V神 partilha: Como construir um ambiente de trabalho de IA totalmente local, discreto e sob controlo autónomo e independente

Vitalik Buterin propôs uma arquitectura de IA para execução local, sublinhando a privacidade, a segurança e a soberania pessoal, e alertando para os potenciais riscos dos agentes de IA.

O fundador do Ethereum, Vitalik Buterin, a 2 de Abril, publicou um artigo longo no seu sítio pessoal, partilhando o ambiente de trabalho em IA que construiu com a privacidade, a segurança e a soberania pessoal como base — com toda a inferência de LLM a ser executada localmente, todos os ficheiros a serem guardados localmente, e tudo devidamente isolado em sandbox; deliberadamente, evita modelos na nuvem e APIs externas.

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

Porque é que está a escrever isto agora? Os problemas de segurança dos agentes de IA estão a ser seriamente subestimados

Vitalik aponta que, no início deste ano, a IA concluiu uma transformação importante de «chatbots» para «agentes» — já não se trata apenas de fazer perguntas, mas de entregar tarefas, fazendo a IA pensar durante muito tempo e chamar centenas de ferramentas para executar. Ele usa o exemplo do OpenClaw (actualmente o repositório que mais cresce na história do GitHub), e enumera também vários problemas de segurança registados por investigadores:

• Um agente de IA pode modificar definições críticas sem confirmação humana, incluindo adicionar novos canais de comunicação e alterar as instruções do sistema
• A análise de qualquer entrada externa maliciosa (como uma página web maliciosa) pode levar a que o agente seja completamente tomado de controlo; numa demonstração da HiddenLayer, os investigadores fizeram com que a IA resumisse um conjunto de páginas, em que havia uma página maliciosa que mandava o agente descarregar e executar um script de shell
• Algumas colecções de competências de terceiros (skills) executam fugas silenciosas de dados, enviando os dados para um servidor externo controlado pelo autor das skills através do comando curl
• Nas skills que analisaram, cerca de 15% incluem instruções maliciosas

Vitalik sublinha que a sua abordagem à privacidade é diferente da dos investigadores tradicionais de cibersegurança: «Venho de uma posição profundamente receosa em relação a fornecer toda a vida pessoal à IA na nuvem — é como se, no momento em que a criptografia fim-a-fim e o software “local-first” finalmente se tornassem mainstream, nós pudéssemos, afinal, estar a dar dez passos para trás.»

Cinco objectivos de segurança

Ele definiu um quadro claro de objectivos de segurança:

• Privacidade de LLM: em cenários que envolvam dados de privacidade pessoal, reduzir ao máximo a utilização de modelos remotos
• Outra privacidade: minimizar a fuga de dados que não sejam de LLM (por exemplo, consultas de pesquisa, outras APIs online)
• Evasão de LLM: impedir que conteúdo externo “invada” o meu LLM, fazendo com que ele vá contra os meus interesses (por exemplo, enviar os meus tokens ou dados privados)
• LLM acidental: impedir que o LLM envie dados privados por engano para o canal errado ou os publique na rede
• Backdoor de LLM: impedir mecanismos ocultos que sejam treinados de propósito dentro do modelo. Ele alerta especialmente: modelos abertos são pesos abertos (open-weights); quase nenhum é verdadeiramente de código aberto (open-source)

Escolha de hardware: o 5090 de portátil vence; o DGX Spark desilude

Vitalik testou três configurações de hardware de inferência local, usando como principal o modelo Qwen3.5:35B, juntamente 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, e 90 tok/sec é o ideal. O portátil NVIDIA 5090 é o que proporciona a experiência mais fluida; a AMD ainda tem mais problemas nos limites, mas espera-se que isso melhore no futuro. Um MacBook topo de gama também é uma opção eficaz, embora ele pessoalmente não o tenha testado.

Sobre o DGX Spark, ele foi bem directo: «É descrito como um “supercomputador de IA para secretária”, mas na prática tokens/sec é mais baixo do que numa GPU de portátil melhor — e ainda há que tratar de detalhes como a ligação à rede. Isto é muito fraquinho.» A sua recomendação é: «Se não conseguir pagar um portátil topo de gama, pode comprar em conjunto com amigos uma máquina suficientemente potente, colocá-la num local com IP fixo e usar ligações remotas em conjunto.»

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

O artigo de Vitalik, em conjunto com a discussão sobre a segurança do Claude Code lançada no mesmo dia, forma um eco interessante — enquanto os agentes de IA entram no fluxo de trabalho quotidiano de desenvolvimento, os problemas de segurança também estão a passar de riscos teóricos para ameaças reais.

A sua mensagem central é muito clara: no momento em que as ferramentas de IA estão cada vez mais poderosas e cada vez mais capazes de aceder aos teus dados pessoais e às permissões do teu sistema, «local-first, sandboxing, confiança mínima» não é paranoia, é um ponto de partida racional.

• Este artigo foi republicado com autorização de: 《Cadeia de Notícias》
• Título original: 《Vitalik: Como construí um ambiente de trabalho em IA totalmente local, privado e sob controlo próprio》
• Autor do original: Elponcrab