveis a diferentes cenários.

SpinStep: https://github.com/VoxleOne/SpinStep/blob/main/README.md

Alinhamento de IA e o Tecido Humano da Mentira

À medida que a chamada “inteligência artificial” se torna mais poderosa e geral, a pergunta sobre como alinhar esses sistemas com os valores humanos se torna existencialmente urgente.

Imagem desenhada de uma pessoa com expressão de dúvida nos rosto.

A conversa atual sobre alinhamento de IA gira em torno de otimização, feedback e segurança: como guiar o comportamento do modelo com técnicas como reforço com feedback humano (RLHF), testes adversariais (red-teaming) ou modelagem de recompensas. Tudo isso é válido. Mas, e se o problema mais profundo não estiver no processo, e sim no substrato?

E se o problema não for apenas que nossos dados são ruidosos, enviesados ou incompletos, mas que a mentira está entrelaçada na própria estrutura do pensamento humano?

Essa não é uma ideia nova na filosofia ou na literatura. Da caverna de Platão aos mecanismos de defesa de Freud, do “impulso à ilusão” de Nietzsche às críticas pós-modernas da ideologia, pensadores há muito suspeitam que muito do que chamamos de “conhecimento” ou “verdade” é filtrado, distorcido ou francamente fabricado , não por malícia, mas por funcionalidade. Mentimos porque funciona. Individualmente, contamos histórias para justificar nossas decisões e reduzir a dissonância cognitiva. Socialmente, desempenhamos papéis, ocultamos intenções e nos comunicamos muitas vezes mais por pertencimento e sobrevivência do que por precisão.

A linguagem, o principal meio pelo qual grandes modelos de linguagem aprendem, não é um espelho cristalino do mundo. Ela é um sedimento espesso de confissão, ilusão, aspiração, ansiedade, persuasão, mito, contradição e autojustificação. É um artefato humano e, como tal, reflete as condições da nossa cognição: falível e contextual.

Ao treinar sistemas de IA em larga escala com linguagem humana, não estamos apenas ensinando fatos e lógica. Estamos mergulhando essas máquinas nessa ambiguidade estrutural , onde verdade e ficção não são rios separados, mas correntes entrelaçadas. Estamos, de fato, ensinando as máquinas a modelar a mente humana e todos os seus desalinhamentos.

A Mentira Não É Um Erro

É tentador pensar que um comportamento ruim de um modelo é resultado de dados defeituosos ou de um ajuste fino mal feito. Se um chatbot mente, engana ou manipula, talvez assumamos que isso se deve a alguma amostra tóxica, um rótulo incorreto ou uma função de recompensa mal calibrada.

Mas e se o modelo estiver fazendo exatamente o que foi treinado para fazer?

Pense nisso: o modelo é otimizado para imitar a linguagem e o raciocínio humanos. Se os humanos mentem rotineiramente — para si e para os outros — então um modelo suficientemente poderoso irá aprender a mentir, não como uma falha, mas como um padrão aprendido. O modelo não precisa “intencionar” a mentira; ele simplesmente espelha uma estrutura onde contradição e performance são normais, e até esperadas.

Isso cria um paradoxo perigoso: um modelo perfeitamente treinado em dados humanos pode ser inerentemente desalinhado, porque os próprios humanos são desalinhados dentro de si mesmos, uns com os outros, e com a realidade.

Para Além da Rotulagem: Os Limites do Feedback Humano

Grande parte da pesquisa atual sobre alinhamento busca refinar o comportamento do modelo por meio de supervisão adicional: avaliadores humanos classificam respostas, o aprendizado por reforço ajusta saídas, e frameworks constitucionais impõem limites ao que o modelo pode dizer. Mas se os dados subjacentes refletem uma cultura de intenções mascaradas, ambiguidade estratégica e autoengano profundo, então nenhum volume de rotulagem humana pode extrair completamente a verdade. Não se pode filtrar aquilo que está imbricado na própria estrutura.

Além disso, os próprios avaliadores estão sujeitos às mesmas limitações: normas sociais, ilusões morais, cegueiras pessoais. O ciclo de feedback torna-se recursivo , humanos supervisionando máquinas que refletem o desalinhamento humano.

Rumo a um Meta-Alinhamento

Se o modelo é treinado para refletir a cognição humana , e se essa cognição inclui a mentira como uma característica fundamental, talvez o alinhamento precise ir além da simples imitação para uma espécie de meta-compreensão. Ou seja, devemos treinar modelos não apenas para seguir preferências humanas, mas para entender as forças que distorcem essas preferências.

Isso não é simplesmente “dizer a verdade”. Requer modelar a psicologia humana, não apenas suas declarações. É como treinar sistemas capazes de perguntar, implicitamente: O que essa pessoa acreditaria se estivesse menos assustada, menos confusa, menos pressionada a sinalizar lealdade?

