Pergunte algo em inglês ou mandarim a qualquer grande modelo de IA e ele provavelmente responderá com fluência e nuance. Pergunte algo em cantonês e as falhas começam a aparecer. Essa lacuna é exatamente o que uma startup de Hong Kong chamada Votee AI está tentando fechar, construindo um modelo de IA em cantonês projetado para atender bancos, universidades e departamentos governamentais em um idioma que os maiores laboratórios de IA em grande parte negligenciaram.
Summary
Principais pontos
- A maioria dos principais modelos de IA, desenvolvidos por empresas como OpenAI, Anthropic, DeepSeek, Moonshot AI e Z.ai, são criados principalmente em inglês e mandarim porque seus desenvolvedores estão sediados nos EUA ou na China continental.
- O cantonês é falado por mais de 80 milhões de pessoas em todo o mundo, mas possui um conjunto muito menor de textos digitais padronizados do que o mandarim, o que o torna um típico “idioma de poucos recursos” para o treinamento de IA.
- A Votee AI retreina modelos de pesos abertos, como o Llama da Meta, com dados em cantonês, ampliando seu corpus de treinamento de 100 milhões para mais de 500 milhões de tokens por meio de scraping, fontes comunitárias e dados sintéticos.
- Seus modelos resultantes rodam com cerca de 70 bilhões de parâmetros, menores do que os sistemas de fronteira, e custam aproximadamente US$ 250.000 para treinar usando entre 500 milhões e 1 bilhão de tokens, uma fração do que os modelos em inglês exigem.
- A empresa enquadra seu trabalho como parte de um movimento mais amplo de “IA soberana” e agora está em negociações para se expandir para o Sudeste Asiático por meio da AI Singapore.
Domínio do inglês e do mandarim na IA deixa o cantonês para trás
O atual boom da IA funciona quase inteiramente com dois idiomas. Segundo Pak-Sun Ting, CEO da Votee AI, “toda a revolução da IA é em inglês e mandarim“, e “apenas uma fração muito pequena representa outros idiomas”. Esse desequilíbrio não é acidental. As empresas que lideram o setor — OpenAI, Anthropic, DeepSeek, Moonshot AI, Z.ai e outras — estão quase todas sediadas nos Estados Unidos ou na China continental, então não é surpresa que seus modelos principais sejam mais fortes nas línguas nativas de seus criadores.
Isso deixa dezenas de idiomas amplamente falados, e ainda mais dialetos regionais, muito atrás em capacidade de IA. O cantonês é um exemplo marcante de quão grande essa lacuna pode ser, mesmo para um idioma falado por dezenas de milhões de pessoas todos os dias.
Por que o cantonês “fala” uma língua diferente do mandarim
O cantonês é frequentemente descrito como um “dialeto” do chinês, mas esse rótulo minimiza o quão distinto ele realmente é. Ele tem gramática diferente do mandarim e vocabulário próprio e, em Hong Kong, os falantes frequentemente misturam palavras em inglês e cantonês na mesma frase. Mais de 80 milhões de pessoas falam cantonês globalmente, um número aproximadamente equivalente ao de falantes de coreano e maior do que as populações que falam italiano ou tailandês.
Apesar dessa escala, o cantonês não produziu nem de perto o volume de texto escrito padronizado que o mandarim ou o inglês produziram. Referenciais como o HKCanto-Eval, desenvolvido por pesquisadores da Universidade de Kyushu e da Universidade de Educação de Hong Kong junto com a comunidade local de IA hon9kon9ize, e patrocinado pela Votee, constataram que modelos de IA convencionais conseguem lidar razoavelmente bem com o cantonês do dia a dia, mas tropeçam rotineiramente em conhecimento cultural e local. Como diz Ting, o cantonês “é usado na educação, na saúde e nas comunicações policiais”, então, quando a IA não o cobre adequadamente, “a IA é essencialmente inútil”.
