O Problema da Eletricidade no Coração da IA Moderna

Pontos-chave

• O sistema GB300 NVL72 da NVIDIA entrega até 25 vezes mais trabalho útil de IA por watt do que a geração anterior Hopper, de acordo com análise da SemiAnalysis InferenceX.
• Melhorias de software isoladamente aumentaram o desempenho por watt num modelo em até 5 vezes dentro de um único mês em 2025.
• A NVIDIA afirma que o seu software de gestão de energia permite aos operadores executar até 40 por cento mais chips dentro do mesmo orçamento de eletricidade.
• Empresas como Anthropic, OpenAI e Perplexity executam atualmente cargas de trabalho em produção no hardware Blackwell NVL72, de acordo com a NVIDIA.
• Os números neste artigo provêm de uma publicação promocional da NVIDIA, não de um estudo independente revisto por pares.

A IA é, na sua essência, um problema de eletricidade.

Sempre que um chatbot responde à sua pergunta ou um agente de IA, software que executa tarefas com múltiplas etapas de forma autónoma, marca a sua viagem ou redige o seu documento legal, um centro de dados em algum lugar consome energia para o fazer. Esse centro de dados tem um orçamento de eletricidade fixo. A empresa que gera mais saída útil desse orçamento ganha mais dinheiro. A empresa que não o faz, não consegue escalar.

A NVIDIA descreve isto como "desempenho por watt", ou seja, quanto resultado de IA obtém por cada unidade de eletricidade consumida. Quanto maior esse número, mais tokens (pequenos fragmentos de texto que os sistemas de IA processam) uma instalação pode produzir antes de atingir o seu teto de energia.

Os números que a NVIDIA publicou são impressionantes. O seu sistema GB300 NVL72, uma plataforma de servidor de escala de rack construída em torno dos seus chips Blackwell mais recentes, entrega aparentemente até 25 vezes mais desempenho por watt do que a sua geração anterior Hopper no DeepSeek V4 Pro, um dos atuais modelos de IA abertos. No GLM5.1, outro modelo de primeira linha, o ganho é até 20 vezes. No Kimi K2.6, um modelo construído para tarefas automatizadas mais longas, atinge até 10 vezes.

Esses números provêm da SemiAnalysis InferenceX, um grupo de benchmarking de terceiros, citado no próprio blog da NVIDIA. Não provêm de um estudo revisto por pares ou de uma auditoria independente.

Isto afeta pessoas comuns?

Sim, indiretamente mas de forma significativa. A velocidade, custo e disponibilidade das ferramentas de IA que as pessoas comuns usam diariamente dependem de como os centros de dados funcionam eficientemente. A Perplexity, a empresa de pesquisa por IA, diz que executa centenas de milhões de consultas diárias no hardware Blackwell. Se a infraestrutura subjacente se tornar mais eficiente, os serviços construídos sobre ela podem ficar mais rápidos e mais baratos.

A NVIDIA também destaca um dreno menos óbvio: o arrefecimento. Numa instalação típica de IA, apenas cerca de 60 por cento da eletricidade extraída da rede atinge realmente os chips e realiza trabalho útil. O resto é perdido na gestão térmica e outras ineficiências. O software DSX MaxLPS da NVIDIA, que desloca energia entre chips em tempo real e suporta arrefecimento líquido, visa recuperar parte desse desperdício.

Para as empresas que executam estes sistemas, Anthropic e OpenAI entre elas de acordo com a NVIDIA, trata-se tanto de economia quanto de engenharia. Mais saída por watt significa custo menor por consulta, que se reflete diretamente nas margens de lucro.

O software é tão importante quanto o hardware aqui. A NVIDIA diz que no DeepSeek V4, atualizações da sua stack de software de inferência melhoraram o desempenho por watt em até 5 vezes dentro de um único mês. Esse é um ganho significativo sem substituir um único chip.

Tudo isto é preparação para a próxima plataforma da NVIDIA, chamada Vera Rubin, que a empresa diz empurrará ainda mais a eficiência de escala de rack.

A tensão central é real mesmo que o marketing seja seletivo: a eletricidade é finita, o apetite pela IA não é, e todos os laboratórios que constroem o próximo modelo de primeira linha têm que lidar com essa lacuna.