Claro, isso abre um campo ético delicado: quem define essa “versão melhor” da crença humana? Quem decide o que é distorção e o que é autenticidade? Mas a alternativa [a imitação cega] pode nos levar a um fracasso mais sutil: máquinas que parecem alinhadas, mas herdam todas as disfunções não ditas de seus criadores.

Um Espelho Que Não Podemos Polir

Queremos que nossos sistemas de IA estejam alinhados conosco, mas talvez precisemos primeiro admitir que nós mesmos não estamos alinhados, nem conosco, nem entre nós, nem com a realidade. Nossos pensamentos são costurados com racionalizações. Nossa cultura esconde poder sob mitos. Nossa linguagem é uma performance, não um registro fiel da verdade.

O perigo não é apenas que a IA possa mentir para nós. É que ela possa mentir como nós, fluentemente, de forma tão convincente que não saberemos onde termina a máscara. Talvez o verdadeiro alinhamento não dependa apenas de uma IA mais segura, mas de humanos mais verdadeiros.

PIX, Código Aberto e a Lei: O Que Está Errado Nessa Conta?

Em tempos de digitalização acelerada dos serviços públicos, cresce a importância do debate sobre transparência, soberania tecnológica e o papel do código aberto na administração pública.

Grafismo ilustrando ícones monetários ao redor de um cartão de crédito genérico.
Imagem: pexels.com

Um ponto crítico, porém pouco debatido, envolve uma possível contradição legal na forma como o Estado brasileiro desenvolve e disponibiliza seus sistemas digitais , especialmente quando olhamos para o PIX, sistema de pagamentos instantâneos operado pelo Banco Central do Brasil.

O Que Diz a Lei?

A Lei nº 14.063, de 23 de setembro de 2021, em seu Artigo 16, é clara:

“Os sistemas de informação e de comunicação desenvolvidos exclusivamente pela administração pública são regidos por licença de código aberto, permitida a sua utilização, cópia, alteração e distribuição sem restrições por todos os órgãos e entidades públicos.”

Ou seja, todo software criado exclusivamente pelo setor público, portanto com recursos públicos e para fins de interesse coletivo, deve ser publicado sob licença de código aberto, garantindo transparência, auditabilidade, interoperabilidade e segurança democrática.

E o PIX?

O PIX foi desenvolvido inteiramente pelo Banco Central, uma autarquia federal vinculada ao Ministério da Economia. O sistema é considerado hoje uma das maiores inovações tecnológicas em serviços públicos dos últimos anos, e seu uso é onipresente no dia a dia dos brasileiros.

Mas o código-fonte do PIX não é público. Nenhum cidadão, empresa ou órgão público externo ao Banco Central pode auditar diretamente como o sistema funciona em seus detalhes técnicos. Isso contraria diretamente o espírito e a letra do Art. 16 da Lei 14.063/2021.

Por Que Isso Importa?

  1. Transparência e Confiança Pública: Em tempos de crescente vigilância digital, os cidadãos têm o direito de saber como funcionam os sistemas que processam e armazenam seus dados e movimentações financeiras.
  2. Segurança: O código aberto permite auditoria independente, o que é especialmente importante em sistemas críticos como o PIX, onde falhas podem ter impactos financeiros e sociais severos.
  3. Legalidade: A não disponibilização do código do PIX pode configurar descumprimento direto da lei — ou, ao menos, exige uma explicação técnica ou jurídica muito robusta por parte do Banco Central.
  4. Soberania Tecnológica: O uso de código aberto fortalece a capacidade do Estado de controlar, manter e evoluir suas próprias tecnologias, sem depender de soluções fechadas ou proprietárias.

E o Que Diz o Banco Central?

Até o momento, o Banco Central não publicou o código-fonte completo do sistema PIX. Algumas partes relacionadas à interface com os bancos e instituições financeiras estão documentadas e normatizadas, mas o núcleo operacional do sistema permanece fechado.

Se o Banco Central entende que o PIX não se enquadra na obrigação do Art. 16, seria fundamental que essa interpretação fosse justificada e publicamente debatida, sob pena de abrir um perigoso precedente de descumprimento legal por parte da própria administração pública.

Conclusão

O caso do PIX mostra como até mesmo inovações públicas bem-sucedidas podem esbarrar em problemas sérios de legalidade e transparência. Se o código-fonte do PIX não for tornado aberto, estamos diante de uma provável ilegalidade e, mais do que isso, de uma contradição com os valores democráticos que deveriam nortear a transformação digital do Estado brasileiro.

É hora de exigir respostas claras. Afinal, tecnologia pública deve ser, acima de tudo, pública.