Alerta de Pat Gelsinger sobre Hardware de IA: HBM É Ruim, e a Energia É a Verdadeira Restrição

Pat Gelsinger apresentou um alerta em três partes sobre hardware de IA em 9 de outubro. Um projeto de chip melhor não consegue compensar memória insuficiente, fabricação lenta ou eletricidade indisponível.

O ex-CEO da Intel chamou a memória de alta largura de banda, ou HBM, de uma tecnologia “horrível” durante um episódio do The a16z Show. Ele também descreveu o hardware de IA como entrando em uma renascença. No entanto, sua previsão mais contundente dizia respeito a data centers planejados que não conseguem assegurar energia suficiente.

“Por que construir o novo data center e comprar um milhão de GPUs se eu não consigo alimentá-lo?”, perguntou Gelsinger. Ele previu que mais projetos de data centers entrarão em inadimplência porque a energia esperada não estará disponível.

Essa previsão não é um resultado estabelecido de forma independente. É a avaliação de Gelsinger sobre projetos cujos planos financeiros e de construção dependem da futura entrega de energia. Ainda assim, o descompasso subjacente é real o bastante para merecer atenção.

Os investimentos em infraestrutura de IA frequentemente parecem uma disputa pelo fornecimento de aceleradores. Na realidade, Nvidia, AMD, projetistas de chips personalizados, fabricantes de memória, provedores de nuvem, concessionárias e desenvolvedores enfrentam um sistema interligado de restrições.

Um processador mais rápido tem valor limitado quando espera pelos dados do modelo. Um servidor concluído tem valor limitado quando sua instalação permanece presa em uma fila de interconexão. Um acordo de energia reservado tem valor limitado quando a transmissão e a geração chegam anos atrasadas.

O conflito central no argumento de Pat Gelsinger sobre hardware de IA, portanto, não é Nvidia contra outra empresa de chips. É a capacidade computacional prometida versus a infraestrutura física necessária para operá-la.

As Alegações de Pat Gelsinger sobre Hardware de IA Reúnem Três Gargalos

A alegação importante de Gelsinger não é que um único componente falhou. É que projeto, produção, memória e energia agora avançam em velocidades incompatíveis.

A IA pode encurtar partes do projeto de semicondutores ao ajudar engenheiros a escrever, inspecionar e otimizar projetos complexos. Essa melhoria não encurta automaticamente todas as etapas posteriores.

Fabricação, empacotamento avançado, validação, integração de sistemas e desenvolvimento de software ainda impõem cronogramas longos. Gelsinger argumentou que essas etapas podem levar tanto tempo que as premissas originais de carga de trabalho de um acelerador se tornam ultrapassadas antes que a implantação alcance escala.

Seu exemplo histórico foi a Graphcore. A empresa britânica de chips desenvolveu uma unidade de processamento de inteligência para aprendizado de máquina, mas o mercado e o ambiente de software ao redor evoluíram rapidamente. O ponto de Gelsinger não era que sua engenharia não tivesse mérito. O perigo era que o alvo pudesse se mover mais rápido do que o ciclo do produto.

Esse risco aumenta quando as empresas de chips se especializam. Uma arquitetura ajustada para a estrutura dos modelos atuais pode encontrar mecanismos de atenção, formatos de dados, requisitos de contexto ou padrões de inferência diferentes no momento do lançamento.

O setor também está experimentando um grande número de processadores especializados em inferência. Gelsinger espera que esse campo se consolide, pois os clientes não conseguem sustentar combinações intermináveis de hardware e software.

Cada arquitetura precisa de compiladores, frameworks, kernels otimizados, redes, monitoramento e ferramentas operacionais. Esses requisitos criam uma carga de software que pode superar o apelo de um benchmark atraente.

A transcrição do podcast de 9 de outubro conecta esse problema de comercialização a duas restrições físicas. Sistemas de IA precisam de memória próxima o bastante para alimentar os aceleradores, e as instalações precisam de eletricidade confiável para operar tanto a computação quanto os equipamentos de refrigeração.

Esse enquadramento muda a forma como compradores devem interpretar anúncios de aceleradores. O desempenho aritmético de pico descreve apenas uma parte de um sistema implantado. Capacidade de memória, largura de banda utilizável, rendimentos de empacotamento, redes, refrigeração e disponibilidade de energia podem determinar a produção real.

