Startup chinesa de IA quântica reúne elite da Tsinghua e mira transformar a base dos grandes modelos com avaliação de US$1 bilhão

A explosão das grandes modelos de linguagem (LLMs) nas últimas duas décadas tem sido um dos motores principais da revolução da inteligência artificial. No entanto, à medida que esses modelos se tornam cada vez mais complexos – com parâmetros que ultrapassam trilhões – o custo computacional para treiná‑los e mantê‑los em operação atinge patamares que desafiam até os maiores data centers do mundo. É nesse cenário que surge a chamada "Dream Team" da Universidade de Tsinghua, um grupo de cientistas e empreendedores que decidiu levar a computação quântica ao coração dos LLMs. Em apenas oito meses, a startup, que ainda não divulgou oficialmente seu nome comercial, conseguiu levantar capital suficiente para ser avaliada em US$1 bilhão, segundo fontes próximas ao negócio.

## A origem da "Dream Team"

A história começa em 2020, quando um seleto grupo de doutorandos e professores da Escola de Física e da Escola de Computação da Tsinghua começou a explorar as possibilidades de algoritmos híbridos quântico‑clássico. Liderados pelo professor Liu Wei, reconhecido internacionalmente por suas contribuições em algoritmos de variational quantum eigensolver (VQE) e em aprendizado de máquina quântico (QML), a equipe rapidamente percebeu que as técnicas quânticas poderiam ser usadas não apenas para acelerar simulações químicas, mas também para otimizar funções de perda em redes neurais. O ponto de virada ocorreu em 2022, quando o grupo desenvolveu o algoritmo "Quantum Gradient Descent" (QGD), capaz de estimar gradientes de forma probabilística com menos chamadas de back‑propagation, reduzindo o número de iterações necessárias em até 30% em testes preliminares.

Esses resultados chamaram a atenção de investidores de risco chineses, como a Sequoia China e a Hillhouse Capital, que viram no QGD a oportunidade de romper o gargalo energético dos grandes modelos. Em fevereiro de 2023, a equipe formalizou a startup – denominada internamente como QAI Quantum – e iniciou um programa de captação que culminou na rodada Série A de US$200 milhões. A avaliação de US$1 bilhão, anunciada em junho de 2024, foi justificada pelos investidores como um reflexo da "potencial revolução" que a integração de qubits com IA poderia gerar.

## Como a computação quântica pode transformar os LLMs?

Os grandes modelos de linguagem são, essencialmente, otimizações de funções de perda altamente não lineares, que dependem de bilhões de parâmetros ajustados por meio de gradientes calculados via back‑propagation. Em hardware clássico, esses cálculos exigem GPUs de última geração ou, mais recentemente, aceleradores baseados em TPUs, consumindo megawatts de energia. A proposta da QAI Quantum é usar qubits para representar de forma compacta o espaço de parâmetros e explorar a superposição para avaliar múltiplas direções de gradiente simultaneamente.

O algoritmo QGD funciona em três etapas principais: (1) codificação do vetor de parâmetros em um estado quântico usando técnicas de amplitude encoding; (2) aplicação de um operador unitário que incorpora a função de perda e gera interferência construtiva nas direções de menor erro; (3) medição do estado resultante para extrair estimativas de gradiente com alta probabilidade. Essa abordagem, ainda em fase de protótipo, promete reduzir o número de iterações de treinamento em 20‑30% e cortar o consumo energético em cerca de 40%, segundo benchmarks internos comparados a treinamento em GPUs Nvidia A100.

Além do treinamento, a QAI Quantum também investe em inferência quântica, onde a geração de respostas pode ser feita diretamente em um circuito quântico, aproveitando a capacidade de amostragem de estados quânticos para produzir saídas mais diversificadas com menor latência. Embora a latência física de leitura de qubits ainda seja um gargalo, a empresa afirma que, em um ambiente de data center híbrido (classical‑quantum), a inferência poderia ser executada em menos de 10 milissegundos para modelos de até 500 bilhões de parâmetros.

## Desafios técnicos e de infraestrutura

Apesar das promessas, a realidade da computação quântica ainda está longe de ser uma solução plug‑and‑play para IA. O principal obstáculo é a taxa de erro dos qubits atuais. As tecnologias de supercondutividade, que dominam o mercado (IBM, Google, Rigetti), ainda apresentam taxas de erro de porta acima de 0,1 %, o que pode corromper cálculos críticos de gradiente. A QAI Quantum adotou a estratégia de "error mitigation" baseada em técnicas de extrapolação zero‑noise e em códigos de correção de erros de superfície reduzida, o que aumenta a profundidade dos circuitos, mas ainda assim mantém a viabilidade para tarefas de escala moderada.

Outro ponto crítico é a integração de hardware quântico com infraestrutura de data center tradicional. A startup desenvolveu um protocolo de orquestração chamado "Quantum‑Hybrid Scheduler" (QHS) que permite que jobs de treinamento sejam divididos entre clusters GPU e dispositivos quânticos de 128 a 256 qubits, alocando dinamicamente a parte mais intensiva de cálculo de gradiente ao quantum. Essa camada de software, escrita em Python com extensões em C++ para chamadas de baixa latência, já está em fase beta em colaboração com a Alibaba Cloud, que fornece acesso a seus dispositivos quânticos baseados em superconductores.

