Inteligência artificial
Tecnologias Emergentes que Moldam o Futuro do Hardware de IA
Adicione Securities.io às suas fontes preferidas no Google
Um Novo Tipo de Computação
Com os últimos anos de progresso exponencial na tecnologia de IA, os maiores vencedores têm sido os construtores de hardware de IA. Isso ocorre porque a IA moderna, que usa principalmente tecnologia de redes neurais, utiliza o poder de computação de forma muito diferente dos computadores clássicos.
Em vez de realizar cálculos complexos com uma CPU poderosa, elas realizam milhares ou milhões de cálculos mais simples em paralelo.
(Você pode aprender mais sobre como as redes neurais foram inventadas e funcionam em “Investindo em Conquistas do Prêmio Nobel – Redes Neurais Artificiais, a Base da IA”)
Até agora, as placas gráficas, ou GPUs (Unidades de Processamento Gráfico), têm sido a ferramenta preferida para desenvolver IA, impulsionando dramaticamente as receitas e os lucros dos líderes do setor como a Nvidia (NVDA ).
Espera‑se que o mercado de hardware de IA continue crescendo excepcionalmente rápido, com CAGR de 31,2 % de 2025 a 2035
Fonte: Roots Analysis
Este período também deverá ver o surgimento de muitos novos tipos de hardware de IA, à medida que as GPUs reaproveitadas para cálculos de IA são progressivamente substituídas por chips projetados especificamente para essa aplicação.
No longo prazo, formas mais exóticas de computação provavelmente entrarão no mercado de hardware de IA, desde designs específicos de aplicação até chips não‑silicônicos ou até mesmo usando neurônios biológicos reais.
Como o Pensamento de IA Funciona
A diferença fundamental entre supercomputadores clássicos e IAs está em como os dados são processados. Em vez de resolver cálculos complexos, as redes neurais criam nós virtuais conectados em uma rede. Enquanto a rede neural inicial continha apenas algumas dezenas de nós, fazendo algumas centenas de conexões, as redes neurais modernas como as usadas pelo ChatGPT utilizam trilhões de conexões possíveis, atingindo níveis de complexidade não muito diferentes do cérebro humano.
Fonte: Nobel Prize
Esse método diferente de cálculo requer hardware capaz de executar milhões de operações em paralelo, mesmo que o poder de computação dedicado a cada operação seja relativamente pequeno.
Afortunadamente, esse tipo de hardware já está em operação há muitos anos, como a renderização gráfica usando GPUs, principalmente para simulação 3D e videogames, que também utilizam esse tipo de muitos cálculos pequenos em paralelo.
Isso explica por que o vencedor inicial (e atual) da corrida para garantir chips de IA suficientes tem sido a Nvidia, líder no mercado de GPUs.
GPUs Cada Vez Mais Rápidas
Com a invenção de algoritmos mais eficientes e o rápido progresso na inteligência artificial que criaram, as aplicações potenciais de IA explodiram na década de 2020.
Isso levou uma corrida cada vez maior para garantir hardware suficiente, especialmente GPUs Nvidia em 2023.
Em paralelo, expectativas crescentes sobre as aplicações potenciais de IA exigem IAs cada vez mais inteligentes, o que por sua vez requer mais poder de computação. E enquanto garantir mais GPUs era uma solução, GPUs melhores também eram necessárias.
A indústria entregou, com um crescimento de desempenho de 1 000 × em menos de 8 anos.
Fonte: NVIDIA
Isso Pode Durar?
Há sinais de que o progresso no desempenho das GPUs pode desacelerar em breve. Primeiro, todas as melhorias “fáceis”, como tornar as GPUs maiores e com transistores menores e mais densos, estão chegando ao limite. Portanto, melhorias adicionais precisarão vir de redesigns mais radicais e inovações.
Problemas secundários também estão surgindo na indústria. Por exemplo, GPUs muito mais densas e poderosas geram muito calor residual, a ponto de mais do mesmo simplesmente derreter os chips.
Esse calor residual também indica muita energia desperdiçada. Garantir um suprimento suficiente de energia estável e de base está se tornando um problema para empresas de IA, com todas as grandes empresas de tecnologia correndo para garantir fornecimento de usinas nucleares.
Por fim, a computação de IA está se tornando mais especializada, com diferentes metodologias surgindo em diferentes empresas e para diferentes aplicações, cada uma com requisitos distintos de hardware. Assim, é muito provável que a era das GPUs de uso geral usadas por todas as empresas de IA esteja chegando ao fim, ainda que lentamente.