Gelsinger não é um observador neutro. Ele liderou a Intel durante um esforço dispendioso para reconstruir sua posição de fabricação e competir de forma mais eficaz em IA. Seus interesses atuais também incluem empreendimentos de hardware e fotônica.

Ainda assim, sua experiência no setor dá peso à crítica. Ele trabalhou com projeto de processadores, estratégia de fabricação, arquitetura de sistemas e planejamento executivo. Está descrevendo dependências que os compradores podem testar, em vez de pedir que aceitem uma única alegação de desempenho.

A renascença que ele vê é, portanto, desordenada. Ferramentas de IA podem ampliar o número de equipes capazes de propor novos chips. A economia da fabricação e a adoção de software decidirão quais propostas se tornarão plataformas duradouras.

Isso cria a primeira inversão do artigo. Um projeto mais fácil pode produzir mais experimentação arquitetural, ao mesmo tempo em que torna o acesso à fabricação, o empacotamento e a disciplina de implantação ainda mais valiosos.

Por Que Pat Gelsinger Chama a HBM de Memória Terrível

A HBM funciona porque aceleradores de IA precisam de largura de banda extrema, não porque a DRAM empilhada ofereça um equilíbrio ideal entre capacidade, densidade, temperatura e custo.

A memória de alta largura de banda coloca pilhas de memória dinâmica de acesso aleatório próximas a um acelerador. Conexões amplas permitem que o processador mova muito mais dados do que a memória convencional de servidores consegue fornecer por canais mais estreitos.

Essa proximidade importa porque muitas operações de IA são limitadas pelo movimento de dados. Um acelerador não consegue manter suas unidades computacionais ocupadas se pesos de modelos, ativações ou tokens em cache chegam lentamente demais.

A HBM resolve esse problema de largura de banda, mas sua estrutura introduz compensações difíceis. Chips empilhados concentram memória e calor em uma área pequena. O empacotamento avançado precisa conectar as pilhas de memória a aceleradores caros, mantendo rendimentos aceitáveis.

Gelsinger concentrou-se na densidade de bits, largura de banda de borda, energia e comportamento térmico. Largura de banda de borda refere-se a quanta conectividade os projetistas podem posicionar ao longo do limite físico restrito ao redor de um chip ou pacote.

Ele também observou que a DRAM não tolera bem o calor. Colocar a memória perto de unidades de computação quentes melhora a comunicação, mas torna o gerenciamento térmico mais difícil.

Sua formulação foi deliberadamente dura: a HBM é uma memória “terrível”, mas continua sendo a melhor opção disponível. Essa segunda parte importa porque a crítica não demonstra que os fabricantes de chips de IA tomaram uma decisão irracional.

O setor adotou a HBM para resolver um gargalo urgente. Removê-la sem um substituto eficaz reduziria a largura de banda disponível para processadores que lidam com grandes modelos.

Os fabricantes de HBM também continuam aprimorando empilhamento, interfaces, eficiência energética e integração. SK hynix, Samsung e Micron investiram intensamente porque as empresas de aceleradores precisam desses avanços agora.

A SK hynix apresenta uma integração mais estreita entre memória e lógica como um caminho para contornar os limites atuais dos sistemas. Seu trabalho público sobre integração de memória enfatiza a cooperação com fundições e parceiros de empacotamento.

Essa posição apoia parcialmente Gelsinger. Um fornecedor líder de HBM não afirma que a memória convencional e distante possa atender aos futuros requisitos de IA. Está aproximando a memória da lógica e tratando o empacotamento como parte da arquitetura.

No entanto, a melhoria não torna a HBM uma resposta permanente. Capacidade, densidade térmica, complexidade de fabricação e limites de interface física continuam sendo problemas ativos de pesquisa.

As alternativas dividem o problema de maneiras diferentes. A computação próxima à memória move operações selecionadas para mais perto dos dados armazenados. Pools maiores de memória de menor custo trocam parte da largura de banda por capacidade. Novas interconexões tentam permitir que aceleradores acessem memória adicional sem uma penalidade excessiva de latência.

