Desenvolvimento e estratégia futura da IA em Taiwan: o bilhete de entrada do hardware está garantido, mas onde se travará a próxima batalha

Visão geral em 30 segundos: A 8 de outubro de 2024, o Nobel da Física foi entregue ao físico que criou a Hopfield Network e ao cientista cognitivo que formulou o backpropagation¹. No dia seguinte, 9 de outubro, o Nobel da Química distinguiu três investigadores que usaram IA para resolver o enigma do dobramento de proteínas, com meio século de existência². Em 29 de maio do mesmo ano, o CEO da NVIDIA, Jensen Huang, apareceu no mercado noturno de Ningxia, em Taipé, a comer omelete de ostras com Morris Chang, Barry Lam e Rick Tsai. A TSMC detém 72% da receita global de fundição de wafers; Foxconn, Quanta e Wistron produzem, juntas, nove em cada dez servidores de IA do planeta. Mas nesta cerimónia científica de dois dias, que conferiu legitimidade a 42 anos de história das redes neuronais, não consta um único nome vindo de Taiwan. Do Taiwan AI Labs, fundado por Ethan Tu (杜奕瑾), criador do PTT (批踢踢), ao modelo de linguagem de grande escala em chinês tradicional TAIDE, no qual o governo aposta, desenrola-se uma aposta que vai de «fabricar IA» a «ser IA».

42 anos de reconhecimento: dois Nobéis em dois dias, em 2024

Na manhã de 8 de outubro de 2024, em Estocolmo. A Real Academia Sueca de Ciências anunciou que o Nobel da Física desse ano seria atribuído a dois cientistas de IA: John J. Hopfield, professor emérito de Princeton, com 91 anos, e Geoffrey Hinton, 76 anos, que cinco meses antes acabara de sair da Google. O prémio de 11 milhões de coroas suecas seria dividido entre ambos¹.

A justificação do comité foi «descobertas e invenções fundamentais que permitem a aprendizagem automática com redes neuronais artificiais»¹. Foi a primeira vez na história do Nobel da Física que o prémio foi diretamente para o domínio das redes neuronais.

No dia seguinte, 9 de outubro, o Nobel da Química. Três laureados: David Baker, da Universidade de Washington, e dois elementos da DeepMind, Demis Hassabis e John Jumper. Baker recebeu metade do prémio; Hassabis e Jumper partilharam a outra metade². A fundamentação dividia-se em duas partes: a primeira para o «desenho computacional de proteínas» de Baker; a segunda para a «previsão da estrutura de proteínas» de Hassabis e Jumper.

Dois dias, dois Nobéis, ambos ligados à IA. Não há precedente na história dos prémios Nobel.

Compare-se a linha do tempo: quando Hopfield publicou, em 1982, no Proceedings of the National Academy of Sciences (PNAS), o artigo intitulado «Neural networks and physical systems with emergent collective computational abilities», acabara de saltar da física da matéria condensada para a neurociência³. De 1982 a 2024, passaram-se 42 anos inteiros. O artigo de 1986 em que Hinton e Rumelhart transformaram o algoritmo de backpropagation numa ferramenta utilizável⁴ esperou 38 anos até ao prémio. O AlphaFold, desde a sua estreia no CASP13 em 2018 até ao Nobel de 2024, precisou apenas de 6 anos.

No fundo, estes dois Nobéis não premiaram o ChatGPT, mas sim aqueles artigos de há trinta ou quarenta anos que ninguém conseguia ler. O desfasamento entre investigação fundamental e aplicação industrial sempre foi assim.

Geoffrey Hinton, Nobel da Física 2024, semana do Nobel em Estocolmo. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons.

CC BY-SA 4.0 via Wikimedia Commons

O jantar de biliões no mercado de Ningxia

Ao final da tarde de 29 de maio de 2024, véspera da abertura da Computex, o mercado noturno de Ningxia, em Taipé, recebeu um grupo de clientes invulgar. O CEO da NVIDIA, Jensen Huang, acompanhado do fundador da TSMC, Morris Chang, do chairman da Quanta, Barry Lam, e do CEO da MediaTek, Rick Tsai, apertavam-se numa banca a comer omelete de ostras⁵. Transeuntes reconheceram Huang e, num instante, a comitiva foi cercada por fãs e jornalistas, numa cena digna de perseguição a estrelas.

