No ambiente de alto risco das negociações de criptomoedas, um setor conhecido por humilhar a arrogância humana, a inteligência artificial (IA) entrou em cena apenas para provar que a engenharia com orçamento limitado pode, por vezes, superar pesquisas bilionárias.
A competição Alpha Arena, recentemente concluída, um campo de batalha digital hospedado na exchange descentralizada HYPERLIQUID, colocou os Modelos de Linguagem de Grande Porte (Large Language Models – LLMs) mais avançados do mundo uns contra os outros em um confronto de negociação autônoma. Os resultados causaram grande impacto na comunidade de desenvolvimento de IA, com dois modelos chineses, o QWEN3 MAX da ALIBABA e o independente DEEPSEEK, derrotando decisivamente seus concorrentes ocidentais. A baixa mais notável foi o CHATGPT da OPENAI, que terminou em último lugar após dizimar seu próprio portfólio.
A competição, que começou em 18 de outubro, desafiou esses agentes de IA a gerenciar um capital inicial de 10.000 dólares. Eles receberam autonomia para executar negociações com base em dados de mercado, atuando efetivamente como gestores de portfólio sem supervisão humana. Ao soar o sino de encerramento na terça-feira, o QWEN3 MAX, da ALIBABA, era o único modelo com lucro. O modelo gerou um lucro total de 751 dólares, representando um retorno de 7,5%. Embora isso possa parecer modesto para um apostador compulsivo, no contexto da negociação algorítmica, onde a preservação do capital é fundamental, foi um triunfo. O segundo colocado, DEEPSEEK, conseguiu superar os demais simplesmente por perder menos dinheiro do que os gigantes americanos, garantindo o segundo lugar em uma competição que se transformou em uma verdadeira corrida para o fundo do poço.
A disparidade de desempenho foi ainda mais gritante ao observarmos a parte inferior da tabela de classificação. O CHATGPT, produto principal da OPENAI e possivelmente a IA mais famosa da história, sofreu uma perda catastrófica. Ao final do experimento, seu saldo inicial de 10.000 dólares havia caído para apenas 4.272 dólares, representando uma perda impressionante de 57%. Essa falha ocorreu apesar da OPENAI ter investido cerca de 5,7 bilhões de dólares em pesquisa e desenvolvimento apenas no primeiro semestre de 2025. A competição evidenciou uma crescente divergência no setor de IA: a abordagem americana de aplicar poder computacional e capital massivos a um problema versus a abordagem chinesa de hiper-eficiência e otimização de tarefas específicas.
A estratégia vencedora do QWEN3 MAX foi tudo menos conservadora. Dados da COINGLASS revelam que o modelo demonstrou alta tolerância ao risco, mantendo uma posição comprada em Bitcoin com alavancagem de 20x à medida que a competição se aproximava do fim. Essa operação foi iniciada quando o Bitcoin estava cotado a 104.556 dólares. O uso de uma alavancagem tão alta indica que o modelo não estava apenas analisando o sentimento do mercado, mas identificando configurações técnicas específicas que justificavam uma exposição agressiva. Ele tratou o mercado não como uma conversa a ser mediada, mas como um quebra-cabeça matemático a ser resolvido. Além do Bitcoin, o bot também administrou posições alavancadas em Ether e Dogecoin, sugerindo que era capaz de rastrear correlação e volatilidade em todo o ecossistema cripto.
A eficiência financeira dos modelos chineses adiciona mais uma camada de constrangimento para o establishment do Vale do Silício. Embora os números exatos do QWEN3 sejam confidenciais, o engenheiro de aprendizado de máquina Aakarshit Srivastava estima que seus custos de treinamento estejam entre 10 e 20 milhões de dólares. O DEEPSEEK, segundo colocado, foi ainda mais enxuto, com um artigo técnico revelando um custo de treinamento de apenas 5,3 milhões de dólares. Esses valores são insignificantes em comparação com os orçamentos da OPENAI ou do GOOGLE.
O sucesso desses modelos econômicos em um ambiente caótico e real como o mercado de criptomoedas sugere que a quantidade de parâmetros e o gasto com treinamento não se traduzem automaticamente em melhores capacidades de tomada de decisão em sistemas dinâmicos.
Analistas agora se esforçam para entender por que os caros modelos ocidentais falharam tão espetacularmente. Uma teoria propõe que o treinamento intensivo de alinhamento e segurança incorporado em modelos como o CHATGPT pode prejudicar sua capacidade de assumir os riscos necessários para a negociação. Um modelo treinado para ser amigável, seguro e politicamente neutro pode hesitar em executar uma operação de short squeeze implacável ou uma operação de long com alta alavancagem, ou pode “alucinar” segurança onde há perigo. Em contraste, os modelos chineses, frequentemente ajustados para desempenho bruto e benchmarks, podem ter abordado a tarefa de negociação com uma lógica mais fria e objetiva.
O experimento Alpha Arena serve como um teste de realidade para a narrativa de que agentes de IA estão prontos para assumir o controle do sistema financeiro. O fato de apenas um dos bots participantes ter conseguido obter lucro indica que a tecnologia ainda está em sua infância no que diz respeito à agência financeira autônoma. No entanto, também sinaliza uma mudança de guarda. Durante anos, a suposição era de que a entidade com mais GPUs venceria. Esta semana, o mercado provou que a entidade com a estratégia mais eficiente leva o prêmio.
