A IA pode operar de forma eficiente? Pesquisadores podem ter encontrado uma solução

A inteligência artificial (IA) continua a moldar nosso futuro em quase todas as indústrias à medida que sua adoção cresce para automatizar processos empresariais cruciais, reduzir custos e aumentar a produtividade. 

Dados mostram que mais de 80% das empresas utilizam IA em certa medida, vendo-a como uma tecnologia central dentro de suas organizações. O comprometimento financeiro com IA também aumentou à medida que sua adoção gera benefícios significativos e um ROI muito maior.

Com isso, o tamanho do mercado de IA ultrapassou US$ 184 bilhões em 2024 e está projetado a superar US$ 826 bilhões até o final desta década, segundo a Statista.

Todo esse crescimento e a explosão de interesse em IA resultaram em uma corrida armamentista para desenvolver a tecnologia. Modelos de IA como grandes modelos de linguagem (LLMs) que estão sendo construídos por organizações utilizam algoritmos para entender, resumir, traduzir e gerar linguagem humana e são treinados com enormes quantidades de dados usando processadores que consomem muita energia. 

Para isso, empresas e operadores de data centers estão investindo muito capital para construir novos data centers de alta capacidade. O investimento em novos data centers, segundo a International Energy Agency (IEA), já disparou nos últimos dois anos, liderado pelos EUA. Em 2023, o investimento total de capital da Microsoft (MSFT ), Google e Amazon (AMZN ) sozinho foi maior do que o de toda a indústria de petróleo e gás do país.

Esses data centers requerem muita eletricidade para funcionar. Em 2022, a IEA afirmou que os data centers consumiram 1,65 bilhão de gigajoules de eletricidade, o que corresponde a cerca de 2% da demanda global. 

A demanda global de energia dos data centers está prevista para aumentar 50% até 2027 e 165% até 2030, segundo a pesquisa da Goldman Sachs (GS ) divulgada no início deste mês. 

O consumo atual de energia dos data centers é estimado em cerca de 55 gigawatts (GW), composto por cargas de trabalho de computação em nuvem (54%), cargas tradicionais como armazenamento (32%) e IA (14%). Modelando a demanda futura para esses tipos de carga, a projeção para 2027 é de 84 GW, onde a IA crescerá para 27% enquanto a nuvem cairá para 50% e as cargas tradicionais cairão para 23%.

A capacidade global de mercado dos data centers, por sua vez, está atualmente em torno de 59 GW, dos quais 60% são fornecidos por provedores de nuvem hiperescaláveis como Google e Alibaba e operadores de data centers de terceiros, com o restante vindo de data centers corporativos e de telecomunicações tradicionais.

A demanda de energia desses grandes data centers hiperescaláveis é de 100 MW ou mais, com um consumo anual de eletricidade aproximadamente equivalente à demanda de até 400.000 carros elétricos.

À medida que as organizações continuam a adotar IA, também podemos esperar o surgimento de data centers dedicados à IA, que são uma classe emergente de infraestrutura projetada especificamente para atender aos requisitos distintos das cargas de trabalho de IA. Embora poucos existam até agora, eles estão principalmente localizados na Ásia‑Pacífico e na América do Norte, notavelmente em Pequim, Xangai, Virgínia do Norte e na região da Baía de São Francisco. 

De acordo com estimativas da Goldman Sachs Research, até o final de 2030 haverá cerca de 122 GW de capacidade de data centers em operação. Devido às maiores demandas de carga de trabalho de processamento da IA, a densidade de uso de energia nos data centers provavelmente crescerá também para 176 kilowatt‑hours por pé quadrado em dois anos.

Com os data centers contribuindo para uma crescente necessidade de energia, a rede elétrica também precisará de investimentos significativos, estimados em US$ 720 bilhões em gastos com a rede até 2030.

Além disso, as emissões de dióxido de carbono dos data centers podem mais que dobrar entre 2022 e 2030. Assim, o consumo de eletricidade dos data centers, que atualmente representa 1‑2% da energia total e deve aumentar para 3‑4% até o final da década, tornou‑se motivo de preocupação, embora não seja uma causa perdida. 

Os números, embora massivos, são modestos quando considerados em um contexto mais amplo de crescimento do consumo total de eletricidade global, que a IEA projeta crescer em 6.750 TWh até 2030, impulsionado não apenas pela IA, mas também pelo contínuo crescimento econômico, veículos elétricos, aparelhos de ar‑condicionado e manufatura intensiva em energia.

Além disso, não apenas a velocidade de uso da IA permanece incerta, mas melhorias contínuas de eficiência tanto em hardware quanto em software podem ajudar a atender às demandas de energia da tecnologia de IA. 