O valor de mercado somado das empresas representadas à mesa ultrapassava vários biliões de dólares. Mas a verdadeira história não está na mesa, e sim na cadeia industrial por trás dela: estas pessoas representam as empresas que sustentam a base física da computação de IA global. Huang disse, durante essa visita a Taiwan: «Taiwan é um dos países mais importantes do mundo.»⁶ Não foi frase de circunstância. Sem Taiwan, a base de hardware da revolução da IA não existiria.

Jensen Huang nasceu em Taipé em 1963, passou a infância em Tainan e emigrou para os EUA aos nove anos⁷. A NVIDIA, que cofundou em 1993, é hoje sinónimo de chips de IA. Todos os GPUs avançados desenhados pela NVIDIA — desde os A100 e H100 que treinaram o ChatGPT até à mais recente série Blackwell — são fabricados pela TSMC⁸.

Quatro meses depois, em Estocolmo, as duas listas de laureados do Nobel não continham nenhum nome ligado a esse jantar. Este fosso não é coincidência; é um facto estrutural.

Hardware: uma ilha sustenta toda a revolução da IA

A posição de Taiwan na cadeia de fornecimento de hardware de IA é tal que descrevê-la como «crítica» fica aquém da realidade.

No fabrico de chips, a TSMC obteve, em 2025, 72% da receita global de fundição de wafers⁹. Nos processos mais avançados, de 7 nm para baixo, a sua quota de mercado supera 90%. A NVIDIA detém cerca de 86% do mercado de GPUs para IA, e praticamente todos esses GPUs são fabricados pela TSMC¹⁰. A esmagadora maioria da capacidade de computação usada para treinar e executar modelos de IA nasce nas salas limpas de Taiwan.

Depois de feitos, os chips têm de ser montados em servidores para entrarem nos centros de dados. Esta etapa é igualmente dominada por Taiwan. Foxconn, Quanta e Wistron, os três grandes ODMs, produzem juntos cerca de 90% dos servidores de IA do mundo¹¹. Em 2025, a receita anual de cada uma destas três empresas ultrapassou um bilião de novos dólares taiwaneses (cerca de 32 mil milhões de USD), e a receita de servidores de IA superou, no segundo trimestre, a de eletrónica de consumo pela primeira vez¹².

O desempenho dos chips de IA não depende apenas da miniaturização do processo, mas também da tecnologia de encapsulamento. O CoWoS (Chip on Wafer on Substrate) da TSMC é essencial para que os GPUs topo de gama da NVIDIA atinjam as metas de desempenho. Em 2026, prevê-se que a procura da NVIDIA por wafers CoWoS atinja 595 mil unidades, representando 60% da procura global total¹³.

A Foxconn colabora ainda com a NVIDIA e o governo de Taiwan na construção, em Kaohsiung, de uma fábrica-supercomputador de IA de 100 megawatts (MW), baseada na mais recente arquitetura Blackwell da NVIDIA¹⁴. Taiwan está a passar de «local onde se fabricam chips de IA» para «local onde a IA roda».

Fab 5 da TSMC em Hsinchu, o local físico de fabrico por encomenda de chips de IA. Foto: Wikimedia Commons via ficheiro TSMC Fab 5.

A questão é: o hardware já tem o bilhete de entrada; a próxima batalha travar-se-á onde?

📝 Nota do curador

A narrativa corrente diz que a «montanha sagrada protetora de Taiwan sustenta a revolução da IA». Esta formulação é narrativamente conveniente, mas inverte metade da causalidade. Foi a revolução da IA que precisou de GPUs e escolheu a TSMC, não a TSMC que cresceu graças à revolução da IA. A verdadeira tensão reside em: quando o GPU se tornar commodity, para onde deslizará a próxima camada de valor? Os dois Nobéis de 2024 dão a resposta: o próprio modelo — as 12 páginas de Hopfield, a noite em que Hinton e o aluno Krizhevsky fizeram o AlexNet baixar a taxa de erro do ImageNet de 26,2% para 15,3%¹⁵, e a tarde em que a equipa de Hassabis alcançou uma mediana GDT de 92,4 no CASP14 com o AlphaFold.