O flash de alta largura de banda poderia eventualmente fornecer capacidade muito maior para algumas cargas de trabalho, embora não possa simplesmente substituir a DRAM em todas as funções. Conceitos de computação na memória tentam reduzir o movimento de dados ao executar determinadas operações onde os dados residem.

Essas abordagens exigem novas premissas de hardware e software. Os desenvolvedores precisam de modelos de programação previsíveis, e os operadores de nuvem precisam de sistemas que permaneçam úteis diante de cargas de trabalho em transformação.

É por isso que a crítica à HBM não deve ser confundida com um colapso iminente da demanda por HBM. O mercado atual precisa de enorme largura de banda, e os sistemas de produção precisam usar tecnologia que exista em escala.

A interpretação mais útil é arquitetural. Cada camada adicional, interconexão, mecanismo de refrigeração e etapa de empacotamento mostra quanta engenharia agora é dedicada a alimentar o processador.

Compradores de IA devem, portanto, perguntar sobre desempenho sustentado das aplicações, e não apenas sobre a taxa de processamento anunciada do acelerador. Devem examinar a capacidade de memória por dispositivo, a largura de banda em cargas de trabalho reais, a limitação térmica, o comportamento da interconexão e a maturidade do software.

A crítica de Gelsinger à HBM é mais forte como um diagnóstico da parede da memória. Essa parede é a lacuna crescente entre a velocidade de computação e a capacidade do sistema de fornecer dados aos processadores.

A HBM desloca a parede, mas não a elimina.

A Renascença do Hardware de IA Ainda Passa Pela Fabricação

A IA está criando um campo mais amplo de ideias para chips, enquanto a fabricação, o empacotamento e a escala de software reduzem o grupo capaz de sobreviver.

Gelsinger argumenta que a assistência de IA pode comprimir o desenvolvimento de chips. Engenheiros podem usar modelos para gerar elementos de projeto, explorar layouts, inspecionar resultados de verificação e navegar por conjuntos maiores de informações técnicas.

Isso pode reduzir o esforço necessário para chegar a um projeto plausível. Não pode fazer surgir uma fábrica moderna de semicondutores, aumentar instantaneamente a capacidade de empacotamento avançado ou garantir rendimentos de fabricação aceitáveis.

Um chip só se torna comercialmente relevante depois de ser fabricado, encapsulado, testado, instalado, programado e operado de forma confiável. A fraqueza em qualquer etapa pode atrasar a receita ou deixar clientes com hardware subutilizado.

É aqui que a renascença difere de um simples boom de startups. Mais equipes podem explorar processadores especializados, mas relativamente poucas conseguem assegurar todos os recursos necessários para implantação em volume.

A vantagem da Nvidia ilustra esse ponto. Sua posição se apoia no desempenho dos aceleradores, mas também em software, redes, sistemas, familiaridade dos desenvolvedores e uma cadeia de suprimentos construída para grandes implantações.

A AMD compete com seus aceleradores Instinct e software associado. O Google passou anos desenvolvendo e implantando Tensor Processing Units dentro de sua nuvem. Amazon e Microsoft também projetam silício personalizado para suas próprias cargas de trabalho.

Essas empresas podem conectar o projeto de chips a data centers, equipes internas de software, demanda dos clientes e compromissos de compra. Um projetista menor frequentemente precisa reunir essas peças por meio de parcerias.

O ciclo de fabricação acrescenta outra forma de risco. Um chip especializado concebido para uma geração de modelos pode chegar à produção em volume depois que os clientes tenham migrado para tamanhos de modelos ou economias de inferência diferentes.

O argumento de Gelsinger é mais forte quando identifica esse descompasso de tempo. A IA pode ajudar os projetistas a avançar mais rapidamente no início, enquanto o caminho de produção física permanece comparativamente rígido.

Interconexões ópticas são uma resposta proposta. Elas usam luz para mover informações entre componentes do sistema, potencialmente reduzindo alguns limites da sinalização elétrica em distâncias maiores.

Gelsinger argumentou que os links ópticos deveriam assumir mais tráfego de entrada e saída, enquanto memória e computação permanecem próximas. Seu trabalho atual inclui a promoção de abordagens fotônicas por meio da xLight.

Um perfil sobre chips fotônicos descreve esse esforço como parte de uma tentativa mais ampla de melhorar a conexão entre grandes sistemas de computação. A tecnologia ainda enfrenta obstáculos de fabricação, integração e adoção.