Por dentro da abordagem da Votee AI para construir um modelo de IA em cantonês
Em vez de construir um modelo do zero, a Votee pega um sistema de pesos abertos existente, como o Llama da Meta ou o Qwen da Alibaba, e o retreina intensamente com dados em cantonês. Ting descreve o processo como “basicamente dar os mesmos passos que você daria se estivesse treinando um modelo do zero”, apenas construído sobre a base de outra pessoa. Os sistemas retreinados são então vendidos para bancos, universidades e departamentos governamentais que precisam de ferramentas de IA capazes de funcionar em cantonês em vez de recorrer automaticamente ao mandarim ou ao inglês.
Coleta de dados de emissoras e conjuntos sintéticos
Construir um corpus utilizável para um projeto de IA em um idioma de poucos recursos significa juntar dados de onde quer que eles possam ser encontrados. A Votee obtém texto em cantonês por meio de scraping online, incluindo conteúdo da Radio Television Hong Kong, a emissora pública da cidade. Ela complementa isso com material de universidades, da comunidade em geral e de arquivos de seu trabalho anterior como empresa de big data. Quando o texto do mundo real é insuficiente, a Votee gera seus próprios conjuntos de dados sintéticos em cantonês para preencher as lacunas. Combinados, esses esforços elevaram o corpus em cantonês da empresa de 100 milhões de tokens para mais de 500 milhões de tokens.
Tamanho do modelo e custos de treinamento em comparação com laboratórios de fronteira
Os modelos resultantes da Votee ficam em torno de 70 bilhões de parâmetros, visivelmente menores do que os sistemas líderes dos principais laboratórios. Mesmo assim, Ting diz que os modelos são suficientemente capazes de compreender e raciocinar em cantonês para as tarefas práticas de que seus clientes precisam. A economia fala por si: a Votee treina seus modelos com entre 500 milhões e 1 bilhão de tokens, a um custo estimado de cerca de US$ 250.000. Já os modelos de fronteira em inglês são treinados em trilhões de tokens, a um custo muito mais alto. Essa diferença de preço é exatamente o motivo pelo qual um modelo de IA em cantonês menor e direcionado pode ser comercialmente viável mesmo para uma startup, e não apenas para um gigante de tecnologia.
Essa estrutura de custos é importante além da própria Votee. Ela sugere que atender a um mercado de IA em idiomas de poucos recursos não exige os bilhões investidos em laboratórios de fronteira — exige um modelo base de pesos abertos funcional, um pipeline de dados sólido e uma fração da capacidade computacional. Isso é um sinal significativo para outros idiomas subatendidos que observam como se desenrola o desenvolvimento de IA em cantonês.
IA soberana e a expansão para o Sudeste Asiático
O trabalho da Votee se insere em uma tendência mais ampla conhecida como IA soberana: a ideia de que governos e empresas querem possuir seus próprios dados, modelos e infraestrutura em vez de depender inteiramente de provedores sediados no exterior. “A IA se tornou uma necessidade tão essencial que você não quer ficar preso a ninguém que possa desligá-la”, diz Ting.
Possuir a pilha, ainda que parcialmente
Ting é franco ao dizer que a versão mais completa de IA soberana, em que um país controla todos os elos da cadeia de suprimentos de IA, é “muito difícil” de alcançar na prática. Sua sugestão mais realista é que o foco das nações esteja em possuir tanto os modelos de base subjacentes quanto as soluções de software construídas sobre eles. Ele também observa que os governos raramente precisam de poder em nível de fronteira para automatizar tarefas específicas — até mesmo um modelo com apenas 1 bilhão de parâmetros pode atender a casos de uso governamentais mais restritos, ou uma camada menor em idioma local pode simplesmente encaminhar saídas de um modelo maior em inglês ou chinês.
Parcerias de hardware e próximos passos
A Votee não se limita a um único ecossistema. Ting diz que a empresa trabalha com modelos da MiniMax e da SenseTime e pode operar em chips Nvidia. “Podemos usar chips Nvidia, podemos usar o modelo da Moonshot ou da DeepSeek”, diz ele. “Somos aquela pessoa do ensino médio que é amiga de todo mundo.” A Votee se descreve como lucrativa no sentido de que suas receitas superam os custos, financiada em grande parte por contratos com clientes, e conta com o magnata de Hong Kong Allan Zeman, conhecido por desenvolver o distrito de vida noturna Lan Kwai Fong da cidade, como conselheiro.