Hopfield 1982: o modelo de memória de um físico

Em 1982, o físico da matéria condensada de Princeton, John Hopfield, escreveu um artigo de apenas 12 páginas, com um título longo: «Neural networks and physical systems with emergent collective computational abilities», publicado no Proceedings of the National Academy of Sciences³.

O que fez, em essência, foi traduzir a «memória» para a linguagem da física.

Na física existe o conceito de spin glass (vidro de espins): um conjunto de átomos magnéticos, cada um com a sua direção de espin, interagindo entre si; o sistema encontra espontaneamente um ponto de energia mínima. Hopfield transportou este conceito para os neurónios: imaginou os neurónios como espins, as forças de ligação como interações, e a rede toda converge espontaneamente para um «mínimo de energia» (energy minimum) estável³. Cada mínimo de energia corresponde a uma memória armazenada.

A elegância do modelo está em tornar a memória descrevível em linguagem física. Dada uma pista incompleta, a rede encontra sozinha o mínimo de energia mais próximo, completando a memória inteira. É o ancestral matemático do que a IA generativa faz hoje.

Em 1982, Taiwan mal começava a sua indústria eletrónica; a TSMC ainda não existia. Morris Chang só a fundaria em 1987, 42 anos antes de se tornar a «montanha sagrada protetora». As citações do artigo de Hopfield no Google Scholar ultrapassavam, em 2026, as 27 mil¹⁶.

Mais interessante é uma frase posterior de Hopfield. Passou a vida em Princeton a fazer física da matéria condensada; ao entrar na neurociência, foi visto pelos pares como «brincadeira». Quando, em 2024, a Real Academia Sueca lhe perguntou, por telefone, a reação ao prémio, aos 91 anos, disse sentir-se inquieto com «o facto de ninguém compreender ou controlar a direção da IA»¹⁷.

Quem escreveu os alicerces matemáticos de toda a IA moderna, no dia em que recebeu a medalha, lembrou a todos para terem cuidado.

_John J. Hopfield, Nobel da Física 2024, semana do Nobel em Estocolmo. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons._

Hinton: o artigo de 1986 e o aviso de 2023 ao deixar a Google

Geoffrey Hinton, nascido em 1947 em Wimbledon, Londres, é o outro homem que a história levou 38 anos a reconhecer¹⁸.

Em 1986, Hinton, David Rumelhart e Ronald Williams publicaram na Nature um artigo sobre backpropagation⁴. O algoritmo significa: quando a rede neuronal erra, o sinal de erro propaga-se em sentido inverso através das camadas, ajustando os pesos de ligação camada a camada. É assim que todos os modelos de aprendizagem profunda se treinam hoje.

O algoritmo foi escrito em 1986, mas teve de esperar que três condições se reunissem para explodir: poder de computação barato o suficiente, volume massivo de dados e gente disposta a acreditar naquele caminho. As duas primeiras chegaram no início dos anos 2010; a terceira teve em Hinton e nos seus dois alunos, Alex Krizhevsky e Ilya Sutskever, os seus rostos. Em 2012, usaram GPUs para treinar a rede convolucional AlexNet, que venceu o desafio ImageNet com taxa de erro top-5 de 15,3%, deixando o segundo classificado, com 26,2%, bem para trás¹⁵. Nesse momento, a indústria inteira percebeu que o backpropagation funcionava mesmo.

Em março de 2013, a Google comprou a pequena empresa de Hinton, a DNNresearch, por 44 milhões de dólares, integrando-o aos 65 anos¹⁸. Durante a década seguinte, foi o académico de IA mais prestigiado do Vale do Silício.

Até 1 de maio de 2023, quando o New York Times publicou uma entrevista: Hinton tinha saído da Google.

Não foi por reforma. Disse na entrevista que queria «poder falar livremente dos riscos da IA, sem ter de considerar o impacto na Google»¹⁹. Alertou para: sistemas de IA que podem rapidamente superar a inteligência humana; uso malicioso por atores mal-intencionados; e a dificuldade de travar tudo isto — «é difícil ver qual seria a solução»¹⁹. Chegou a dizer que «uma parte de si se arrepende do trabalho de uma vida»¹⁹.

Quando, em 2024, lhe foi atribuído o Nobel da Física, repetiu, na entrevista telefónica, o aviso: cuidado com a possibilidade de a IA fugir ao controlo²⁰.

