LineShine vence uma corrida de supercomputadores que já não tem uma única linha de chegada

A cobertura da Tom Hardware colocou o LineShine da China no centro de uma disputa de rankings, apesar de seu resultado recorde de 2,198 exaflops no TOP500. A máquina de Shenzhen é o sistema mais rápido submetido publicamente ao teste que define a lista. No entanto, ela não lidera em todas as métricas relevantes. Também está fora de uma crescente corrida privada por infraestrutura de IA que, frequentemente, ignora o TOP500 por completo.

Essa distinção muda o significado da manchete. O LineShine deslocou o El Capitan dos Estados Unidos no High Performance Linpack, ou HPL, que mede o desempenho em dupla precisão ao resolver equações lineares densas. Ainda assim, o El Capitan permanece à frente em um teste de precisão mista voltado para IA. Sistemas menores também entregam mais desempenho HPL por watt.

A competição anterior premiava uma pontuação verificada publicamente. A disputa emergente pergunta se um sistema consegue treinar modelos, atender usuários, executar aplicações científicas, controlar os custos de energia e manter-se ocupado. Empresas como Microsoft e xAI otimizam seus sistemas para esses resultados. Para elas, interromper uma infraestrutura valiosa para buscar uma submissão de HPL pode parecer menos validação e mais distração.

LineShine mudou o recorde do TOP500, não a definição de liderança

O LineShine conquistou uma vitória clara em benchmark, mas ela se aplica a uma carga de trabalho específica e a um grupo voluntário de concorrentes.

A 67ª lista TOP500 foi anunciada na ISC 2026, em Hamburgo, em 23 de junho. O LineShine estreou diretamente no primeiro lugar, encerrando a sequência do El Capitan no topo. Sua pontuação HPL chegou a 2,198 exaflops, em comparação com 1,809 exaflops do sistema do Lawrence Livermore National Laboratory.

Um exaflop representa um quintilhão de operações de ponto flutuante por segundo. Portanto, o LineShine sustentou mais de dois quintilhões de operações de dupla precisão a cada segundo durante o benchmark. Tornou-se a primeira máquina listada a ultrapassar dois exaflops usando CPUs sem aceleradores de GPU dedicados.

O sistema está instalado no National Supercomputing Centre, em Shenzhen, e foi construído pelo Shenzhen Cloud Computing Center. Segundo o anúncio oficial do TOP500, ele usa 13.789.440 núcleos em processadores LX2 personalizados de 304 núcleos. Esses processadores operam a 1,55 GHz e se conectam por meio da interconexão proprietária LingQi.

O LineShine produziu cerca de 80% de seu pico teórico declarado de 2,736 exaflops. Essa taxa de conversão importa porque as especificações de pico descrevem o que o hardware instalado poderia entregar em condições ideais. O HPL mede o que a máquina completa sustentou ao executar um cálculo exigente.

O resultado também tem peso geopolítico. A China não colocava um sistema no topo do TOP500 desde que o Sunway TaihuLight perdeu a posição em 2018. Instituições chinesas haviam praticamente deixado de submeter seus sistemas mais capazes, tornando comparações nacionais cada vez mais especulativas.

A aparição do LineShine elimina parte dessa incerteza. Seu resultado submetido confirma que a China consegue montar um sistema apenas com CPUs em desempenho exascale verificado publicamente. Também demonstra uma integração doméstica significativa entre processadores, interconexões, arquitetura de sistema e o sistema operacional Kylin.

No entanto, o TOP500 não identifica todos os supercomputadores em operação. Os proprietários precisam executar o HPL, documentar a configuração e enviar um resultado aceitável. Um cluster privado não pode perder uma disputa de ranking da qual nunca participa.

Essa ressalva é central para a análise de rankings por trás desta reportagem da Tom Hardware. O LineShine detém um recorde importante. O recorde já não sustenta uma afirmação universal sobre quem controla a infraestrutura computacional mais consequente.

Os números da Tom Hardware revelam vários vencedores diferentes

Os rankings de junho não produzem um único campeão porque cada benchmark recompensa uma propriedade diferente da máquina.