A eficiência dos chips de computador relacionados à IA tem dobrado a cada 2,5‑3 anos. Um chip de IA moderno agora consome 99% menos energia enquanto realiza os mesmos cálculos de um modelo de 2008. Além disso, os próprios modelos de IA estão se tornando mais eficientes. Associados a novas tecnologias de refrigeração e soluções científicas inovadoras, esses desenvolvimentos estão reduzindo o consumo de energia e minimizando seus impactos ambientais.

Clique aqui para saber por que o armazenamento tradicional não consegue acompanhar a IA.

Cientistas Desenvolvem uma Solução Revolucionária 

Ilustração. Não é uma fotografia real.

No contexto da evolução da IA e de suas crescentes demandas de energia, pesquisadores no Japão desenvolveram um dispositivo spintrônico inovador que promete uma redução substancial no consumo de energia ao permitir o controle elétrico dos estados magnéticos. 

Essa descoberta pode revolucionar o hardware de IA ao criar chips que espelham o funcionamento das redes neurais e são muito mais eficientes em termos de energia. Em vez de usar corrente elétrica para armazenar informações, esses dispositivos utilizam o spin dos elétrons para o mesmo, o que os torna mais rápidos e mais eficientes.

Dispositivos spintrônicos são usados em dispositivos de armazenamento em massa e computação para aumentar a velocidade e o desempenho dos computadores.

Pesquisadores do Instituto Nacional de Ciência dos Materiais, da Universidade Tohoku e da Agência Japonesa de Energia Atômica estão agora utilizando‑o para chips de IA de baixo consumo e demonstraram um dispositivo de torque spin‑órbita (SOT) programado por corrente como prova de conceito.

O SOT oferece um mecanismo promissor para codificar eletricamente informações em estados magnéticos. No entanto, nos esquemas existentes, ele é determinado passivamente pelo material e pelas estruturas do dispositivo. 

“Embora a pesquisa spintrônica tenha avançado significativamente no controle elétrico da ordem magnética, a maioria dos dispositivos spintrônicos existentes separa o papel do material magnético a ser controlado e o material que fornece a força motriz.”

– Shunsuke Fukami, Universidade Tohoku

Dispositivos spintrônicos, uma vez fabricados, têm um esquema de operação fixo no qual normalmente trocam informações de forma binária; de “0” para “1”. No entanto, a nova pesquisa avançou no comutação programável eletricamente de múltiplos estados magnéticos. Manipular a polaridade intrínseca do SOT permite dispositivos SOT programáveis de forma flexível.

De acordo com os resultados do estudo publicado na Nature Communications este mês¹, este dispositivo spintrônico permite o controle elétrico mútuo de antiferromagnéticos não colineares e ferromagnéticos para comutação eficiente dos estados magnéticos. 

O controle elétrico dos estados magnéticos é a base da memória magnética, lógica e computação, e o SOT oferece uma abordagem eficiente para controlá‑los. 

Isso significa que o dispositivo SOT revolucionário pode armazenar e processar informações de forma semelhante a um chip de IA inspirado no cérebro, usando significativamente menos energia, abrindo caminho para uma nova geração de hardware de IA altamente eficiente e econômico.

O estudo utilizou Mn3Sn, um antiferromagnético não colinear, como material magnético chave e aplicou uma corrente elétrica a ele, o que o fez gerar uma corrente de spin que impulsionou a comutação do CoFeB, o ferromagnético vizinho. Isso foi realizado por meio de um processo chamado efeito Hall de spin magnético.

O efeito Hall de spin (SHE) é um elemento fundamental da spintrônica moderna que realiza “acoplamento entre correntes de carga e dinâmica coletiva de spin em sistemas magneticamente ordenados”.

Pesquisa anterior² da Universidade Tohoku, em colaboração com outros institutos, demonstrou que, comparados a materiais não magnéticos, os antiferromagnéticos possuem propriedades de Hall de spin mais fortes. Além disso, em Mn3Sn, o SHE apresenta uma mudança anômala de sinal quando seus momentos ordenados triangularmente mudam de orientação. Também atribuiu o alto mecanismo magnético do Mn3Sn ao desdobramento de spin, que depende do momento e é gerado pela ordem magnética não colinear, ampliando o escopo da spintrônica antiferromagnética.

Na pesquisa mais recente, o ferromagnético respondeu à corrente polarizada por spin e além disso, influenciou o estado magnético do Mn3Sn. Isso possibilitou a comutação elétrica mútua entre os dois materiais.