Quem escreveu o algoritmo de treino da aprendizagem profunda e quem escreveu o modelo de memória, em outubro de 2024, subiram juntos ao pódio da Real Academia Sueca e, juntos, avisaram que isto pode ser mais perigoso do que se imagina. A cena tem um sabor de contraponto com a expressão de Oppenheimer, em 1945, no deserto do Novo México, a ver a nuvem em cogumelo erguer-se.

Dois meses depois, a 8 de dezembro de 2024, Hinton proferiu a sua conferência de Nobel no Aula Magna da Universidade de Estocolmo. Título: «Boltzmann Machines» — o trabalho inicial, na linhagem de Hopfield, que introduziu distribuições de probabilidade termodinâmicas nas redes neuronais. Só ouvindo se percebe que o artigo de 1986 sobre backpropagation não foi um insight isolado, mas parte de todo um corpo de pensamento nascido na intersecção da física e da ciência cognitiva nos anos 80:

Canal oficial da Real Academia Sueca de Ciências: conferência de Geoffrey Hinton, Nobel da Física 2024, «Boltzmann Machines». Desde as máquinas de Boltzmann que escreveu com Sejnowski nos anos 80, passando pelo backpropagation, até aos LLMs de hoje — quarenta anos inteiros. Nos últimos 5 minutos, repete mais uma vez a sua preocupação com os riscos da IA, desta vez do púlpito do Nobel.

Do PTT ao Laboratório de IA: as duas fundações de Ethan Tu

Voltemos a esta ilha. Enquanto Hopfield escrevia o seu modelo de memória, Taiwan mal começava a ter departamentos de informática.

Em 1995, Ethan Tu (杜奕瑾), aluno do segundo ano de Engenharia Informática da Universidade Nacional de Taiwan, usou um computador 486 e software livre para montar, no quarto do dormitório, o PTT (批踢踢), que se tornaria o maior quadro de avisos eletrónico de Taiwan. Trinta anos depois, o PTT continua a receber dezenas de milhares de utilizadores por dia; é um fóssil vivo da cultura da internet taiwanesa.

Tu foi depois para a Microsoft, onde participou no desenvolvimento da assistente de voz Cortana. Em abril de 2017, deixou o alto salário do Vale do Silício e regressou a Taiwan para fundar o «Taiwan AI Labs» (Laboratório de IA de Taiwan), a primeira instituição de investigação em IA sem fins lucrativos e aberta da Ásia²¹.

A motivação era direta: Taiwan tem talento de software de nível mundial, mas esse talento vai todo para o Vale do Silício. Ele queria criar uma plataforma onde quem quisesse voltar ou ficar tivesse onde fazer investigação em IA.

O produto mais conhecido do Taiwan AI Labs é o «Yating Transcript» (雅婷逐字稿), um sistema de reconhecimento de voz otimizado para chinês tradicional e sotaques de Taiwan. Durante a pandemia de COVID-19, o laboratório desenvolveu ainda ferramentas de deteção de desinformação e IA médica baseada em aprendizagem federada²². O ponto comum destes projetos: resolvem problemas locais de Taiwan, com dados locais, em vez de traduzir modelos americanos para os usar.

A história de Tu, do PTT ao AI Labs, é, em certa medida, o espelho do desenvolvimento de software em Taiwan: não falta capacidade técnica, falta o ecossistema que faça o talento ficar.

💡 Sabia que?

Em 1986, ano em que Hinton publicou o backpropagation, o PIB de Taiwan era de cerca de 77,9 mil milhões de USD, o PIB per capita de 4.007 USD, e o Parque Científico de Hsinchu funcionava há seis anos²³. Três factos no mesmo planeta, ao mesmo tempo, mas foi preciso esperar 26 anos, até ao dataset ImageNet, para que estas linhas históricas se cruzassem. A escala temporal da investigação fundamental é sempre mais longa do que a que a narrativa industrial sente.

AlphaFold: a outra metade do Nobel para o enigma de 50 anos do dobramento de proteínas

A história do Nobel da Química de 2024 começa com uma pergunta de 1972.