A óptica não resolverá todos os gargalos. Ela não fornece eletricidade, não cria pilhas adicionais de HBM nem elimina a necessidade de software eficiente. Pode reduzir a energia e a latência associadas à movimentação de dados entre partes de um sistema.

O mesmo princípio se aplica a chiplets, encapsulamento avançado e integração de memória. As melhorias modernas de desempenho dependem cada vez mais da conexão entre componentes especializados, em vez de um único processador monolítico.

Isso aumenta o valor de empresas capazes de coordenar múltiplos fornecedores. Também aumenta as consequências de um atraso em qualquer componente.

Portanto, o renascimento do hardware de IA produzirá tanto diversidade quanto consolidação. Novos designs surgirão, mas os clientes concentrarão gastos em arquiteturas que chegam em escala e executam software existente de forma confiável.

Os desenvolvedores devem acompanhar o suporte de software tão de perto quanto as especificações de silício. Um acelerador promissor sem compiladores maduros ou kernels de modelo otimizados pode permanecer ocioso mesmo após a instalação.

Compradores empresariais enfrentam uma decisão relacionada. Reservar hardware com anos de antecedência pode garantir capacidade, mas também pode prender uma organização a premissas sobre modelos, custos de energia e utilização.

A arquitetura vencedora pode não ser o chip com o maior número teórico. Pode ser o sistema que transforma memória, energia e software disponíveis em tokens confiáveis a um custo operacional aceitável.

A Escassez de Energia Transforma Planos de Computação em Risco de Crédito

A restrição de energia transforma um problema de engenharia em um problema de financiamento porque uma instalação inacabada ou com energia insuficiente não consegue sustentar a receita esperada.

O alerta padrão de Gelsinger diz respeito a projetos, e não necessariamente à falha imediata de provedores de nuvem já estabelecidos. Essa distinção evita que uma previsão dramática se transforme em uma alegação enganosa.

O desenvolvimento de um data center pode envolver terreno, licenças, financiamento de construção, compromissos de equipamentos, acordos com concessionárias e contratos esperados com clientes. Esses elementos nem sempre amadurecem no mesmo cronograma.

Desenvolvedores podem construir estruturas e encomendar servidores mais rápido do que as concessionárias conseguem adicionar geração, transmissão, subestações e interconexões. Um projeto que perde sua data de energização pode começar a pagar por ativos antes de poder atender clientes.

Esse atraso pode enfraquecer o modelo financeiro. O serviço da dívida continua, os equipamentos se depreciam e os clientes podem buscar capacidade em outro lugar. Um projeto planejado com base em utilização agressiva torna-se vulnerável quando apenas parte de sua alocação de energia é entregue.

Esse é o mecanismo por trás do alerta de Gelsinger. Não exige que a eletricidade desapareça em todo o país. Escassez local, conexões atrasadas ou cronogramas de entrega incertos podem prejudicar projetos individuais.

A Agência Internacional de Energia estimou que os data centers consumiram cerca de 415 terawatts-hora de eletricidade no mundo em 2024. Seu cenário-base projeta uma demanda de aproximadamente 945 terawatts-hora até 2030.

A IEA espera que menos de 10 por cento do crescimento da demanda global de eletricidade até 2030 venha dos data centers. Essa participação global pode coexistir com forte pressão em mercados individuais.

Os data centers estão geograficamente concentrados. Também exigem grandes cargas confiáveis em locais específicos, o que torna as condições das redes locais mais importantes do que um total mundial.

A análise de demanda de energia da agência prevê que instalações voltadas à IA impulsionem grande parte do aumento. Ela também ressalta que as previsões dependem de eficiência, adoção, hardware e desenvolvimento de modelos.

Essa incerteza atua nos dois sentidos. Chips melhores, resfriamento aprimorado e modelos mais eficientes podem reduzir a eletricidade usada por tarefa. Custos menores podem então estimular mais uso, compensando parte do ganho de eficiência.

Desenvolvedores de instalações têm várias respostas. Podem escolher regiões com geração disponível, construir por fases, garantir acordos de energia de longo prazo ou apoiar nova geração e transmissão.