A equipe demonstrou em seu experimento que a informação escrita no ferromagnético pode ser controlada eletricamente com a ajuda do estado magnético do Mn3Sn. Eles conseguiram mudar a magnetização do CoFeB em diferentes trajetórias representando múltiplos estados ao ajustar a corrente de definição.

Essa polaridade de corrente que altera o sinal da informação escrita, que é um mecanismo de comutação analógica, é uma operação chave em redes neurais e imita a forma como valores analógicos funcionam no processamento de IA.

A descoberta, segundo Fukami, representa um avanço crítico na produção de chips de IA mais eficientes energeticamente. 

“Ao realizar a comutação elétrica mútua entre um antiferromagnético não colinear e um ferromagnético, abrimos novas possibilidades para redes neurais programáveis por corrente,“ acrescentou, observando que o foco agora está em “reduzir ainda mais as correntes operacionais e aumentar os sinais de leitura, o que será crucial para aplicações práticas em chips de IA”.

Com os data centers consumindo tanta energia, outro estudo buscou reduzir o consumo de energia com Memória Magnética de Acesso Aleatório (MRAM) baseada em SOT.

Este estudo separado³, que foi publicado na Nature Communications no mês passado, foi realizado por pesquisadores da Universidade Johannes Gutenberg de Mainz (JGU), que desenvolveram uma solução poderosa e altamente eficiente para processamento e armazenamento de dados, reduzindo o consumo de energia.

O protótipo “abre caminho para soluções de memória mais rápidas e eficientes,” disse o autor principal do estudo, Dr. Rahul Gupta, ex‑pesquisador de pós‑doutorado no Instituto de Física da JGU.

Ele é baseado em SOT MRAM, conhecido por sua superior eficiência energética, não volatilidade e desempenho em comparação com RAM estática. A tecnologia que usa correntes elétricas para mudar estados magnéticos enfrenta desafios em reduzir a alta corrente de entrada necessária durante o processo de gravação. Isso significa manter estabilidade térmica suficiente para armazenar os dados por longos períodos e minimizar a energia necessária para executar a tarefa de armazenamento.

Em vez do SHE, este estudo utilizou o Efeito Hall Orbital (OHE), onde um fluxo transversal de momento angular orbital é produzido em um material quando uma corrente elétrica é aplicada. Usando esse fenômeno, os pesquisadores conseguiram maior eficiência energética sem depender de materiais caros ou raros.

O material magnético único desenvolvido usa elementos como Rutênio como um canal SOT para melhorar o desempenho. Com isso, a equipe conseguiu uma redução de 20% na corrente de entrada, um aumento de 30% na eficiência e uma redução de mais de 50% no consumo total de energia.

Empresas Liderando o Caminho

Agora, vamos dar uma olhada em nomes proeminentes que estão ajudando a avançar o espaço de IA:

1. NVIDIA Corporation

A Nvidia (NVDA ) projeta e fabrica unidades de processamento gráfico ou GPUs. Uma GPU é um circuito eletrônico que realiza cálculos matemáticos em alta velocidade e é uma escolha popular para desenvolver modelos de IA.

Na última década, a empresa melhorou significativamente o desempenho por watt de suas GPUs, em até 4.000 vezes, segundo seu cientista‑chefe William Dally, e continua a desenvolver circuitos especializados nesses chips que são especificamente projetados para cálculos de IA.

A Nvidia é a segunda maior empresa do mundo em capitalização de mercado, com US$ 3,21 trilhões. Suas ações estão atualmente negociadas a US$ 130,86, queda de 2,35% no ano. O EPS (TTM) da empresa é 2,54 e o índice P/E (TTM) é 51,67, enquanto seu dividend yield é 0,03%.

Quanto às finanças da empresa, a Nvidia divulgará os resultados do 4º trimestre do FY25 em 26 de fevereiro. Agora, para o Q3, seu lucro GAAP por ação diluída foi US$ 0,78 e o lucro non‑GAAP por ação diluída foi US$ 0,81.

Neste trimestre, a Nvidia anunciou uma receita recorde de US$ 35,1 bilhões, um aumento de 17% em relação ao Q2 e 94% em relação ao ano passado. Sua receita de data centers representou US$ 30,8 bilhões desse total. Para o Q4, compartilhou uma perspectiva de receita de US$ 37,5 bilhões.

“A era da IA está em pleno vapor, impulsionando uma mudança global para a computação NVIDIA,” disse o CEO e fundador Jensen Huang na época, ao observar uma demanda “incrível” por sua Hopper, bem como a expectativa para a Blackwell, que permite computação de alto desempenho (HPC) para treinamento acelerado, inferência e eficiência em IA generativa.