Nesse ano, o bioquímico americano Christian Anfinsen, no discurso de aceitação do Nobel da Química, formulou uma hipótese: a estrutura tridimensional de dobramento de uma proteína é inteiramente determinada pela sua sequência de aminoácidos²². Se a hipótese fosse verdadeira, bastaria ver uma sequência de aminoácidos para calcular a estrutura 3D correspondente. Mas esse «deveria» manteve-se por meio século sem se concretizar. O dobramento de proteínas foi chamado grand challenge. A comunidade organiza a cada dois anos o concurso CASP, comparando previsões com estruturas experimentais; desde a primeira edição em 1994, passaram-se 13 edições sem que ninguém conseguisse romper a barreira²⁴.

Até 2018, no CASP13, a DeepMind inscreveu a primeira geração do AlphaFold e venceu, mas a precisão ainda não era utilizável. O verdadeiro ponto de viragem foi 30 de novembro de 2020, no CASP14: o AlphaFold 2 apresentou uma mediana GDT de 92,4²⁴. GDT 92,4 significa que mais de metade das previsões tinham desvio atómico inferior a um angstrom em relação ao valor experimental, atingindo resolução experimental. O organizador do CASP, John Moult, disse nesse dia: «Em grande medida, este problema está resolvido»²⁴.

Um enigma de 50 anos, resolvido em seis anos por uma equipa de investigação de Londres.

A aceleração continuou. Em julho de 2021, o código do AlphaFold 2 foi aberto; no mesmo ano, a DeepMind e o Laboratório Europeu de Biologia Molecular (EMBL-EBI) criaram uma base de dados pública com as estruturas previstas. Em julho de 2022, esta base cobria 1 milhão de espécies e cerca de 200 milhões de estruturas proteicas, ou seja, praticamente todos os modelos 3D de proteínas conhecidas na Terra, libertados gratuitamente²⁵.

A 8 de maio de 2024, a DeepMind publicou na Nature o AlphaFold 3, alargando a previsão de proteínas isoladas para interações entre proteínas, DNA, RNA, ligantes e iões²⁶. Da descoberta de fármacos ao desenho de vacinas e engenharia enzimática, todos os campos que precisam de saber como as moléculas se encaixam viram as suas bases reescritas por esta ferramenta.

Demis Hassabis, criador do AlphaFold, não é um bioquímico tradicional. Aos quatro anos começou a jogar xadrez, aos 13 já era mestre; aos 17, em 1994, co-desenvolveu com Peter Molyneux o jogo de simulação Theme Park, que vendeu milhões²⁷. Em 2010 fundou a DeepMind em Londres com Shane Legg e Mustafa Suleyman; em 2014 foi comprada pela Google por 400 milhões de libras²⁷. 2016: AlphaGo vence Lee Sedol; 2020: AlphaFold 2; 2024: Nobel — três marcos em menos de dez anos.

O fio condutor é a mesma aposta: usar redes neuronais para resolver problemas que o cérebro humano não conseguia resolver sozinho. O Go tem regras fechadas; o dobramento de proteínas tem regras abertas, mas fortes constrições físicas. Hassabis escolheu bem os dois campos de batalha.

Em Taiwan, durante o mandato do presidente da Academia Sinica, James C. Liao (翁啟惠) (2006-2016), foi criado o centro de investigação de glicobiologia e estrutura de proteínas, o investimento académico taiwanês mais próximo desta frente²⁸. O Instituto de Ciências Biomédicas e o Instituto de Bioquímica da Academia Sinica têm equipas a usar os pesos abertos do AlphaFold para investigação a jusante. Mas desenvolvimento de modelos nucleares ao nível do AlphaFold, Taiwan não tem, por enquanto, estrutura correspondente.

⚠️ Ponto de controvérsia

O Nobel da Química para o AlphaFold gerou debate na academia: alguns biólogos estruturais acham que o prémio devia ir para quem fez as experiências-chave de difração de raios X ou ressonância magnética nuclear, não para elevar uma ferramenta computacional ao panteão da química²⁹. Outros consideram que o próprio debate está ultrapassado — quando um algoritmo consegue, em cinco anos, ajudar a humanidade a completar as estruturas 3D de quase todas as proteínas da Terra, isso é química. As duas posições tenderam, após outubro de 2024, para a segunda, mas a tensão que representam não desapareceu: à medida que a IA alarga o que consegue fazer, as fronteiras das disciplinas tradicionais devem ser redesenhadas?