O HPL continua sendo a base do TOP500. Ele favorece sistemas capazes de executar grandes quantidades de aritmética de ponto flutuante de 64 bits enquanto movimentam dados com eficiência entre muitos nós. Esse tipo de precisão continua importante para simulações nas quais pequenos erros numéricos podem se acumular.

Modelagem meteorológica, dinâmica de fluidos, pesquisa de materiais e simulações nucleares podem exigir esse comportamento. O HPL também fornece uma medição padronizada e de longa duração que permite comparações históricas. Esses pontos fortes explicam por que ele sobreviveu a anos de críticas.

O LineShine reforçou sua posição ao conquistar o primeiro lugar no High Performance Conjugate Gradients, ou HPCG. O HPCG usa padrões associados a cálculos científicos esparsos, nos quais os processadores acessam repetidamente dados distribuídos pela memória. Ele busca refletir as pressões de acesso à memória e comunicação encontradas em aplicações mais reais.

A máquina alcançou 22 petaflops no HPCG. O El Capitan veio em seguida com 17,41 petaflops, enquanto o Fugaku do Japão atingiu 16 petaflops. Esse resultado enfraquece qualquer alegação de que o LineShine só tenha sucesso em uma implementação de HPL excepcionalmente favorável.

Ainda assim, a hierarquia muda sob precisão mista. Sistemas de IA costumam usar formatos numéricos de 16 bits, 8 bits ou ainda menores porque o treinamento de modelos raramente exige precisão de 64 bits em cada operação. A menor precisão permite que aceleradores especializados concluam mais operações usando menos memória e energia.

O HPL-MxP mede a computação de precisão mista enquanto usa refinamento matemático para preservar a precisão da solução final. Nesse teste, o El Capitan permaneceu em primeiro lugar com 16,7 exaflops. O Aurora alcançou 11,6 exaflops, o Frontier marcou 11,4, e o LineShine ficou em quarto com 7,92.

Os resultados oficiais de precisão mista também mostram um multiplicador revelador. O LineShine executou o HPL-MxP cerca de 3,6 vezes mais rápido que seu resultado convencional de HPL. A pontuação de precisão mista do El Capitan foi mais de nove vezes superior ao seu resultado padrão.

Essa diferença reflete prioridades arquiteturais. O LineShine possui um enorme número de núcleos de CPU de uso geral. O El Capitan combina processadores AMD EPYC com aceleradores Instinct MI300A, que lidam de forma mais eficaz com cálculos paralelos de menor precisão.

A eficiência energética cria outro ranking. O LineShine consome aproximadamente 42,2 megawatts ao executar HPL, segundo o TOP500. Sua eficiência é de 52,07 gigaflops por watt. O El Capitan registra 60,94 gigaflops por watt com um consumo informado de 29,685 megawatts.

Nenhum dos sistemas lidera o Green500. Essa lista classifica as máquinas pelo desempenho HPL por watt, e não pela produção total. O KAIROS, um sistema francês muito menor que usa tecnologia Nvidia Grace Hopper, lidera com 73,28 gigaflops por watt.

A escala complica essa comparação porque sistemas maiores precisam movimentar dados entre mais equipamentos. Os custos indiretos de comunicação e refrigeração tendem a aumentar com o tamanho. Portanto, o Green500 favorece uma arquitetura eficiente, mas não responde qual máquina consegue concluir o maior trabalho mais rapidamente.

Os detalhes do ranking de junho tornam o conflito visível:

HPL de dupla precisão

• LineShine: 2,198 exaflops e primeiro lugar

• El Capitan: 1,809 exaflops e segundo lugar

HPCG orientado a aplicações

• LineShine: 22 petaflops e primeiro lugar

• El Capitan: 17,41 petaflops e segundo lugar

HPL-MxP de precisão mista

• LineShine: 7,92 exaflops e quarto lugar

• El Capitan: 16,7 exaflops e primeiro lugar

Eficiência energética do HPL

• LineShine: 52,07 gigaflops por watt

• El Capitan: 60,94 gigaflops por watt

• KAIROS: 73,28 gigaflops por watt e primeiro lugar

O LineShine é, portanto, o supercomputador mais rápido segundo a definição formal do TOP500. O El Capitan é mais rápido no ranking mais alinhado à aritmética de IA de precisão mista. O KAIROS é mais eficiente na carga de trabalho HPL submetida.

