A inteligência artificial evoluiu de experimentos acadêmicos e sistemas de regras para modelos generativos capazes de conversar, criar imagens, gerar vídeo, programar e operar processos. A partir desta virada, a discussão sobre IA deixou de caber somente no software: capacidade de GPU, energia disponível, refrigeração e conectividade passaram a determinar quanto, onde e com que custo a IA pode escalar.
A equação da IA moderna: modelos + dados + computação + energia + refrigeração + conectividade + capital. Se um desses componentes vira gargalo, a escala da IA também vira gargalo.
História e evolução: das ideias de Turing ao deep learning
Em 1950, Alan Turing ajudou a transformar a pergunta "máquinas podem pensar?" em um problema científico. Em 1956, o encontro de Dartmouth consolidou o termo Artificial Intelligence e organizou um campo de pesquisa dedicado à linguagem, raciocínio, abstração e aprendizado por máquinas.
Por que houve períodos de frustração? Muitas ideias eram boas, mas o hardware, os dados e o custo computacional ainda eram insuficientes. Os chamados "AI winters" lembram que inovação de algoritmo sem infraestrutura pode não chegar à escala.
Regras e sistemas especialistas
A primeira grande escola de IA tentou representar conhecimento em regras explícitas: se uma condição ocorre, então uma ação deve ser executada. Funcionava bem em domínios controlados, mas o mundo real tem exceções, ambiguidades e combinações demais.
Machine Learning
Com mais dados e capacidade de processamento, os sistemas passaram a aprender padrões a partir de exemplos. Em vez de programar todas as regras, o desenvolvedor define dados, objetivo, método de treinamento e métricas.
Deep Learning + GPU
Redes neurais profundas ampliaram a capacidade de reconhecimento de imagens, voz e linguagem. GPUs, inicialmente populares em computação gráfica, tornaram-se essenciais porque executam grande volume de operações matemáticas em paralelo.
Chatbots, LLMs e agentes: de ELIZA a sistemas que usam ferramentas
ELIZA, desenvolvido por Joseph Weizenbaum no MIT nos anos 1960, é um marco da história dos chatbots. Seu script DOCTOR respondia por padrões e transformações de texto. O sistema não "entendia" como um modelo moderno, mas demonstrou o quanto uma conversa textual pode induzir percepção de inteligência.
O que mudou? Bots antigos seguiam fluxos. LLMs calculam continuações prováveis com base em representações aprendidas em larga escala e podem combinar contexto, instruções e ferramentas externas.
O que caracteriza um agente de IA?
- Recebe um objetivo e decompõe a tarefa em etapas.
- Consulta sistemas, APIs, bancos de dados ou bases RAG autorizadas.
- Usa ferramentas, executa ações e registra resultados.
- Pode trabalhar com outros agentes especializados.
- Exige identidade, permissões, auditoria, limites e aprovação humana quando o risco aumenta.
Ponto de governança: quanto mais autonomia, maior deve ser o controle de acesso, rastreabilidade, avaliação de risco e separação entre recomendação e execução.
Imagem, vídeo e multimodalidade
Na visão computacional tradicional, a pergunta era: "o que existe nesta imagem?". Com modelos generativos, a pergunta virou: "que imagem ou cena deve ser criada a partir desta descrição?". Modelos de difusão e arquiteturas multimodais reduziram a distância entre linguagem natural e produção visual.
| Modalidade | Antes | Agora |
|---|---|---|
| Texto | Classificação e busca | Redação, síntese, código, análise e diálogo |
| Imagem | Reconhecimento de objetos | Geração, edição, variações e composição |
| Áudio | Transcrição e comandos | Voz sintética, clonagem autorizada, tradução e diálogo |
| Vídeo | Análise de frames | Geração de cenas, edição e pré-visualização |
| Multimodal | Pipelines separados | Texto, imagem, áudio e vídeo no mesmo contexto |
Impacto criativo: marketing, design, games, audiovisual, educação e e-commerce passaram a usar linguagem natural como interface de criação. O diferencial competitivo muda de "acessar a ferramenta" para construir processos, dados, identidade e curadoria melhores.