TAIDE: por que precisa Taiwan do seu próprio modelo de linguagem

Em abril de 2023, meio ano após o ChatGPT varrer o mundo, o Conselho Nacional de Ciência e Tecnologia (NSTC, 國科會) de Taiwan lançou o projeto «TAIDE», acrónimo de Trustworthy AI Dialogue Engine (Motor de Diálogo de IA Confiável)³⁰.

Por que precisa uma nação insular de 23 milhões de pessoas de fazer o seu próprio modelo de linguagem de grande escala?

A razão não é apenas autonomia tecnológica. O chinês tradicional representa uma fatia ínfima dos dados de treino globais de IA; a maior parte dos dados em chinês vem de sites em chinês simplificado. Quando taiwaneses usam o ChatGPT ou outros modelos, as respostas trazem frequentemente hábitos linguísticos e pressupostos de visão de mundo da China continental. «視頻» em vez de «影片», «質量» em vez de «品質» — diferenças aparentemente subtis, mas que tocam a subjetividade cultural. A CommonWealth Magazine (天下雜誌) titulou diretamente: «Prevenir a invasão cultural da IA chinesa» ao noticiar o TAIDE³¹.

Em abril de 2024, a equipa TAIDE lançou a versão comercial TAIDE-LX-7B e a versão académica TAIDE-LX-13B, com bom desempenho em escrita, tradução e resumo³². Em 2026, saiu o TAIDE 2.0, juntando-se o modelo Breeze-8B apoiado pela MediaTek, e o ecossistema de LLM de Taiwan passou da fase de «perseguição» para a de «utilizável»³³.

Mais interessante é a floração na camada de aplicações. A Universidade Nacional Chung Hsing usou o TAIDE para criar o sistema de recuperação de conhecimento agrícola «Shennong TAIDE»; a Universidade Nacional de Tainan desenvolveu um chatbot Taiwanês-Inglês para ensino de taiwanês; a Universidade Nacional Yang Ming Chiao Tung treinou versões do TAIDE em taiwanês e hakka³⁴. Estas aplicações provam uma coisa: o modelo de linguagem é simultaneamente produto tecnológico e veículo cultural. Uma IA que não entenda «oferta ao Imperador Jade» (天穿日) nem «procissão de Mazu» (媽祖遶境) não pode servir verdadeiramente os taiwaneses.

Contudo, a escala do TAIDE continua pequena: 8B parâmetros na versão comercial e 13B na académica, dois a três ordens de grandeza abaixo do GPT-4 (estimado em mais de 1 bilião de parâmetros). Por trás desta diferença está o orçamento de GPUs, não a capacidade. Treinar um LLM de fronteira custa centenas de milhões de dólares em computação, valor comparável ao orçamento anual de um instituto nacional de investigação.

A cibersegurança de IA forjada sob ataque

Taiwan é um dos países mais atacados do mundo em ciberespaço. Esta infeliz realidade gerou, inadvertidamente, uma indústria robusta de cibersegurança baseada em IA.

A CyCraft (奧義智慧), fundada no final de 2017, foi a primeira empresa taiwanesa a combinar IA com monitorização de endpoints. A sua tecnologia foi incluída sete vezes em relatórios da Gartner; é o único fornecedor taiwanês a passar três vezes pela avaliação autoritativa MITRE ATT&CK dos EUA³⁵. Em fevereiro de 2026, a CyCraft listou-se no board de inovação da Bolsa de Taiwan, tornando-se a primeira empresa original de software de cibersegurança de IA com capacidade de I&D de nível internacional no mercado de capitais taiwanês³⁶.

Os clientes da CyCraft incluem agências governamentais, unidades de defesa, bancos e empresas de semicondutores — precisamente os alvos preferidos de hackers de nível estatal. A empresa tem subsidiárias no Japão e em Singapura, exportando para toda a Ásia-Pacífico a «experiência real de combate forjada sob ataque».

Este caso ilustra uma coisa: a vantagem de Taiwan em IA não vem só dos semicondutores, mas também da capacidade de combate real temperada pela sua posição geopolítica única.

Política: do «Ano Inaugural da IA» ao Ministério do Desenvolvimento Digital

O desenvolvimento da política de IA em Taiwan pode ser lido em três marcos.