A Era das Super GPUs
Até agora, a maioria dos data centers de IA consistia em conectar milhares de GPUs em servidores dedicados.
A solução imediata para o crescente superaquecimento e consumo de energia será a construção de hardware integrado que vá além da simples acumulação de GPUs individuais.
Um passo importante nessa direção é o recente lançamento da Nvidia do GB200 NVL72. Esse hardware foi projetado para atuar como uma única GPU massiva, tornando‑se muito mais poderosa que até mesmo o modelo H100, que quebrou recordes anteriormente.
Isso também deve ser muito mais eficiente em termos de energia, ponto crucial, já que a indústria de IA pode ficar sem energia antes de ficar sem chips na velocidade com que os data centers de IA são construídos. E mais eficiência computacional & energética significa menos calor residual, o que resolve temporariamente o problema de superaquecimento.
Fonte: Nvidia
Atualmente, CoreWeave se tornou o primeiro provedor de nuvem com instâncias Nvidia GB200 NLV72 disponíveis ao público (CRWV ).
(Você pode ler mais sobre a CoreWeave e seu fornecimento de computação em nuvem de IA para empresas que desenvolvem soluções de IA em “CoreWeave: O Hiperscaler de IA em Nuvem”.
Hardware de IA Não‑GPU
Field Programmable Gate Arrays (FPGAs)
Outro tipo de hardware usado para desenvolvimento de IA são as Field‑Programmable Gate Arrays. FPGAs são circuitos integrados que podem ser reprogramados para executar tarefas específicas de forma mais eficiente. Elas funcionam tendo interconexões configuráveis entre seus componentes.
Fonte: Microcontrollers Labs
Isso pode tornar as FPGAs mais flexíveis que as GPUs e ter mais potencial de otimização para tipos específicos de cálculos.
As FPGAs também são mais eficientes em termos de energia que as GPUs. Sua baixa latência (tempo de reação rápido) também as torna muito eficientes para aplicações reais que exigem respostas rápidas.
No entanto, as FPGAs são menos capazes de lidar com cálculos muito exigentes que requerem muita energia.
Outro problema é que, embora as FPGAs sejam reprogramáveis, esse processo pode ser demorado e exigir muita mão‑de‑obra. Portanto, elas podem ser muito mais lentas para projetar, construir e programar. Isso pode ser um problema sério em um campo que avança de forma revolucionária a cada seis meses.
Isso significa que, até agora, os casos de uso das FPGAs têm se concentrado em certas aplicações de IA, com o desenvolvimento geral ainda dependendo de GPUs menos eficientes, mas de uso geral:
- Processamento em tempo real: quando dados de entrada precisam ser tratados rapidamente, como em processamento de sinal digital, sistemas de radar, veículos autônomos e telecomunicações.
- Aceleração de hardware personalizada: FPGAs configuráveis podem ser afinadas para acelerar tarefas específicas de deep learning e clusters HPC otimizando tipos de dados ou algoritmos específicos.
- Portanto, data centers modernos de IA podem gradualmente tornar‑se uma mistura de GPUs e FPGAs, com cada hardware dedicado às subtarefas que executa melhor.
- Computação de borda: Isso significa levar capacidade de computação e armazenamento mais próximo do usuário final, por exemplo, diretamente em um carro ou drone. Nesses casos, o baixo consumo de energia e o tamanho compacto das FPGAs são vantagens.
Application‑Specific Integrated Circuits (ASICs)
Os sistemas ASIC são construídos para tipos específicos de cálculo e só podem executar esses tipos. Portanto, não são tanto um chip de computador quanto um circuito integrado puro; as FPGAs às vezes também são chamadas de ASICs programáveis.
A razão para usar ASICs em vez de FPGAs ou GPUs é que os ASICs são muito mais rápidos que qualquer outro dispositivo lógico. Eles também são mais eficientes em termos de energia e menores em tamanho.
É por isso que, por exemplo, ASIC miners são usados na mineração de criptomoedas, com design otimizado para executar o tipo específico de cálculo requerido.
Fonte: Wevolver
No entanto, ASICs também são muito mais complexos de projetar, de modo que só faz sentido desenvolver um para uma tarefa que será repetida com frequência suficiente para cobrir os custos de design. No geral, ASICs fazem sentido econômico apenas quando considerados para produção em massa.