Por que vídeo custa mais computação? Vídeo acrescenta uma dimensão temporal. O modelo precisa manter coerência entre frames, movimento, câmera, iluminação e identidade visual. Isso eleva memória, throughput e tempo de inferência — e pressiona ainda mais a infraestrutura de GPU.
Empresas e economia: produtividade, automação e novos modelos de negócio
O ganho real aparece quando modelo, dados e operação são integrados com governança.
| Área | Aplicações de IA | Valor esperado |
|---|---|---|
| Comercial | Qualificação, propostas, pesquisa, follow-up | Mais velocidade e cobertura |
| Marketing | Conteúdo, segmentação, imagem, vídeo, análise | Mais experimentação e personalização |
| Atendimento | Assistente, busca em conhecimento, resumo | Menor tempo de resposta |
| Tecnologia | Código, testes, documentação, troubleshooting | Maior produtividade técnica |
| Operações | Previsão, manutenção, visão computacional | Menos falhas e melhor utilização |
| Financeiro | Conciliação, documentos, anomalias, forecast | Mais controle e previsibilidade |
| Gestão | BI conversacional, cenários, copilotos executivos | Decisões mais informadas |
A regra prática: comece pelo processo, não pelo modelo. Defina KPI, dados, risco, integração e responsável. Depois escolha a tecnologia.
A IA corporativa tende a migrar de ferramentas individuais para uma camada operacional: copilotos em sistemas existentes, agentes conectados a CRM/ERP/ITSM, automação de documentos, análise preditiva e interfaces conversacionais sobre dados proprietários.
A UNCTAD projeta que o mercado global de IA avance de US$ 189 bilhões em 2023 para US$ 4,8 trilhões em 2033. Trata-se de uma projeção, não de garantia, mas a ordem de grandeza mostra por que chips, data centers, energia e fibra passaram a receber investimentos extraordinários.
A cadeia da nova economia: semicondutores → GPU e HBM → servidores → networking → storage → data center → energia → modelos → aplicações. O valor econômico se distribui por várias camadas, e o gargalo pode migrar de uma para outra.
Infraestrutura de IA: GPU, memória, rede, storage e AI Factories
Quando um usuário gera uma resposta, uma imagem ou um vídeo, a solicitação percorre redes, entra em um data center, consome memória e compute acelerado e retorna pela infraestrutura de conectividade. Em escala de milhões de usuários, pequenas ineficiências viram grandes custos.
Pensamento de engenharia: o servidor é apenas um componente. Para IA em escala, o data center inteiro participa do desempenho: potência por rack, cooling, topologia de rede, storage, fibra, automação e operação 24x7.
| Característica | CPU | GPU / acelerador |
|---|---|---|
| Objetivo | Versatilidade e baixa latência por tarefa | Paralelismo massivo |
| Núcleos | Poucos núcleos complexos | Muitos núcleos/unidades paralelas |
| Força | Lógica geral, sistemas, bancos de dados | Matrizes, tensores, treinamento e inferência |
| Memória | RAM convencional | HBM e alta largura de banda |
| Escala IA | Coordena e prepara workloads | Executa grande parte do compute neural |
Treinamento ajusta os parâmetros de um modelo usando enormes volumes de dados e pode ocupar milhares de aceleradores por longos períodos. Inferência é o uso do modelo já treinado. Em serviços populares, a inferência pode se tornar o maior consumo agregado porque ocorre continuamente.
O gargalo invisível: uma GPU rápida pode ficar ociosa esperando dados, outra GPU ou storage. Por isso redes de baixa latência e storage paralelo são parte da performance da IA.
| Camada | Requisito | Por que importa |
|---|---|---|
| Compute | GPU, CPU e aceleradores | Executar treinamento e inferência |
| Memória | HBM + RAM de alta capacidade | Alimentar os aceleradores sem espera |
| Fabric | InfiniBand ou Ethernet HPC/RDMA | Comunicar milhares de aceleradores |
| Storage | NVMe, paralelo, alto throughput | Datasets, checkpoints e modelos |
| Energia | Subestação, UPS e distribuição densa | Suportar racks de alta potência |
| Cooling | DLC/CDU/chillers/dry coolers | Remover calor com eficiência |
| DCI | Fibra, DWDM, rotas redundantes | Conectar regiões e clusters |
| Software | Scheduler, drivers, observabilidade | Usar o hardware de forma eficiente |
AI Factory: o termo descreve uma infraestrutura desenhada para transformar energia e dados em capacidade de treinamento e inferência em escala. A densidade por rack pode ser várias vezes maior que em ambientes corporativos tradicionais.