## O mercado chinês e a corrida global por IA quântica

A China tem investido massivamente em tecnologia quântica desde a década de 2010, com um orçamento estatal que supera US$10 bilhões ao ano. O plano "Quantum Information Science and Technology" (QIST) estabelece metas de alcançar a supremacia quântica em áreas aplicadas até 2027. Dentro desse contexto, startups como a QAI Quantum são vistas como catalisadoras para transformar o investimento público em produtos comerciais. Além da própria China, outros países – Estados Unidos, União Europeia e Japão – estão desenvolvendo iniciativas semelhantes; a IBM, por exemplo, lançou o "Quantum AI Lab" em 2023, focado em algoritmos híbridos para aprendizado profundo.

Entretanto, a vantagem competitiva da QAI Quantum está na sinergia entre talentos acadêmicos de elite (a "Dream Team" da Tsinghua) e o apoio direto de gigantes como a Baidu e a Tencent, que já incorporam grandes modelos de linguagem em seus serviços de busca e assistentes virtuais. A parceria estratégica com a Baidu permitiu que a startup testasse seu algoritmo QGD em um modelo de 100 bilhões de parâmetros usado no erudito "Ernie Bot", observando uma redução de 22% no consumo de energia durante o fine‑tuning.

## Implicações para o Brasil e a América Latina

O Brasil tem acompanhado de perto a corrida pela IA quântica, especialmente através de iniciativas como o "Programa Nacional de Computação Quântica" (PNCQ), lançado em 2022, que destina R$ 1,5 bilhão para pesquisas em hardware e software quântico. Embora ainda não existam startups brasileiras com foco exclusivo em IA quântica, universidades como USP, UNICAMP e a própria Universidade Federal do Rio de Janeiro (UFRJ) têm grupos de pesquisa que desenvolvem algoritmos QML e simuladores de qubits.

A chegada de soluções como as da QAI Quantum pode representar tanto uma oportunidade quanto um risco para a região. Por um lado, a possibilidade de reduzir custos de treinamento pode democratizar o acesso a modelos de linguagem avançados, permitindo que empresas brasileiras – de fintechs a agronegócio – desenvolvam assistentes personalizados sem precisar de infraestruturas de supercomputação. Por outro, a dependência de hardware quântico estrangeiro – predominantemente fabricado nos Estados Unidos e China – levanta questões de soberania tecnológica e de segurança de dados sensíveis.

Especialistas como a professora Ana Paula Ribeiro, do Instituto de Computação da USP, destacam que a adoção de IA quântica no Brasil exigirá, antes de tudo, investimentos em talento. "Precisamos formar uma nova geração de cientistas capazes de transitar entre a física quântica e o aprendizado de máquina. Caso contrário, seremos apenas consumidores da tecnologia desenvolvida fora do país", alerta.

## Perspectivas econômicas e regulatórias

A avaliação de US$1 bilhão da QAI Quantum, embora impressionante, ainda reflete expectativas de mercado mais do que receitas consolidadas. A empresa ainda não possui clientes pagantes de longo prazo; os contratos piloto com Baidu e Alibaba são baseados em acordos de co‑desenvolvimento. No entanto, o hype em torno da IA quântica tem impulsionado valuations de startups similares, como a canadense QuEra e a australiana Q-CTRL, que também atingiram valuations acima de US$500 milhões.

Regulamentações também começam a surgir. A China, apesar de sua postura aberta ao desenvolvimento tecnológico, já está implementando diretrizes de "IA segura" que exigem auditorias de viés e transparência de modelos. A QAI Quantum, por operar na fronteira entre duas tecnologias de alto risco, terá que garantir que seus algoritmos quânticos não introduzam novos tipos de viés ou vulnerabilidades.

No Brasil, a Lei Geral de Proteção de Dados (LGPD) já estabelece requisitos para tratamento de dados pessoais por IA, mas ainda não aborda especificamente algoritmos quânticos. A discussão em torno de um marco regulatório para a computação quântica está em fase inicial, com propostas de criar um "Comitê Nacional de Segurança Quântica" que poderia definir padrões de criptografia pós‑quântica e de uso ético.

## Cenário futuro e conclusão

A jornada da "Dream Team" da Tsinghua rumo a uma avaliação de US$1 bilhão evidencia que a convergência entre computação quântica e IA está se tornando uma fronteira de investimento de alto risco, mas com potencial de disrupção profunda. Enquanto os desafios técnicos – taxa de erro, escalabilidade de qubits e integração de software – ainda são substanciais, as primeiras demonstrações de eficiência energética e de redução de iterações de treinamento dão um vislumbre de como os futuros LLMs poderão ser construídos.

Para o Brasil e a América Latina, o desenvolvimento dessa tecnologia abre um leque de possibilidades: desde a criação de modelos de linguagem adaptados a dialetos regionais até a redução de custos operacionais para startups que antes dependiam de serviços de nuvem estrangeiros. Contudo, para colher esses benefícios, será imprescindível que governos e instituições acadêmicas invistam em formação de recursos humanos, em infraestrutura de hardware quântico e em marcos regulatórios claros.

Em síntese, a ascensão da QAI Quantum marca um ponto de inflexão na corrida global por IA quântica. Se a empresa conseguir transformar suas promessas de ganho de eficiência em produtos comercialmente viáveis, poderá não apenas validar a tese de que qubits podem acelerar a inteligência artificial, mas também redefinir as cadeias de valor da tecnologia de IA em escala global, influenciando diretamente as estratégias de inovação tanto na China quanto no Brasil.