Designs personalizados também exigem conhecimento especializado, e linguagens de programação e bibliotecas amplamente usadas podem não ser utilizáveis.
Essa necessidade de design customizado pode, porém, ser uma vantagem, pois cria proteção adicional de propriedade intelectual (IP).
Os casos de uso para ASICs são semelhantes aos das FPGAs: computação de borda, reconhecimento de imagens, telecomunicações e processamento de sinal, mas ainda mais exigentes em termos de cálculo repetido.
Como não são flexíveis, também é improvável que sejam suficientes por si só para tarefas de IA complexas. Elas podem, porém, ser integradas a um sistema de hardware de IA para proporcionar mais eficiência e velocidade.
Notavelmente, empresas como Etched estão desenvolvendo ASICs especificamente projetados para executar cálculos de transformers (o “T” no chatGPT).
Fonte: Etched
Chips Neuromórficos
Além de melhorar GPUs ou construir ASICs mais eficientes, outros conceitos buscam mudar completamente como a computação é realizada.
Uma ideia é que, se estamos projetando uma rede neural, deveríamos ter uma arquitetura de chip que a reflita.
Essa é a ideia dos chips neuromórficos, que funcionam como neurônios interconectados ao nível de hardware, em vez de simulá‑los por meio de equações matemáticas complexas e milhões de cálculos paralelos.
Esses dispositivos também são às vezes chamados de NPUs (Unidade de Processamento Neural), geralmente combinando muitos tipos diferentes de componentes em uma única unidade.
Os chips neuromórficos costumam usar sinais elétricos complexos, mais próximos de dados analógicos. Isso difere dos “computadores normais” que utilizam um design de Von Neumann com sinais binários (0 & 1).
Fonte: Tech Target
Muitos métodos estão sendo explorados atualmente para criar chips neuromórficos:
- Aproveitar a ferroelectricidade incipiente, um fenômeno ainda pouco compreendido.
- Substrato ativo usando vanádio ou titânio.
- Uso de memristores, um novo tipo de componente eletrônico, que pode executar tarefas de IA com 1/800thdo consumo de energia normal.
Chips Fotônicos
Outra opção para contornar muitas das limitações atuais do hardware de silício é mudar para computadores fotônicos. Em vez de elétrons transportarem a informação, são fótons de lasers que o fazem.
Esse método traz a vantagem de ser muito menos vulnerável ao superaquecimento e de a luz ser a coisa mais rápida do Universo.
Por enquanto, a durabilidade dos componentes fotônicos, especialmente a memória, tem sido um problema, mas isso está mudando rapidamente.
Outros avanços recentes em fotônica incluem:
- Transistor de Alta Mobilidade Eletrônica Ferroeletiva (FeHEMT), reduzindo dispositivos de comunicação em smartphones.
- Perovskitas, mais precisamente cristais CsPbBr3 (césio‑chumbo‑brometo), misturando fotônica com substratos “normais” de silício e arseneto de gálio.
- Gravação a laser ultrarrápida, para projetar componentes fotônicos com nano‑gravação.
- Método de fabricação de fotônica de silício em múltiplas camadas.
- Uso de magnetita para criar computadores spintrônica‑fotônicos.
Usando Neurônios Reais
Outra forma de avançar a IA para alcançar desempenho semelhante ao cérebro real pode ser simplesmente usar cérebros desde o início.
Depois de tudo, se uma rede neural feita de neurônios reais pode ser altamente adaptativa e se sobressair no reconhecimento de padrões na natureza, por que não funcionaria em um contexto mais artificial?
Em março de 2025, esse conceito avançou com o lançamento pela Cortical Labs do CL1, a primeira Inteligência Biológica Sintética (SBI).
Fonte: Cortical Labs
Neurônios reais são cultivados dentro de uma solução rica em nutrientes, fornecendo tudo que precisam para permanecer saudáveis. Eles crescem sobre um chip de silício, que envia e recebe impulsos elétricos na estrutura neural.
Isso realmente desfoca a linha entre inteligência artificial e natural. Um computador feito de neurônios reais ainda seria artificial?
Integramos os neurônios ao biOS com uma mistura de silício rígido e tecido macio. Você pode conectar diretamente a esses neurônios. Implantar código diretamente nos neurônios reais e resolver os desafios mais difíceis de hoje.
