A Subquadratic, startup de inteligência artificial sediada em Miami, anunciou o desenvolvimento de uma nova arquitetura para grandes modelos de linguagem (LLMs) que promete eliminar a expansão quadrática de cálculos, um gargalo matemático que encarece e limita a velocidade de processamento da tecnologia há quase uma década. Denominado SubQ, o novo modelo promete operar com maior velocidade, menor custo e consumo energético reduzido em comparação com as plataformas tradicionais do mercado. De acordo com os fundadores da empresa, o sistema é capaz de processar simultaneamente até 12 vezes mais texto do que a maioria dos concorrentes de ponta, facilitando a análise automatizada de extensas bases de códigos e centenas de documentos corporativos em tempo real.

O anúncio inicial da tecnologia em junho de 2026 gerou amplo ceticismo no mercado devido à escassez de evidências públicas e ao fato de o modelo ainda não estar disponível para testes abertos de usuários. Analistas e engenheiros do setor chegaram a comparar a startup à Theranos, famosa fraude do Vale do Silício no setor de saúde. No entanto, para mitigar o ceticismo do ecossistema, a Subquadratic compartilhou em julho os resultados de uma auditoria de desempenho independente realizada pela firma terceirizada Appen, especializada na validação e treinamento de modelos de dados, cujos relatórios técnicos pareceram sustentar as principais alegações de eficiência e performance da startup.

Mecanismos de atenção esparsa dinâmica versus atenção densa

A base técnica dos LLMs modernos baseia-se na arquitetura dos transformers, descrita no artigo fundamental de pesquisadores do Google em 2017. Essa estrutura utiliza o processo de atenção densa, no qual cada palavra ou fração de palavra (token) é convertida em números e multiplicada por todos os outros tokens do texto para capturar o contexto completo. Esse modelo matemático gera uma expansão quadrática de processamento: dobrar o volume de palavras inseridas significa quadruplicar o número de cálculos executados. Essa característica técnica explica os custos massivos de infraestrutura de servidores e o elevado consumo de energia que atualmente limitam a viabilidade comercial da inteligência artificial em larga escala.

A inovação proposta pelo modelo SubQ consiste na substituição da atenção densa pela chamada atenção esparsa, uma técnica que reduz drasticamente o volume de cálculos ao selecionar apenas as relações numéricas relevantes entre as palavras do texto. Embora abordagens similares já tenham sido testadas de forma estática por outros pesquisadores no passado sem sucesso comercial, a startup afirma que seu diferencial reside em um algoritmo proprietário que realiza essa seleção de forma dinâmica e em tempo real para cada bloco de dados fornecido. Abaixo, a tabela detalha os principais resultados comparativos validados nos testes da Appen e dados de custo fornecidos pela empresa:

Limitações do modelo e o debate sobre reuso de pesos computacionais

Apesar dos indicadores positivos apresentados nas avaliações terceirizadas de laboratório, pesquisadores independentes ressaltam que testes padronizados oferecem apenas um recorte parcial da capacidade de um modelo e não substituem o uso intensivo em cenários reais de negócios. Atualmente, a Subquadratic mantém uma extensa lista de espera corporativa com mais de 500 clientes institucionais e dezenas de milhares de usuários individuais inscritos para acesso antecipado, justificando a liberação restrita pela escassez de recursos de computação em nuvem de uma empresa jovem.

Outro ponto que alimenta as discussões de engenharia é o fato de o SubQ ter sido construído por meio do reaproveitamento e ajuste de pesos computacionais preexistentes do modelo de código aberto chinês Qwen. Embora essa prática de reciclagem de parâmetros seja um padrão comum na indústria para acelerar o desenvolvimento, críticos como o pesquisador Will Depue apontam que a abordagem contradiz a narrativa de que a startup teria reinventado completamente as bases matemáticas dos transformers. Os fundadores, no entanto, defendem que a estratégia foi necessária diante das limitações orçamentárias da startup para competir com gigantes como a OpenAI.

Brasil Inovador

A movimentação da Subquadratic coloca em evidência que a próxima fronteira competitiva da inteligência artificial não reside na criação de modelos maiores, mas sim na sofisticação matemática para tornar a computação economicamente viável. Em 2026, à medida que os custos com infraestrutura de nuvem exercem pressão direta sobre as margens financeiras das corporações, inovações focadas em atenção esparsa dinâmica deixam de ser uma curiosidade acadêmica e passam a ditar a sustentabilidade dos negócios digitais.

O desafio mercadológico do SubQ residirá em provar que sua técnica de filtragem dinâmica mantém a precisão conceitual fora dos ambientes controlados de teste, especialmente em setores regulados que exigem tolerância zero a erros. A substituição potencial da arquitetura de transformers tradicional por modelos subquadráticos redesenhará o mapa de investimentos em semicondutores e servidores em escala global. Analisar essa transição estrutural da infraestrutura digital, que dita quem conseguirá escalar soluções de inteligência artificial de forma lucrativa, é o compromisso de cobertura contínua que a plataforma Brasil Inovador mantém para conectar seus leitores às principais disrupções tecnológicas que moldam a economia global.