Liquid cooling: por que racks de alta densidade mudam a engenharia térmica
Quase toda energia elétrica consumida pelo equipamento de TI termina como calor. Em racks de alta densidade, mover esse calor apenas com ar exige grandes volumes de fluxo e ventilação. A refrigeração líquida aproxima um meio térmico muito mais eficiente da fonte de calor.
Não confunda: liquid cooling não significa necessariamente consumo contínuo de grandes volumes de água. O circuito interno pode ser fechado. O consumo hídrico depende de como o calor é rejeitado externamente — por exemplo, dry cooler, chiller ou torre evaporativa.
Por que o líquido é eficiente?
Líquidos transportam muito mais calor por unidade de volume do que o ar. Isso permite reduzir a dependência de ventiladores, aumentar densidade e recuperar calor em temperaturas mais úteis. A engenharia, porém, fica mais sofisticada: qualidade do fluido, pressão, vazão, redundância, detecção de vazamento, CDU e manutenção precisam entrar no projeto.
Métrica mais importante: não avalie cooling apenas pelo PUE. Para IA, observe também densidade por rack, temperatura de água, capacidade de rejeição, redundância, WUE quando aplicável e eficiência da cadeia elétrica.
Case Santos Dumont: H100, GH200, MI300A, InfiniBand e DLC no Brasil
Localizado no LNCC, em Petrópolis-RJ, o sistema atua como Tier-0 do SINAPAD e possui capacidade instalada na ordem de 20 PFLOP/s. A configuração atual combina plataforma BullSequana X1000 e XH3000, com diferentes gerações de CPU e aceleradores.
O projeto é relevante porque mostra como IA e supercomputação exigem arquitetura integrada: aceleradores, fabric InfiniBand, storage paralelo e cooling de alta eficiência.
| Componente | Configuração publicada |
|---|---|
| BullSequana XH3420 | 60 nós CPU, 2x AMD Genoa-X 9684X e 1,5 TB RAM por nó |
| BullSequana XH3145-H | 62 nós; 4x NVIDIA H100 SXM 80 GB por nó |
| BullSequana XH3515-H | 36 nós; 4x NVIDIA GH200 Grace Hopper por nó |
| BullSequana G383-R80 | 18 nós; 2x AMD Instinct MI300A por nó |
| Interconexão | InfiniBand de alto rendimento e baixa latência |
| Storage | Lustre + DDN Exascaler; ordem de 4 PB agregados |
DLC no case: a Eviden/Bull informa que a expansão XH3000 usa Direct Liquid Cooling com água de entrada entre 26°C e 30°C e retorno entre 36°C e 39°C, capturando mais de 98,5% do calor de fontes, processadores, aceleradores, rede, discos e memória.
Densidade: segundo a Eviden/Bull, o sistema DLC permite densidade de até 5x a de sistemas tradicionais resfriados a ar. O case materializa a tendência central dos data centers de IA: mais compute por metro quadrado exige uma nova engenharia térmica.
Energia para IA: rede, PPAs, solar, eólica, hidráulica, BESS e resiliência
A IEA estima cerca de 415 TWh de eletricidade consumidos por data centers em 2024, aproximadamente 1,5% do consumo elétrico mundial. No cenário central, a demanda sobe para cerca de 945 TWh em 2030. A IA é apontada como o principal vetor incremental.
O gargalo pode estar fora do data center: GPUs podem ser entregues em meses; linhas de transmissão, subestações e conexões de grande porte podem levar anos. Por isso, disponibilidade de potência e prazo de energização entram cedo no estudo de viabilidade.
