> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/pt-br/2025/w07-some-reflections-triggered-by-deepseek.md).

# W07-Algumas reflexões provocadas pelo DeepSeek

O DeepSeek mostrou que tipo de tecnologia é atraente. Seu alto grau de abertura e seu baixo custo aceleraram de forma fundamental a trajetória da IA. Há um conceito da Revolução Industrial, o paradoxo de Jevons: quando a tecnologia melhora a eficiência no uso de um recurso, seu consumo total pode aumentar. O DeepSeek parece reproduzir esse paradoxo. Toda tecnologia nova conquista e amplia rapidamente seu mercado à medida que o custo cai muito. No fim, a demanda total por computação e energia necessariamente aumenta. Isso também ajuda a explicar a alternância entre pessimismo e otimismo em relação à Nvidia no início do ano.

A explosão de popularidade do DeepSeek trouxe uma explosão de informação. Como filtrar o ruído? O que importa e o que pode ser ignorado? A era dos LLMs chegou, todos partem do mesmo ponto. Como será a nova rodada de competição por talentos?

Fontes de alta qualidade são a resposta mais eficaz à explosão de informação. Mesmo algo muito bom se deforma depois de passar por várias mãos. A maioria das informações na origem não custa caro para obter; nós é que nos acostumamos a recebê-las por recomendação.

A tecnologia muda todos os dias. Clássico é o que resiste ao tempo. No ano passado, li *Hackers & Painters*, uma coletânea de mais de vinte anos, e ainda tive muitas descobertas. Como hackers se relacionam com o mundo, o que é um bom design, o que é uma boa linguagem: são temas que renovam a leitura. Recentemente, consegui um exemplar esgotado de *Showstopper!*, sobre episódios da criação do Windows NT por Cutler. O livro mostra seu temperamento imprevisível e sua capacidade de motivar e cobrar a equipe. Cutler é chamado de “o melhor programador de kernels do Vale do Silício” e, mesmo depois dos setenta, continua escrevendo código na Microsoft.

Alguém no X propôs o “problema dos 70%”. Pessoas que não programam conseguem concluir rapidamente 70% do trabalho usando IA, mas os 30% finais trazem retornos decrescentes e raramente convergem. Resta esperar que a IA resolva os problemas que ela mesma criou. O que é necessário para concluir esses 30%? Entender o negócio e os clientes, ter julgamento arquitetural, acumular formas de pensar e compreender os fundamentos da programação com IA.

Em uma conversa individual com um colega, discutimos a fundo o que aprender ao estudar uma nova linguagem. Certamente não é decorar e aplicar com fluência mais um grande manual. Muitos conceitos e regras surgidos sob restrições específicas são conhecimento de pouco valor e difícil de transferir. Não precisamos nos encantar demais com ferramentas e regras. Devemos prestar atenção à parte do conhecimento que pode gerar sabedoria.