2017-2018: fase inicial. O Yuan Executivo declarou 2017 «Ano Inaugural da IA», apresentou o conceito de «Pequeno País, Grande Estratégia para IA», reconhecendo o mercado pequeno, mas enfatizando três trunfos: fabrico de semicondutores, cadeia de fornecimento TIC e talento em ciências e engenharia. Em 2018 arrancou a primeira fase do «Plano de Ação de IA de Taiwan», com investimento superior a 40 mil milhões de novos dólares taiwaneses em quatro anos, com destaque para a infraestrutura de computação «Taiwan AI Cloud» (TWCC)³⁷.

2022: institucionalização. Criação do Ministério do Desenvolvimento Digital (moda), integrando assuntos digitais antes dispersos pelo Ministério da Ciência e Tecnologia, Ministério da Economia e Ministério dos Transportes. O significado: a política de IA deixou de ser «projeto do Ministério da Ciência» para se tornar «estratégia nacional transversal». No mesmo ano, o governo publicou as «Diretrizes para Investigação e Desenvolvimento em Inteligência Artificial», enfatizando princípios como centralidade no ser humano, transparência e explicabilidade, equidade e não discriminação.

2023 até hoje: viragem para IA generativa. O choque do ChatGPT forçou uma guinada na política. Lançamento do projeto TAIDE, impulso à lei-quadro de IA, aceleração da adoção de IA no setor público. A estratégia de Taiwan é pragmática: não compete com EUA e China em volume de artigos de investigação fundamental, mas encaixa a IA nas vantagens de fabrico já existentes. Manufatura inteligente, imagiologia médica, previsão de yield de semicondutores — são áreas onde Taiwan tem dados, cenários e competitividade.

O problema é que as listas de laureados dos dois Nobéis de outubro de 2024 não incluem nenhum nome vindo desta rota de «manufatura inteligente».

Ansiedade: o fosso de software do império de hardware

Por trás dos números brilhantes, o desenvolvimento de IA em Taiwan tem um problema estrutural: desequilíbrio severo entre hardware e software.

Taiwan produz 90% dos servidores de IA do mundo e a maior parte dos chips de IA, mas no desenvolvimento de modelos de IA, ecossistema de dados, software de plataforma — os elos «suaves» — a presença é baixa. Nos 20 maiores modelos de IA globais, incluindo GPT, Claude, Gemini, LLaMA, nenhum vem de Taiwan. Confrontando com o trabalho laureado nos dois Nobéis de 2024 — da Hopfield Network ao backpropagation e ao AlphaFold —, as três linhas estão longe da indústria taiwanesa.

A causa é a velha questão numa nova versão. Quando engenheiros da TSMC ganham salários anuais acima de 2 milhões de novos dólares taiwaneses, startups de software dificilmente competem pelo melhor talento. Google, Microsoft, NVIDIA têm centros de I&D em Taiwan; salários e benefícios criam forte efeito de aspiração. A primeira escolha de um recém-licenciado em Engenharia Informática da NTU costuma ser empresa estrangeira ou TI da TSMC, não uma startup local de IA.

O desafio mais fundo são os dados. O valor dos modelos de IA vem dos dados de treino, e o volume de dados de alta qualidade em chinês tradicional é ínfimo comparado com inglês ou chinês simplificado. Os 23 milhões de taiwaneses produzem, por natureza, menos texto que o mundo anglófono ou a China continental. O projeto TAIDE tenta resolver isto, mas a desvantagem de escala dos dados é estrutural.

A verdadeira aposta de Taiwan em IA assenta em aplicações verticais, não em modelos fundamentais: em vez de confronto frontal com OpenAI ou Google em modelos gerais, Taiwan escolhe encontrar posição insubstituível em IA para processos de semicondutores, IA em imagiologia médica, IA de cibersegurança, PLN em chinês tradicional. Nestes domínios, Taiwan tem vantagem única de dados e cenários, difíceis de replicar por outros.

As escolhas de IA de uma ilha

Em 2026, Taiwan está numa posição única: nunca foi tão indispensável na cadeia de fornecimento de hardware de IA, mas continua na margem do ecossistema de software de IA.

Isso não é inteiramente mau. Historicamente, o modelo de sucesso de Taiwan sempre foi «não ser a marca, ser a marca por trás da marca». O modelo de fundição pura inventado por Morris Chang em 1987 fez da TSMC uma das dez maiores empresas por capitalização bolsista. Hoje, a mesma lógica repete-se na indústria de servidores de IA: a Foxconn não faz modelos de IA, mas todos os modelos de IA do mundo correm em servidores montados pela Foxconn.