Um data center normalmente recebe eletricidade de uma rede que combina várias fontes. A empresa pode contratar PPAs, certificados ou contratos de longo prazo, mas o elétron físico que chega ao site segue o mix do sistema elétrico local. Por isso, "origem contratual" e "mix físico" são conceitos diferentes.
Fontes e mecanismos que aparecem nos novos projetos
- Solar e eólica: construção relativamente rápida e custos competitivos em muitas regiões.
- Hidráulica: fonte firme ou flexível conforme o sistema e a hidrologia.
- BESS: baterias ajudam em flexibilidade, picos e integração de renováveis; não substituem sozinhas geração de longa duração.
- Gás, nuclear e geotermia: fontes despacháveis ou firmes relevantes em determinados mercados.
- Rede + PPAs: o modelo mais comum combina conexão robusta ao grid com contratos de energia e redundância local.
Segundo a EPE, as fontes renováveis responderam por 86,8% da oferta interna de energia elétrica em 2025. Hidráulica respondeu por 51,7%; eólica e solar, juntas, por 26,4%. Essa característica pode contribuir para a atratividade do Brasil em infraestrutura digital intensiva em energia.
Status global de data centers: hyperscale, colocation, enterprise
Segundo a Synergy Research Group, o número de grandes data centers operados por empresas hyperscale chegou a 1.360 no fim de 2025. Eles representavam 48% da capacidade mundial. A projeção da empresa é de que a participação chegue a 67% em 2031, enquanto a capacidade total do mercado continua crescendo.
| Modelo | Papel típico | Tendência com IA |
|---|---|---|
| Enterprise on-premise | Sistemas internos e legado | Pode receber GPU local, mas perde participação agregada |
| Colocation | Infraestrutura compartilhada profissional | Cresce em MW e hospeda ambientes privados/híbridos |
| Hyperscale | Cloud e plataformas globais | Principal vetor de expansão de capacidade |
| Neocloud / GPU cloud | Compute acelerado sob demanda | Cresce com workloads de treinamento e inferência |
| AI Factory dedicada | Clusters massivos e alta densidade | Projeto orientado a energia, fabric e liquid cooling |
Conectividade global: DCI, DWDM, fibra e cabos submarinos
Treinamentos distribuídos trocam grandes volumes de dados entre aceleradores. Sistemas de storage também precisam alimentar GPUs continuamente. Fora do cluster, DCI conecta data centers metropolitanos e regionais, enquanto redes de longa distância e cabos submarinos conectam continentes.
Capacidade não é a única métrica: para IA distribuída, observe latência, jitter, perda, oversubscription, caminho físico, redundância, MTU, RDMA, telemetria e comportamento durante falhas.
DCI — Data Center Interconnect
DCI conecta instalações diferentes com enlaces ópticos dedicados ou serviços de alta capacidade. Em arquiteturas distribuídas, duas unidades podem operar como partes de um mesmo ambiente lógico, respeitando limites de distância e latência.
DWDM — várias "faixas" na mesma fibra
Dense Wavelength Division Multiplexing transporta vários comprimentos de onda em um par de fibras. Cada lambda pode carregar centenas de gigabits por segundo, permitindo escalar a capacidade sem instalar um novo cabo para cada crescimento.
A ITU descreve os cabos submarinos como a espinha dorsal oculta da conectividade global. Eles transportam cloud, transações financeiras, conteúdo e tráfego entre regiões. A resiliência depende de diversidade de rotas, landing stations, capacidade de reparo e planejamento contra falhas físicas.
IA aumenta a importância da rede: modelos, datasets e usuários estão distribuídos. A capacidade computacional pode estar em outro país; sem conectividade internacional robusta, a experiência e a resiliência degradam.
Brasil na nova geografia digital
O Brasil combina mercado consumidor relevante, ampla infraestrutura de telecomunicações e uma matriz elétrica com forte componente renovável. São Paulo concentra grande parte da demanda e da interconexão corporativa; Fortaleza ocupa posição estratégica em rotas submarinas do Atlântico. A oportunidade, contudo, exige projetos com capacidade elétrica real, conectividade redundante e licenciamento previsível.