Alguns operadores estão explorando geração a gás natural, contratos nucleares, energia renovável combinada com armazenamento e cronogramas flexíveis de computação. Cada opção traz compensações ligadas a licenciamento, financiamento, confiabilidade ou emissões.

Um acordo de energia também precisa de análise cuidadosa. Energia contratada, capacidade de geração, aprovação de interconexão e entrega efetiva não são conceitos intercambiáveis.

Investidores devem perguntar quando a eletricidade ficará disponível, quem assume o risco de atraso e se o fornecimento comprometido sustenta toda a carga planejada do local. Também devem examinar se os sistemas de resfriamento e backup estão incluídos.

Clientes devem fazer perguntas semelhantes antes de tratar a capacidade reservada de aceleradores como garantida. Um provedor de nuvem pode possuir o hardware sem dispor de infraestrutura comissionada suficiente para operar todos os sistemas continuamente.

O exemplo de “um milhão de GPUs” de Gelsinger expressa escala, em vez de documentar um projeto específico em inadimplência. Os leitores não devem tratá-lo como prova de que um empreendimento específico fracassou.

Sua conclusão mais ampla continua crível: a aquisição avançou mais rapidamente do que as dependências físicas mais lentas. Quanto mais capital for comprometido antes da entrega de energia, maior será a exposição quando os cronogramas se separarem.

A Previsão de Inadimplência Exige um Ônus de Prova Maior

A escassez de energia está documentada, mas uma onda de inadimplências em data centers continua sendo uma previsão que exige evidências financeiras no nível dos projetos.

O alerta de Gelsinger comprime vários resultados possíveis em uma única palavra memorável. Construção atrasada, implantação por fases, renegociação contratual, venda de ativos, reestruturação e inadimplência de pagamento não são a mesma coisa.

Desenvolvedores podem absorver atrasos sem deixar de cumprir obrigações de dívida. Grandes empresas de tecnologia conseguem redirecionar capital, mover equipamentos ou renegociar cronogramas de entrega com mais facilidade do que operadores especulativos.

Credores também podem exigir compromissos de energia antes de liberar recursos para etapas posteriores de construção. Essas proteções podem reduzir a exposição, embora não possam eliminar o risco de cronograma.

A alegação se torna mais persuasiva se a energização atrasada provocar pagamentos perdidos, empréstimos deteriorados, locações canceladas ou vendas de ativos em dificuldade. As evidências públicas devem identificar esses resultados, em vez de tratar toda instalação adiada como uma inadimplência.

Há também um contraponto à crítica à memória. A HBM viabilizou a atual expansão da IA ao fornecer uma largura de banda que sistemas de memória convencionais não conseguiam oferecer.

Chamá-la de terrível pode obscurecer avanços substanciais em empilhamento, encapsulamento, interfaces e eficiência energética. A questão relevante é se outra arquitetura pode superar a HBM em cargas de trabalho reais e ser entregue em volume.

Fabricantes de memória têm fortes incentivos para defender e ampliar seus investimentos. Ainda assim, seu trabalho em integração mais estreita com lógica e em camadas alternativas de memória sugere que a arquitetura atual ainda precisa melhorar.

As previsões de energia carregam incerteza semelhante. A IEA afirma que o consumo global de eletricidade dos data centers deve dobrar até 2030, enquanto o consumo voltado à IA tende a crescer ainda mais rápido.

Concessionárias, reguladores e operadores já estão respondendo. Nova geração, transmissão modernizada, flexibilidade da demanda e computação mais eficiente podem reduzir a lacuna.

A IEA também espera que as renováveis forneçam quase metade do crescimento da demanda de eletricidade dos data centers até 2030. Essa perspectiva não garante entrega pontual em todos os locais.

A localização continua decisiva. Um mercado nacional pode ter geração total adequada enquanto uma região específica não dispõe de capacidade de transmissão ou de uma interconexão aprovada.

A tecnologia também pode alterar a curva de demanda. A quantização reduz a precisão usada para representar valores de modelos. A destilação transfere capacidades para modelos menores. Um agendamento melhor eleva a utilização em uma frota instalada.

Esses ganhos podem reduzir o hardware necessário para uma carga de trabalho específica. Eles não garantem menor consumo total, porque uma inferência mais barata frequentemente atrai mais usuários e aplicações.