Esses resultados não se anulam. Eles descrevem máquinas projetadas em torno de restrições diferentes. O erro é tratar um resultado como um retrato completo da liderança em computação científica, comercial e de IA.

Benchmarks públicos agora enfrentam uma economia privada de computação

A maior inversão não é o LineShine superar o El Capitan. É o fato de empresas privadas estarem construindo sistemas imensos sem precisar da permissão de um ranking público.

Durante grande parte da história do TOP500, os maiores computadores pertenciam a laboratórios nacionais, instituições de pesquisa e programas apoiados por governos. Seus proprietários tinham incentivos para publicar resultados de benchmark. Os rankings demonstravam progresso técnico, sustentavam argumentos por financiamento e atraíam usuários científicos.

A era da IA mudou o modelo de propriedade. Desenvolvedores de modelos de fronteira tratam a computação como infraestrutura de produção e inteligência competitiva. O tamanho de um cluster pode revelar investimentos de capital, acesso a chips, capacidade de rede e a habilidade de uma organização para treinar modelos futuros.

Publicar uma configuração detalhada pode fornecer aos rivais mais informações do que o valor de marketing justifica. Executar HPL também pode consumir tempo em milhares de aceleradores que, de outro modo, treinariam modelos ou atenderiam clientes pagantes.

Uma pesquisa da Epoch AI constatou que as empresas controlavam cerca de 80% do desempenho medido de supercomputadores de IA em 2025. Sua participação era de aproximadamente 40% em 2019. Os sistemas do setor público cresceram, mas a frota privada se expandiu mais rapidamente.

A pesquisa de computação da Epoch estimou que o desempenho dos principais supercomputadores de IA dobrava aproximadamente a cada nove meses. Também constatou que sistemas com mais de 10.000 chips de IA deixaram de ser exceções raras para se tornar infraestrutura normal de fronteira.

Esses clusters não se encaixam perfeitamente no TOP500. O HPL enfatiza a aritmética de 64 bits, enquanto aceleradores de IA dedicam mais silício a cálculos tensoriais de menor precisão. Uma máquina otimizada para treinamento de modelos pode apresentar um resultado HPL pouco impressionante em comparação com sua real importância econômica.

O Colossus da xAI ilustra essa divergência. A empresa afirma que seu sistema em Memphis alcançou 200.000 GPUs da classe H100 após uma expansão acelerada. Seu perfil público do Colossus concentra-se na contagem de GPUs, largura de banda de memória agregada, rede, armazenamento e tempo de construção.

Essas não são as métricas principais do TOP500. São as restrições que determinam se uma execução de treinamento consegue distribuir o trabalho com eficiência, recuperar-se de falhas, alimentar dados aos aceleradores e produzir um modelo no prazo.

A Microsoft usa vocabulário semelhante para sua infraestrutura Fairwater em Wisconsin. A empresa descreve centenas de milhares de GPUs Nvidia conectadas como um único sistema de IA. Ela apresenta a instalação em termos de desempenho de treinamento de modelos, alcance de rede, gestão de água e integração à rede elétrica.

A descrição do Fairwater pela Microsoft o chama de supercomputador de IA mais estreitamente acoplado da empresa. Essa afirmação não é diretamente comparável ao recorde HPL verificado do LineShine porque a Microsoft não fornece o mesmo resultado de benchmark.

A lacuna de verificação importa. Declarações de fornecedores sobre serem os “maiores” ou “mais poderosos” frequentemente usam definições não divulgadas. As contagens de GPUs também podem combinar vários prédios, fases de implantação ou clusters que não conseguem se comportar como uma única máquina.

No entanto, excluir essas instalações produz uma distorção diferente. Uma lista de pontuações HPL submetidas pode ser rigorosa dentro de suas regras, ao mesmo tempo em que deixa de fora grande parte da capacidade computacional que treina os modelos líderes. Precisão dentro de uma amostra incompleta não torna a amostra abrangente.