A Nvidia passou por uma jornada fantástica, com o preço de suas ações subindo de menos de US$ 11 em outubro de 2022 para mais de US$ 152 no início de janeiro de 2025. Recentemente, perdeu algum impulso após a startup chinesa de IA DeepSeek lançar seu modelo de IA mais recente. A percepção inicial era de que a DeepSeek diminuiria a demanda pelas GPUs de alto desempenho da Nvidia, mas isso pode ser positivo para a Nvidia, já que as necessidades menores de poder computacional da startup podem abrir mais oportunidades de IA, impulsionando os preços do maior fabricante de chips.

“A IA está transformando todas as indústrias, empresas e países,” disse Huang durante os resultados do último trimestre e acrescentou que as empresas estão adotando IA agente, enquanto avanços em IA física estão sendo observados na robótica industrial. Os países, acrescentou, também despertaram para a importância de construir sua própria infraestrutura de IA.

#2. Broadcom Inc.

A Broadcom (AVGO ) está entre as 10 maiores empresas, com capitalização de mercado de US$ 1,1 trilhão. Ela está envolvida no design, desenvolvimento e fornecimento de uma ampla gama de soluções de semicondutores e software de infraestrutura. A empresa tem parcerias com grandes players como Google, Meta Platforms (META ) e ByteDance. Também está trabalhando com a OpenAI e a Apple (AAPL ) para construir seus próprios chips de IA.

No momento da redação, as ações da Broadcom estão sendo negociadas a US$ 235, alta de 1,95% no ano. O EPS (TTM) da empresa é 1,28 e o índice P/E (TTM) é 184,78, enquanto seu dividend yield é 1%.

Agora, no 4º trimestre de 2024, a Broadcom teve receita superior a US$ 14 bilhões, um aumento de 51% em relação ao período do ano anterior, enquanto o lucro líquido GAAP foi de US$ 4,324 bilhões. Para o 1º trimestre do ano fiscal de 2025, a empresa deu orientação de receita de cerca de US$ 14,6 bilhões.

No quarto trimestre, a receita de semicondutores da fabricante de chips atingiu um recorde de US$ 30,1 bilhões, o que o CEO e presidente Hock Tan observou ter sido impulsionado por receita de IA de US$ 12,2 bilhões. O crescimento de 220% ano a ano na receita de IA foi alimentado por seus XPUs.

O EPS diluído GAAP da Broadcom foi de US$ 0,90 e o EPS diluído non‑GAAP foi de US$ 1,42. O caixa das operações foi de US$ 5,6 bilhões. A empresa também reportou um aumento de 11% no dividendo trimestral de ações ordinárias para US$ 0,59 por ação, que foi o décimo quarto aumento consecutivo. O fluxo de caixa livre excluindo reestruturações também foi “forte” em US$ 21,9 bilhões, enquanto o caixa e equivalentes de caixa eram US$ 9,348 bilhões.

“Vemos nossa oportunidade nos próximos três anos em IA como massiva. Hiperescaladores específicos começaram suas respectivas jornadas para desenvolver seus próprios aceleradores de IA personalizados.”

– Tan disse na teleconferência de resultados

Ele também compartilhou que a empresa está desenvolvendo chips de IA com três grandes clientes de nuvem, cada um dos quais deve implantar 1 milhão de chips de IA em clusters de rede até 2027.

Conclusão

À medida que a popularidade e o uso da inteligência artificial continuam a crescer, também aumenta seu consumo de energia. Modelos de IA, especialmente de aprendizado profundo, requerem uma quantidade significativa de energia para computação, e soluções convencionais enfrentam limites de eficiência energética.

Nesse contexto, pesquisas que visam melhorar a eficiência energética dos chips de IA e minimizar seus impactos ambientais podem ajudar o mundo a perceber todo o potencial da tecnologia, ao mesmo tempo que reduzem seus efeitos negativos.

Os dispositivos de memória e lógica baseados em SOT podem fazer uma grande diferença aqui, oferecendo uma solução de baixo consumo ao usar estados magnéticos para computação em vez de lógica baseada em carga. Reter dados sem energia constante pode reduzir os custos de energia para inferência de IA, possibilitar aceleradores de IA mais eficientes energeticamente para tomada de decisão em tempo real ao imitar o cérebro, e acelerar o processamento de tarefas de IA ao integrar lógica e memória.

Esforços constantes como esses tornam o hardware e o software de IA mais eficientes energeticamente, mais rápidos e capazes de lidar com computações complexas, impulsionando, por sua vez, a adoção mais ampla de IA em diversos setores, ao mesmo tempo que reduzem sua pegada de carbono!

Clique aqui para saber por que 2025 é o ano dos investimentos impulsionados por IA.