O argumento de Gelsinger sobre hardware de IA deve, portanto, ser tratado como um teste de estresse, não como uma previsão de mercado consolidada. Ele pergunta se os planos continuam viáveis quando memória, fabricação ou energia chegam mais tarde do que o esperado.

A resposta será diferente entre projetos. Campi pertencentes a hyperscalers, com balanços sólidos e energia garantida, ocupam uma categoria de risco diferente de empreendimentos construídos em torno de futuros inquilinos e conexões de rede incertas.

Os leitores também devem separar a autoridade do interlocutor das evidências. Gelsinger tem ampla experiência em semicondutores, mas isso não lhe dá visibilidade privada sobre o financiamento de cada projeto.

Seu alerta merece atenção porque o mecanismo é coerente. A verificação exige contratos, cronogramas de interconexão, dados de utilização, desempenho de empréstimos e cancelamentos de projetos divulgados.

Três Sinais Testarão o Alerta de Gelsinger

A próxima etapa da história será decidida pela energia entregue, por alternativas de memória utilizáveis e por falhas de projetos financeiramente visíveis.

O primeiro sinal é a diferença entre a capacidade anunciada de data centers e a capacidade energizada. Os anúncios medem ambição, enquanto a carga elétrica comissionada mede o que os operadores realmente conseguem usar.

Acompanhe aprovações de interconexão pelas concessionárias, datas de conclusão de subestações, projetos de transmissão e aberturas de campi por fases. Atrasos repetidos reforçariam o argumento de Gelsinger de que a energia se tornou a restrição determinante.

Conexões mais rápidas e entregas confiáveis enfraqueceriam a tese de inadimplência. Demonstrariam que concessionárias e desenvolvedores conseguem coordenar a expansão antes que a pressão de financiamento se torne aguda.

O segundo sinal é se alternativas de memória saem dos laboratórios e entram em sistemas de produção. Melhorias no HBM4 importam, mas ampliam a abordagem atual em vez de resolver todas as críticas.

Computação próxima à memória, flash de alta largura de banda, links ópticos e pools maiores de memória convencional devem ser avaliados por produtos entregues. Métricas úteis incluem desempenho de aplicações, capacidade, eficiência energética, compatibilidade de software e disponibilidade em volume.

Uma implantação crível que reduza a dependência de HBM reforçaria a tese do renascimento. Outro protótipo promissor sem escala de fabricação apoiaria o alerta de Gelsinger sobre comercialização.

O terceiro sinal é a dificuldade financeira no nível dos projetos. Investidores devem procurar pagamentos perdidos, reestruturações, compromissos cancelados de inquilinos, vendas em dificuldade e divulgações de credores diretamente vinculadas à indisponibilidade de energia.

Mudanças comuns de cronograma não bastam. A previsão se torna uma onda apenas quando múltiplos projetos independentes mostram uma ligação comum entre energia atrasada e inadimplência financeira.

Esses sinais importam para além dos investidores em semicondutores. Desenvolvedores precisam saber quais arquiteturas justificam trabalho de otimização. Compradores empresariais precisam avaliar se a capacidade reservada chegará no prazo.

Trabalhadores do conhecimento sentirão o resultado por meio da disponibilidade de modelos, latência, limites de uso e confiabilidade do serviço. Gargalos de infraestrutura acabam aparecendo nos produtos construídos sobre eles.

Equipes que comparam anúncios podem preservar decisões, evidências técnicas e premissas em mudança em uma base de conhecimento de IA. Esse registro se torna útil quando datas de entrega ou alegações sobre arquiteturas mudam.

O alerta de Pat Gelsinger sobre hardware de IA é, em última análise, sobre coordenação. Projetar silício melhor já não é suficiente quando memória, encapsulamento, software, resfriamento, financiamento e eletricidade precisam chegar juntos.

A HBM pode continuar essencial e, ainda assim, estar profundamente comprometida. O hardware de IA pode entrar em um renascimento enquanto a maioria das novas arquiteturas não consegue ganhar escala. A demanda por data centers pode crescer enquanto projetos individuais se tornam financeiramente inviáveis.

A questão para os próximos três meses é concreta: quais empresas conseguem demonstrar capacidade energizada, melhorias de memória implementadas e sistemas funcionais, em vez de mais uma rodada de reservas e previsões?