Isso cria dois sistemas de legitimidade. Centros públicos de HPC demonstram desempenho por meio de submissões padronizadas e reproduzíveis. Operadores privados de IA demonstram valor por meio de modelos treinados, capacidade de serviço, receita e velocidade de implantação.

Nenhum dos modelos é suficiente isoladamente. Benchmarks públicos oferecem comparações que alegações de marketing não conseguem fornecer. Resultados de produção revelam capacidades que um benchmark sintético não consegue capturar.

O enquadramento da Tom Hardware é mais forte nessa interseção. O TOP500 não se tornou inútil. Seu título se tornou mais restrito do que a expressão “supercomputador mais rápido do mundo” sugere.

Executar o HPL pode entrar em conflito com o trabalho para o qual um cluster foi construído

Um benchmark se torna menos atraente quando sua conclusão atrasa a carga de trabalho que financia a máquina.

Uma tentativa de HPL em escala total não é um diagnóstico leve. Os operadores precisam configurar o software, reservar uma grande parte do sistema, ajustar a comunicação, gerenciar falhas e repetir execuções quando os resultados ficam aquém do esperado. A máquina não pode realizar o trabalho normal de produção durante essas reservas.

Esse custo tem uma aparência diferente dentro de um laboratório nacional. O benchmarking costuma fazer parte dos testes de aceitação e da prestação de contas pública. A missão do sistema inclui acesso científico, avaliação de arquitetura e a demonstração de que o investimento público entregou a capacidade contratada.

Um cluster comercial de IA opera em outro ritmo. Seus aceleradores podem sustentar execuções de treinamento que duram semanas, trabalhos de aprendizagem por reforço, avaliações de modelos, ajuste fino e inferência contínua. Capacidade ociosa tem um custo de oportunidade direto.

O HPL também pode recompensar decisões que não melhoram esses trabalhos. Uma execução de álgebra linear densa exige computação regular e comunicação altamente otimizada. O treinamento de modelos de linguagem de grande porte combina operações tensoriais, movimentação de memória, comunicação coletiva, checkpointing e processamento de dados.

O treinamento de modelos também enfrenta cargas de trabalho desiguais. Os comprimentos das sequências variam. O hardware falha. O congestionamento de rede muda. Um sistema precisa coordenar o trabalho paralelo enquanto salva estado suficiente para se recuperar sem reiniciar uma execução cara.

Um resultado recorde no HPL não pode responder com que frequência os aceleradores ficam ociosos porque os dados chegaram atrasados. Ele não mede se a pilha de software se recupera adequadamente após a falha de um nó. Não revela a latência de inferência durante picos de demanda.

Isso não significa que benchmarks sintéticos não tenham valor. Testes controlados isolam gargalos e permitem que engenheiros comparem sistemas sem compartilhar modelos ou conjuntos de dados proprietários. A longevidade do HPL também fornece um registro histórico que nenhuma métrica comercial de IA consegue igualar.

O problema é o escopo. Um benchmark continua informativo quando os leitores entendem a propriedade que ele mede. Ele se torna enganoso quando o ranking é usado como abreviação para todas as formas de capacidade computacional.

O HPCG foi criado em parte porque o HPL não representa bem aplicações científicas limitadas por memória. O HPL-MxP surgiu à medida que hardware de menor precisão se tornou importante. O Green500 acrescentou eficiência energética porque o desempenho sem contexto de energia ocultava uma restrição operacional crescente.

A existência dessas listas é, por si só, evidência de que um único número já não funciona. Cada novo benchmark corrige um ponto cego enquanto introduz outro conjunto de premissas.

A IA acrescenta problemas de medição mais difíceis. O desempenho de treinamento depende do modelo, do formato numérico, do tamanho do lote, do projeto de rede, do software e da precisão tolerada. Um sistema que se destaca em uma arquitetura pode ter desempenho diferente em outra.

Benchmarks da indústria, como o MLPerf, ajudam ao definir cargas de trabalho e regras de submissão. Ainda assim, fornecedores investem pesadamente em otimização, e nem todo cluster operado de forma privada participa. Os resultados descrevem configurações testadas, e não todos os ambientes de produção.