As ambições da empresa agora vão além de Hong Kong. Ting diz que a Votee está em discussões ativas com a AI Singapore e planeja se expandir ainda mais pelo Sudeste Asiático. Ele também mira um objetivo de mais longo prazo: usar a IA para ajudar a proteger idiomas em risco em regiões como o Leste Asiático, a América do Norte e a África. Ting descreve o peso da questão em termos contundentes, chamando o domínio da IA em inglês de um “momento máquina de escrever”, em que os ganhos de produtividade são tão grandes que as pessoas abandonam seu próprio idioma apenas para acompanhar. “As pessoas vão adotar o inglês simplesmente porque a produtividade da máquina de escrever é tão forte em comparação com a de seu próprio idioma”, diz ele. Se um modelo de IA em cantonês com 70 bilhões de parâmetros pode realmente resistir a essa força de atração ainda é uma questão em aberto, mas, para Ting, a motivação vai além da fatia de mercado. “Cada idioma que morre significa perder uma outra forma de ver o mundo”, afirma.
Perguntas frequentes
Por que a Votee AI está focando no cantonês para o desenvolvimento de modelos de IA?
Porque o cantonês, falado por mais de 80 milhões de pessoas, é significativamente diferente do mandarim e é pouco atendido pela IA, o que afeta setores como educação e saúde, onde ferramentas precisas no idioma local são essenciais.
Como a Votee AI constrói seus modelos de IA em cantonês?
A Votee AI retreina modelos de pesos abertos de desenvolvedores como a Meta usando dados em cantonês coletados por meio de scraping, fontes comunitárias, universidades e dados sintéticos, ampliando seu corpus de 100 milhões para mais de 500 milhões de tokens.
O que é IA soberana e como a Votee AI se relaciona com isso?
IA soberana refere-se a governos e empresas que possuem seus dados, modelos e infraestrutura de IA em vez de depender inteiramente de provedores estrangeiros. A Votee AI apoia essa ideia ao localizar modelos de IA para o cantonês e fazer parcerias com provedores de hardware e modelos locais e globais.
Quais são os planos de expansão regional da Votee AI?
A Votee AI está em discussões ativas com a AI Singapore e planeja se expandir para o Sudeste Asiático, além de explorar como a IA pode ajudar a proteger idiomas em risco em outras partes do mundo.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Por que a Votee AI está focando no cantonês para o desenvolvimento de modelos de IA?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Porque o cantonês, falado por mais de 80 milhões de pessoas, é significativamente diferente do mandarim e é pouco atendido pela IA, o que afeta setores como educação e saúde, onde ferramentas precisas no idioma local são essenciais.”}},{“@type”:”Question”,”name”:”Como a Votee AI constrói seus modelos de IA em cantonês?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”A Votee AI retreina modelos de pesos abertos de desenvolvedores como a Meta usando dados em cantonês coletados por meio de scraping, fontes comunitárias, universidades e dados sintéticos, ampliando seu corpus de 100 milhões para mais de 500 milhões de tokens.”}},{“@type”:”Question”,”name”:”O que é IA soberana e como a Votee AI se relaciona com isso?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”IA soberana refere-se a governos e empresas que possuem seus dados, modelos e infraestrutura de IA em vez de depender inteiramente de provedores estrangeiros. A Votee AI apoia essa ideia ao localizar modelos de IA para o cantonês e fazer parcerias com provedores de hardware e modelos locais e globais.”}},{“@type”:”Question”,”name”:”Quais são os planos de expansão regional da Votee AI?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”A Votee AI está em discussões ativas com a AI Singapore e planeja se expandir para o Sudeste Asiático, além de explorar como a IA pode ajudar a proteger idiomas em risco em outras partes do mundo.”}}]}
Artigo produzido com a assistência de inteligência artificial e revisado pela equipe editorial.