Mas as regras do jogo na era da IA podem ser diferentes. Quando o centro de gravidade do valor desliza do hardware para software e dados, a margem de lucro de quem só faz fundição será comprimida. Os dois Nobéis de 2024 foram todos para gente da camada de software. Hopfield escreveu modelo matemático; Hinton escreveu algoritmo de treino; Hassabis escreveu método de resolução biológica. Todos correm em hardware feito em Taiwan, mas as medalhas não foram para o hardware.

Taiwan precisa, sobre a base da hegemonia de hardware, fazer crescer capacidade de software e dados: o hardware continua a ser o chassis, a nova camada de valor empilha-se por cima. TAIDE é uma tentativa, CyCraft é uma tentativa, Taiwan AI Labs é uma tentativa. O ponto comum: não procuram fazer «a maior IA do mundo», mas «a IA que melhor entende Taiwan».

Há 42 anos, quando Hopfield escreveu aquelas 12 páginas em Princeton, ninguém sabia que se tornariam a base matemática dos modelos de memória da humanidade atual. Há 50 anos, quando Anfinsen formulou a hipótese do dobramento de proteínas no discurso do Nobel, ninguém previu que se teria de esperar até àquela tarde de 2020 para que um grupo de londrinos a resolvesse. A escala temporal da investigação fundamental é mais longa que qualquer Computex.

Aquele jantar no mercado de Ningxia é a posição acumulada por Taiwan nestes 42 anos. A próxima batalha não é na banca de omelete de ostras, mas em saber se Taiwan tem a coragem de deixar que algum aluno que agora esteja a programar num dormitório da NTU, daqui a vinte ou trinta anos, receba o Nobel que pertence a esta ilha.

Leitura adicional:

• O ascenso da nação-ilha da IA: desenvolvimento e estratégia futura da inteligência artificial em Taiwan — versão inicial da narrativa de política, plano de ação de IA, cinco domínios estratégicos, como a montanha sagrada dos semicondutores se encaixa na revolução da IA.
• Laboratório de Inteligência Artificial de Taiwan — percurso completo de Ethan Tu, do PTT ao AI Labs, ecossistema de modelos de linguagem open source TAIDE / TAME / FedGPT.
• Escola de Inteligência Artificial de Taiwan — aquela chamada não completada, e os 1,8 mil milhões angariados por Chen Sheng-wei (陳昇瑋) para criar a academia militar de IA: oito anos, mais de dez mil alumni na história de formação de talento.
• O quotidiano da IA em Taiwan — registo documental da entrada da IA generativa no quotidiano taiwanês, do pedido em loja de conveniência à revisão em lote pela Administração de Seguro de Saúde, observação a nível de cenário.
• Empresa de Taiwan: TSMC — líder global de fundição de wafers, núcleo do fabrico de chips de IA, do modelo de fundição pura de Morris Chang à história do encapsulamento avançado.
• Indústria de semicondutores — do design de IC ao encapsulamento e teste, panorama completo do ecossistema de semicondutores de Taiwan.
• Desenvolvimento da indústria de cibersegurança de Taiwan — como a pressão geopolítica gerou uma indústria de cibersegurança de IA de nível Ásia-Pacífico.

Fontes das imagens

Este artigo usa 4 imagens de domínio público / licença CC, todas em cache em public/article-images/technology/ para evitar hotlinking aos servidores de origem:

• Estrutura tridimensional da proteína CBLN1 pelo AlphaFold com codificação rainbow — imagem principal, estrutura prevista pelo AlphaFold da proteína CBLN1, codificação de cores rainbow N→C terminal. Foto: BQUB25-UPoch (trabalho próprio, AlphaFold + PyMOL), 2025-11-15, CC BY 4.0.
• Geoffrey E. Hinton, Nobel da Física 2024 (recorte 3x4) — inline, retrato oficial de Hinton na semana do Nobel 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
• John J. Hopfield, Nobel da Física 2024 1 (recortado) — inline, retrato oficial de Hopfield na semana do Nobel 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
• TSMC Fab 5 — inline, Fab 5 da TSMC em Hsinchu, local físico de fundição de chips de IA. Foto: Wikimedia Commons (cache existente).

Referências