Para um comprador empresarial, a pergunta útil raramente é qual instalação detém o recorde global. Compradores se preocupam com o tempo de conclusão de trabalhos, disponibilidade, segurança, localização dos dados, compatibilidade de modelos e uso total de energia. Eles também precisam de acesso previsível à capacidade.

Desenvolvedores enfrentam escolhas semelhantes. Uma grande contagem nominal de aceleradores significa pouco se a contenção de rede impede que esses aceleradores trabalhem com eficiência. Um cluster de classificação inferior, com melhor agendamento e software, pode produzir resultados mais cedo.

A arquitetura somente com CPUs da LineShine merece atenção dentro desse contexto mais amplo. Processadores de uso geral podem dar suporte a cargas de trabalho científicas variadas sem forçar todas as aplicações a usar código orientado a GPUs. Sua liderança no HPCG sugere uma capacidade séria de memória e comunicação.

Seu quarto lugar no HPL-MxP também identifica uma limitação para trabalhos de precisão mista favoráveis a aceleradores. Isso não prova que a LineShine tenha desempenho ruim em todas as cargas de trabalho de IA. Mostra por que sua vitória no HPL não pode encerrar a comparação em IA.

O que os rankings ainda não conseguem verificar

O sigilo privado enfraquece a abrangência do TOP500, mas também impede que pessoas de fora validem as alegações feitas por proprietários de infraestrutura de IA.

É tentador declarar que Colossus, Fairwater ou outra instalação em escala de hyperscaler derrotaria a LineShine. As quantidades de GPUs e as especificações de pico em menor precisão fazem essa conclusão parecer óbvia. A comparação continua hipotética sem execuções equivalentes e auditadas.

Hardware instalado não é o mesmo que desempenho utilizável de um cluster. Milhares de aceleradores podem existir em um local sem operar como um único sistema fortemente acoplado. Disponibilidade de energia, limites de refrigeração, topologia de rede e estabilidade de software podem reduzir a configuração operacional.

Descrições públicas frequentemente confundem essas fronteiras. Uma empresa pode citar a capacidade planejada para um campus inteiro quando apenas uma fase está operacional. Pode agregar chips usados para treinamento e inferência, embora esses grupos atendam a trabalhos diferentes.

O resultado da LineShine tem um status probatório diferente. O TOP500 aceitou uma configuração específica e uma medição sustentada de desempenho. Seu ranking pode ser criticado por relevância limitada, mas a pontuação HPL reportada é mais verificável do que um superlativo corporativo indefinido.

A mesma cautela se aplica a comparações nacionais. A LineShine devolve a China ao primeiro lugar entre os sistemas HPL submetidos. Isso não prova que a China possua mais capacidade computacional total de IA do que os Estados Unidos.

A Epoch AI estimou que os Estados Unidos hospedavam cerca de 75 por cento do desempenho observado de supercomputadores de IA em seu conjunto de dados de 2025. A China representava cerca de 15 por cento. Os pesquisadores também alertaram que a cobertura pública era incompleta e desigual.

Essas estimativas respondem a outra pergunta. Elas tentam medir a infraestrutura agregada de IA entre proprietários públicos e privados. O TOP500 mede o desempenho de sistemas submetidos em uma carga de trabalho de precisão dupla.

Os leitores também devem resistir a equiparar desempenho em benchmark à capacidade de um modelo. Mais capacidade computacional pode viabilizar execuções de treinamento maiores e experimentação mais rápida. A qualidade dos dados, os algoritmos, o projeto do modelo e a execução de engenharia ainda afetam o sistema resultante.

Comparações de energia exigem disciplina semelhante. A medição de 42,2 megawatts da LineShine no HPL é substancial, mas não pode ser comparada diretamente com a capacidade total de energia de um campus de IA com vários edifícios. Um número descreve uma máquina submetida a benchmark; o outro pode incluir refrigeração, armazenamento, rede e margem para expansão.

O Green500 oferece uma visão padronizada de eficiência, embora continue vinculado ao HPL. A eficiência de IA em produção poderia ser medida, em vez disso, pelo trabalho de treinamento concluído, por tokens úteis ou por solicitações atendidas por unidade de energia. Cada escolha incorpora premissas sobre qualidade e carga de trabalho.