O neurônio é auto‑programável, infinitamente flexível, e o resultado de quatro bilhões de anos de evolução. O que os modelos digitais de IA gastam recursos tremendos tentando emular, nós começamos com.
Isso poderia ser um verdadeiro avanço se algumas teorias que consideram o cérebro humano mais como um computador quântico do que como um sistema elétrico se provarem verdadeiras.
Embora ainda seja uma tecnologia emergente, ela pode receber um impulso com o progresso em campos afins, como impressão 3D de órgãos humanos, incluindo tecido cerebral funcional, bem como a produção de organoides (minicérebros) por empresas como Final Spark e BiologIC.
Interface Cérebro‑Computador
Outra forma de impulsionar o hardware de IA poderia ser usá‑lo em interface direta com outro tipo de supercomputador biológico: o cérebro que já está em nosso crânio e realiza nosso pensamento.
Inicialmente, as Interfaces Cérebro‑Computador (BCI) provavelmente serão principalmente usadas para ajudar pessoas com condições neurológicas.
Novos métodos para tornar os implantes mais duráveis e menos invasivos devem ajudar também.
No longo prazo, isso também pode desfocar a linha entre inteligência de máquina e humana. Se você está pensando algo com a assistência de IA em interação direta conosco via BCI, quem realmente fez o pensamento?
No entanto, devido a preocupações éticas e de segurança, essa é provavelmente uma das tecnologias mais distantes, apesar da antecipação em obras de ficção científica como Altered Carbon, Neuromancer ou Cyberpunk 2077.
(Cobrimos as empresas mais proeminentes no campo em “5 Melhores Empresas de Interface Cérebro‑Computador (BCI)”.
Quanto de Computação é Realmente Necessário?
DeepSeek
Por muitos anos, todas as empresas de IA correram para adicionar o máximo de computação o mais rápido possível, assumindo que mais é sempre melhor.
Isso foi desafiado pela chegada brutal da empresa chinesa de IA DeepSeek. Com um modelo 10‑100 × mais eficiente que seus concorrentes e custando apenas 3 %‑5 % para desempenho equivalente ou superior, a DeepSeek questionou a necessidade de mais poder de computação para construir IAs melhores.
Um grande motivo pelo qual a DeepSeek focou tanto na eficiência do modelo foi o acesso limitado das empresas chinesas de IA a chips de IA. Isso ficou evidente quando, logo após o lançamento, revelou‑se que modelos de IA de outras empresas chinesas apresentavam desempenho impressionante: Qwen da Alibaba, Kimi da Moonshot AI, Doubao da ByteDance ou Ernie Bot da Baidu.
Como diz o provérbio, “A necessidade é a mãe da invenção”.
É provável que nos próximos anos, um foco duplo em melhor desempenho e maior eficiência domine a indústria de IA.
No entanto, isso não significa que mais computação não trará resultados melhores. Simplesmente, esse não é o único caminho para o sucesso na indústria de IA, e empresas muito bem financiadas como a OpenAI podem ter sido um pouco relaxadas em seus gastos.
Por enquanto, a maioria das IAs tem sido um trabalho em progresso e designs experimentais com aplicações limitadas. Quanto mais elas forem integradas ao fluxo de trabalho de milhões de empresas ao redor do mundo, mais computação de IA será necessária.
E quanto mais computação for necessária, maior será a demanda por hardware mais eficiente e menos intensivo em energia.
Assim como na computação tradicional, podemos assumir que o mercado continuará exigindo chips cada vez mais aprimorados, especialmente à medida que a IA pode se tornar um dos maiores consumidores de energia do planeta.
EdgeAI & AI PCs
Outro efeito do surgimento da DeepSeek e de outros modelos chineses de IA com menores requisitos de computação é que modelos de IA, especialmente os “destilados”, agora podem rodar em máquinas individuais de alto desempenho, em vez de em gigantescos data centers de gigawatts.
Isso valida os defensores do EdgeAI, argumentando que grande parte da computação de IA precisa ser feita “no local”, em vez de apenas na nuvem.
Como a DeepSeek é um modelo de código aberto, isso também abre caminho para muitos experimentos individuais com computadores de IA: poderosos o suficiente para rodar modelos de IA, mas baratos e pequenos o bastante para serem comprados por pessoas individuais. No geral, isso não reduz tanto a demanda por computação de IA, mas talvez crie um processo mais descentralizado para desenvolver e usar aplicações de IA.
