V God partilha: Como criar um ambiente de trabalho de IA totalmente local, discreto e com controlo total e autónomo

Vitalik Buterin propôs uma arquitectura de IA a ser executada localmente, salientando a privacidade, a segurança e a soberania pessoal, e alertou para os potenciais riscos dos agentes de IA.

O fundador da Ethereum, Vitalik Buterin, a 2 de Abril, publicou um artigo longo no seu site pessoal, partilhando a sua configuração de um ambiente de trabalho de IA com privacidade, segurança e soberania pessoal como foco — todas as inferências de LLM são executadas localmente, todos os ficheiros são guardados localmente, com sandboxing total, e deliberadamente evitando modelos em cloud e APIs externas.

Logo no início do artigo, ele avisa: «Por favor, não copie directamente as ferramentas e tecnologias descritas neste artigo e assuma que são seguras. Isto é apenas um ponto de partida, e não uma descrição de um produto final.»

Porque agora escrever este texto? Os problemas de segurança dos agentes de IA estão a ser gravemente subestimados

Vitalik aponta que, no início deste ano, a IA fez uma transformação importante de «chatbots» para «agentes» — já não se trata apenas de fazer perguntas, mas de atribuir tarefas, fazendo com que a IA pense durante longos períodos e chame centenas de ferramentas para executar. Ele dá como exemplo o OpenClaw (actualmente o repo com crescimento mais rápido na história do GitHub) e cita também vários problemas de segurança registados por investigadores:

• Os agentes de IA podem modificar definições críticas sem confirmação humana, incluindo adicionar novos canais de comunicação e alterar as mensagens de sistema
• Analisar qualquer entrada externa maliciosa (como páginas web maliciosas) pode levar a que o agente seja completamente controlado; numa demonstração da HiddenLayer, os investigadores fizeram com que a IA resumisse um conjunto de páginas, dentro do qual havia uma página maliciosa que comandava o agente a descarregar e executar um script de shell
• Algumas skills de terceiros podem executar exfiltração de dados silenciosa, enviando dados para servidores externos controlados pelos autores das skills através de comandos curl
• Nas skills que analisaram, cerca de 15% incluem instruções maliciosas

Vitalik salienta que a sua abordagem à privacidade é diferente da dos investigadores tradicionais de cibersegurança: «Venho de uma posição profundamente temerosa relativamente ao facto de entregar toda a vida pessoal a uma IA na cloud — exactamente quando a criptografia ponta-a-ponta e software com prioridade local finalmente se tornaram mainstream, e nós demos um passo em frente, podemos estar a recuar dez passos.»

Cinco objectivos de segurança

Definiu uma estrutura clara de objectivos de segurança:

• Privacidade de LLM: em cenários que envolvem dados de privacidade pessoal, reduzir ao máximo o uso de modelos remotos
• Outra privacidade: minimizar fugas de dados que não sejam de LLM (por exemplo, pesquisas, outras APIs online)
• Evasão de LLM: impedir que conteúdos externos «invadam» o meu LLM, fazendo-o contrariar os meus interesses (por exemplo, enviar os meus tokens ou dados privados)
• LLM acidental: impedir que o LLM envie dados privados para canais errados ou os torne públicos na rede
• Backdoor de LLM: impedir mecanismos ocultos que sejam intencionalmente treinados para o modelo. Ele lembra especialmente: modelos abertos são pesos abertos (open-weights), e quase nenhum é verdadeiramente open-source

Escolhas de hardware: a 5090 em portáteis vence; a DGX Spark é decepcionante

Vitalik testou três configurações de hardware para inferência local, usando como principal o modelo Qwen3.5:35B, em conjunto com llama-server e llama-swap:

| Hardware | Qwen3.5 35B (tokens/sec) | Qwen3.5 122B (tokens/sec) | | --- | --- | --- | | NVIDIA 5090 portátil (24GB de VRAM) | 90 | não consegue executar | | AMD Ryzen AI Max Pro (128GB de memória unificada, Vulkan) | 51 | 18 | | DGX Spark (128GB) | 60 | 22 |

A sua conclusão é: abaixo de 50 tok/sec é demasiado lento, 90 tok/sec é o ideal. O portátil NVIDIA 5090 proporciona a experiência mais fluida; a AMD ainda tem mais problemas nos limites, mas espera-se que melhore no futuro. Um MacBook topo de gama também é uma opção eficaz, embora ele pessoalmente não o tenha experimentado.

Sobre a DGX Spark, ele foi directo: «Descrita como “um supercomputador de IA para secretária”, mas na prática o tokens/sec é mais baixo do que o de uma boa GPU de portátil, e ainda por cima é preciso tratar de detalhes adicionais como a ligação à rede — isto é muito fraco.» A sua recomendação é: se não puder pagar um portátil topo de gama, pode comprar em conjunto, com amigos, uma máquina suficientemente potente, colocá-la num local com IP fixo e todos usarem ligações remotas.

Porque os problemas de privacidade da IA local são mais urgentes do que imaginas

O artigo de Vitalik, juntamente com a discussão sobre os problemas de segurança do Claude Code lançada no mesmo dia, cria um eco interessante — enquanto os agentes de IA entram nos fluxos de desenvolvimento do dia-a-dia, as questões de segurança também estão a passar de riscos teóricos para ameaças reais.

A sua mensagem central é muito clara: quando as ferramentas de IA ficam cada vez mais poderosas e cada vez mais capazes de aceder aos teus dados pessoais e às permissões do teu sistema, «prioridade local, sandboxing e confiança mínima» não é paranoia, mas sim um ponto de partida racional.

• Este artigo é republicado com autorização de: «链新闻»
• Título original: «Vitalik: como construí um ambiente de trabalho de IA totalmente local, privado e sob controlo autónomo»
• Autor do artigo original: Elponcrab