A conclusão responsável é mais restrita do que o slogan preferido de qualquer lado. A LineShine é o sistema HPL submetido mais rápido do mundo e líder do HPCG. El Capitan lidera o HPL-MxP, enquanto arquiteturas menores lideram o Green500.

Clusters privados de IA provavelmente contêm mais capacidade de computação de baixa precisão do que as máquinas listadas. Sua vantagem exata não pode ser estabelecida de forma independente apenas com anúncios de chips.

Essa incerteza não diminui a conquista de engenharia da LineShine. Ela limita as alegações mais amplas associadas à conquista.

Três sinais mostrarão se o TOP500 continua influente

A próxima fase da corrida dos supercomputadores será decidida pela participação, pelas evidências de carga de trabalho e pela eficiência operacional, e não por um novo recorde.

O primeiro sinal é a divulgação do TOP500 de novembro de 2026. Outra grande submissão poderia desafiar a LineShine, enquanto uma participação ampliada em HPCG e HPL-MxP revelaria se os proprietários valorizam uma comparação pública mais ampla.

A própria LineShine continuará sendo informativa. Novos relatórios de aplicações podem mostrar se sua escala incomum somente com CPUs se traduz em produção científica sustentada, utilização confiável e inferência de IA produtiva. Estudos publicados de cargas de trabalho reforçariam sua posição para além da liderança em benchmarks.

A ausência de novas submissões sustentaria a conclusão oposta. Sugeriria que os operadores de computação mais financiados do mundo veem pouco benefício em participar da disputa formal.

O segundo sinal é se empresas privadas de IA publicam resultados que pessoas de fora possam reproduzir. Uma pontuação HPL não é a única evidência aceitável. Submissões MLPerf em grande escala, números detalhados de eficiência de treinamento ou estudos de sistemas revisados de forma independente poderiam estabelecer comparações significativas.

Observe como as empresas definem os limites do cluster. As alegações se tornam mais críveis quando identificam a contagem operacional de chips, o formato numérico, a rede, o consumo de energia, a versão do software e o tempo de conclusão da carga de trabalho.

Se xAI, Microsoft, Meta, Google ou outro operador fornecer esses detalhes, a lacuna entre a medição de HPC pública e a de IA privada diminuirá. Se as divulgações continuarem limitadas a especificações de pico e tamanho de campus, a divisão de verificação persistirá.

O terceiro sinal é a produção em escala normalizada por energia. A energia está se tornando uma restrição decisiva tanto para laboratórios nacionais quanto para campi comerciais de IA. A arquitetura líder precisará converter eletricidade escassa em trabalho útil, e não apenas em operações teóricas.

TOP500 e Green500 já expõem uma versão dessa troca. A LineShine vence em desempenho HPL total, enquanto sistemas com maior presença de aceleradores podem oferecer melhor desempenho por watt. Operadores de IA precisam desenvolver medições igualmente claras para treinamento e inferência.

Para desenvolvedores, a lição é tratar rankings como ferramentas de diagnóstico. Use HPL para entender o desempenho denso de precisão dupla. Use HPCG para comportamento científico intensivo em memória, HPL-MxP para precisão mista e Green500 para eficiência HPL.

Para compradores empresariais, pergunte qual carga de trabalho foi medida e se o sistema testado corresponde à capacidade oferecida. Um título global oferece pouca garantia sobre tempos de fila, confiabilidade do serviço ou o custo de concluir um trabalho real.

Para formuladores de políticas, o ranking ainda fornece evidências valiosas da capacidade doméstica de engenharia. Ele deve ficar ao lado do fornecimento de chips, capacidade elétrica, maturidade de software, investimento privado e produção real de aplicações.

O próximo recorde ainda renderá manchetes. Só não restaurará a antiga simplicidade. Os leitores da Tom Hardware devem ver a LineShine tanto como uma campeã legítima quanto como prova de que “mais rápido” agora exige uma frase qualificadora.

A métrica que merece a coroa depende do trabalho que a sociedade quer que essas máquinas realizem. A pergunta melhor já não é quem venceu um benchmark. É quem consegue transformar computação, energia, software e tempo em resultados úteis em escala sustentada.