Portanto, os AI PCs provavelmente serão a nova grande tendência na montagem de PCs, com a imprensa especializada já discutindo detalhadamente a questão e quais marcas são as melhores especialmente à medida que a IA se incorpora à maioria das empresas de tecnologia, incluindo a Microsoft (MSFT ), com o Copilot se tornando quase onipresente no Windows OS e em outros softwares da empresa.
Conclusão
Dos GPUs de jogos, o hardware para IA está evoluindo rapidamente. Isso começou com GPUs projetadas para IA e está evoluindo para “super GPUs” projetadas do zero para se encaixar em data centers de IA com menor consumo de energia e produção de calor.
O próximo passo provavelmente será a integração ainda maior de GPUs generalistas com ASICs e chips FPGA para executar tarefas específicas de IA com menos energia e requisitos de espaço.
Mais adiante, as apostas estarão em qual tecnologia será a vencedora para computação de IA: chips neuromórficos, fotônicos, spintrônicos ou até mesmo neurônios biológicos reais treinados para interagir com substratos de silício, e talvez IA interagindo diretamente com nossos próprios cérebros por meio de interfaces diretas.
Para todas essas tecnologias, é certo que o crescimento explosivo da capacidade de IA e o crescimento explosivo das aplicações manterão a demanda por hardware de IA mais e melhor em constante ascensão.
Portanto, mesmo que modelos de IA mais eficientes cheguem ao mercado, como a DeepSeek, a corrida repentina por AI PCs pode ser um bom indicador de que o hardware de IA provavelmente permanecerá relativamente escasso em relação à demanda nos próximos anos.
Um Líder em Hardware de IA
Nvidia
NVDA Gráfico de preços
A NVIDIA evoluiu de uma empresa de semicondutores de nicho especializada em placas gráficas para um gigante tecnológico na vanguarda da revolução da IA e da enorme quantidade de hardware que ela necessita.
Isso foi alcançado através do desenvolvimento do CUDA, uma interface de programação de uso geral para as GPUs da NVIDIA, abrindo portas para usos além dos jogos.
“Pesquisadores perceberam que ao comprar esta placa de jogos chamada GeForce, você a adiciona ao seu computador e essencialmente tem um supercomputador pessoal. Dinâmica molecular, processamento sísmico, reconstrução de tomografia computadorizada, processamento de imagens — uma série de coisas diferentes.”
Essa adoção mais ampla de GPUs, e mais especificamente do hardware NVIDIA, criou um ciclo de feedback positivo baseado em efeitos de rede : quanto mais usos, mais usuários finais e programadores familiarizados, mais vendas, mais orçamento de P&D, mais aceleração na velocidade de computação, mais usos, etc.
Fonte: Nvidia
Hoje, a base instalada inclui centenas de milhões de GPUs CUDA.
Outra coisa notável sobre a evolução do poder de computação de IA é que ela segue uma lei exponencial em vez da lei mais linear de Moore para CPUs. Isso ocorre porque não só o hardware GPU está melhorando, mas o poder de processamento necessário diminuiu graças a melhorias radicais no treinamento de redes neurais.
Embora líder em GPUs e IA, A NVIDIA também está muito ativa no desenvolvimento de computação quântica como um novo motor de crescimento.
Semelhante ao que fez ao lançar o CUDA para aplicações de redes neurais, a Nvidia lançou o CUDA‑Q para computação quântica, oferecendo um sistema de nuvem quântica onde você pode alugar capacidade de computação quântica da NVIDIA através de um serviço de nuvem.
Fonte: NVIDIA
Isso também inclui tecnologias como cuQuantum da NVIDIA para pesquisadores emular computadores quânticos, cuPQC para criptografia quântica e DGX Quantum para a integração de computação clássica e quântica.
No geral, a NVIDIA está na vanguarda da construção de um ecossistema de computação quântica, capitalizando sua posição como líder em IA e hardware de IA.
Fonte: NVidia
Com uma posição forte em IA, mineração de criptomoedas e, possivelmente em breve, computação quântica, a Nvidia está muito bem posicionada para ser uma das empresas dominantes de hardware de computação na próxima década.
Você pode ler mais sobre a história, modelo de negócios e inovações da Nvidia em “NVIDIA (NVDA) Spotlight: Do Gigante Gráfico ao Titã da IA”.
Últimas Notícias sobre a NVIDIA