Vantagem competitiva só existe quando é entregável: ter recurso renovável no país não significa que um terreno específico disponha de potência. O estudo deve chegar ao nível de subestação, fila de conexão, rota de fibra e capacidade de expansão.
Capacidade de compute vira ativo econômico e estratégico. Portos, energia, telecomunicações e logística sempre foram infraestruturas decisivas para a competitividade. A IA adiciona uma nova camada: capacidade computacional acelerada. País ou empresa que controla acesso a chips, energia, dados, modelos e conectividade possui maior liberdade para inovar e operar sistemas críticos.
Cinco vetores da nova corrida
- Semicondutores: acesso a GPUs, HBM, packaging avançado e capacidade fabril.
- Energia: disponibilidade de megawatts, preço e prazo de conexão.
- Data centers: densidade, liquid cooling, segurança e operação.
- Modelos e dados: propriedade intelectual, soberania e governança.
- Redes: fibra, DCI, landing stations, IXPs e rotas internacionais diversas.
Soberania digital na prática: não significa necessariamente fazer tudo dentro de casa. Significa evitar dependências não gerenciadas, ter alternativas arquiteturais e conhecer onde estão dados, compute, chaves, modelos e rotas.
O que vem depois: AI Factories, soberania computacional e agentes autônomos
O roteiro une negócio, dados, segurança e infraestrutura.
| Etapa | Pergunta-chave | Entregável |
|---|---|---|
| 1. Caso de uso | Qual problema e qual KPI? | Business case e critério de sucesso |
| 2. Dados | Onde estão, quem pode acessar? | Mapa de dados e política de uso |
| 3. Modelo | Cloud, API, open model ou privado? | Arquitetura de IA |
| 4. Integração | Quais sistemas e ferramentas? | APIs, RAG, agentes e workflow |
| 5. Risco | O que pode ser automatizado? | Guardrails, aprovação e auditoria |
| 6. Infra | GPU, storage, rede, energia e cooling? | Sizing e desenho técnico |
| 7. Operação | Como observar custo, qualidade e falhas? | SLOs, FinOps e AIOps |
Decisão buy vs. build: a maior parte das empresas combina modelos via API/cloud com dados e controles próprios. Workloads sensíveis, previsíveis ou intensivos podem justificar infraestrutura privada, colocation ou GPU cloud dedicada. A resposta depende de custo total, latência, soberania e utilização.
Em 1956, a inteligência artificial era uma ambição científica. Hoje, ela conversa, cria, analisa e executa. O próximo salto não depende apenas de modelos melhores: depende de capacidade computacional suficiente para atender usuários e empresas com custo, confiabilidade e sustentabilidade.
Por isso, compreender IA exige olhar além do algoritmo. GPUs precisam de memória. GPUs em escala precisam de fabrics de baixa latência. Fabrics precisam de storage. Tudo precisa de energia. Energia vira calor. O calor precisa ser removido. E o resultado precisa atravessar redes nacionais e globais.
A tese central deste guia: a inteligência artificial está se tornando infraestrutura econômica global. Quem planejar compute, energia, cooling e conectividade como um sistema integrado estará melhor preparado para a próxima década.
Fontes
- Dartmouth AI, Artificial Intelligence — Our Story.
- Weizenbaum, J., ELIZA — A Computer Program for the Study of Natural Language Communication, Communications of the ACM, 1966.
- Vaswani et al., Attention Is All You Need, NeurIPS, 2017.
- UNCTAD, Technology and Innovation Report 2025: Inclusive AI for Development.
- IEA, Energy and AI (2025).
- EPE, Balanço Energético Nacional 2026 — ano-base 2025.
- LNCC, Configuração do Supercomputador Santos Dumont.
- Eviden/Bull, Santos Dumont, LNCC supercomputer, receives fourfold upgrade.
- Synergy Research Group, Hyperscale Operators to Account for 67% of all Data Center Capacity by 2031.
- ITU, Global Connectivity Report 2025 e Submarine Cable Resilience.
Nota sobre projeções: números futuros de mercado, consumo de energia e participação de capacidade são cenários ou projeções das fontes indicadas. Eles podem mudar com eficiência, demanda, regulação, cadeia de suprimentos e disponibilidade de energia.