A crítica de Pat Gelsinger às GPUs expõe o verdadeiro problema do hardware de IA

Pat Gelsinger provocou uma manchete direta no Google News ao argumentar que algumas cargas de trabalho funcionam mal em GPUs, apesar de seu papel dominante na inteligência artificial. O ex-chefe da Intel não descartou a computação por GPU como inútil. Ele questionou a premissa de que uma única arquitetura de processador deveria lidar com todas as etapas de um sistema de IA cada vez mais complexo.

Essa distinção muda a história. Gelsinger elogiou o avanço da Nvidia no treinamento, ao mesmo tempo em que questionou se uma infraestrutura geral de GPUs consegue oferecer inferência acessível em escala enorme. A inferência é o processo que executa um modelo treinado sempre que um usuário solicita uma resposta, imagem, previsão ou ação.

Sua crítica também contém uma admissão desconfortável para a Intel. A empresa subestimou a estratégia de GPUs da Nvidia quando as CPUs ainda dominavam os data centers. A Nvidia então criou o CUDA, cultivou desenvolvedores e transformou o processamento paralelo na base do treinamento moderno de IA.

Agora, o argumento foi além de Intel versus Nvidia. Ele diz respeito a GPUs versus computação heterogênea, em que CPUs, GPUs, processadores de rede e aceleradores especializados dividem o trabalho conforme seus pontos fortes.

A reviravolta marcante é que a Nvidia parece aceitar boa parte dessa premissa em nível de sistemas. Suas plataformas mais recentes combinam GPUs com CPUs personalizadas, silício de rede, unidades de processamento de dados e tecnologia voltada à inferência. A disputa é sobre quem consegue montar essa combinação com mais eficiência, não sobre as GPUs desaparecerem de repente.

A manchete do Google News deixa de fora o verdadeiro argumento de Gelsinger

A crítica de Gelsinger mira o pensamento centrado apenas em GPUs, não todas as GPUs ou todas as cargas de trabalho de IA.

A frase de manchete “GPUs suck” reduz uma discussão técnica mais longa a um julgamento absoluto. Seus comentários reais foram mais específicos e mais úteis para compradores de data centers.

Em uma entrevista detalhada com Gelsinger, o analista de semicondutores Ian Cutress perguntou sobre a crescente variedade de arquiteturas de computação. Gelsinger argumentou que a carga de trabalho deve determinar a arquitetura.

Ele disse que GPUs apresentam desempenho extremamente bom quando um problema contém grandes volumes de computação paralela. O treinamento moderno de IA se encaixa nesse padrão porque os processadores executam repetidamente operações de matriz sobre muitos elementos de dados.

No entanto, operações de fluxo de controle se comportam de forma diferente. Essas operações incluem ramificações condicionais, orquestração, execução de ferramentas, funções de sistema operacional e análises com trajetos menos previsíveis.

Gelsinger ofereceu uma formulação deliberadamente provocadora: “Há coisas que funcionam muito mal em uma GPU.” Em seguida, ele identificou a lógica básica de if-then-else como uma combinação inadequada para um longo pipeline de GPU.

Essa afirmação não equivale a dizer que todas as GPUs são ruins. Ela diz que uma arquitetura projetada para throughput paralelo perde eficiência quando a carga de trabalho se ramifica, pausa ou muda de direção repetidamente.

A IA agêntica torna essa diferença mais visível. Um agente de IA pode chamar um banco de dados, executar código, inspecionar um resultado, escolher outra ferramenta e atualizar seu plano. Apenas algumas etapas envolvem os cálculos densos de matriz que favorecem as GPUs.

As etapas restantes ainda consomem tempo de processador, largura de banda de memória, capacidade de rede e energia. Uma GPU pode executar muitas delas, mas compatibilidade técnica não garante eficiência econômica.

Gelsinger chama seu modelo preferido de “trindade da computação”. Processadores clássicos lidam com trabalho orientado a controle, aceleradores de IA lidam com algoritmos intensivos em dados, e máquinas quânticas eventualmente abordariam problemas selecionados que estão além da computação clássica prática.

O componente quântico continua especulativo para a infraestrutura cotidiana de IA. A divisão entre CPU e aceleradores já é visível em sistemas de data centers já lançados e anunciados.

Isso torna o enquadramento do Google News útil como ponto de partida, mas incompleto como conclusão. Gelsinger está questionando o modelo de implantação do setor, não negando a arquitetura que viabilizou o atual boom da IA.

Seu argumento também separa treinamento de inferência. O treinamento cria ou atualiza um modelo ao processar grandes conjuntos de dados. A inferência aplica esse modelo treinado a solicitações em tempo real.

As GPUs continuam centrais para ambas as etapas. Ainda assim, a inferência introduz prioridades diferentes, incluindo tempo de resposta, custo por token, consumo de energia, capacidade de memória e níveis de serviço previsíveis.

O mercado de chips de inferência já inclui AMD, Intel, Cerebras, Groq, d-Matrix e outros especialistas. A oportunidade dessas empresas vem de otimizar essas prioridades, em vez de reproduzir toda a plataforma de treinamento da Nvidia.

A linguagem de Gelsinger soa categórica. Sua posição técnica é específica para cada carga de trabalho.

Por que os chips de inferência de IA pressionam a economia dos data centers

O debate sobre hardware agora se concentra no custo recorrente de usar IA, não apenas no custo espetacular de treiná-la.

Um modelo pode passar por um número limitado de grandes execuções de treinamento. Depois, ele pode atender bilhões de prompts, buscas, imagens geradas, ações de agentes e solicitações internas de empresas.

Cada solicitação adiciona trabalho de inferência. Modelos de raciocínio mais capazes podem produzir várias etapas de processamento antes de retornar uma resposta. Os agentes acrescentam novas etapas ao chamar ferramentas e revisar seus planos.

Esse padrão desloca a atenção do desempenho máximo de treinamento para o custo por resultado útil. Operadores de data centers precisam considerar quantos tokens um sistema entrega por watt, servidor, rack e unidade de capital.

Gelsinger argumentou que a inferência precisa se tornar 10.000 vezes mais eficiente para se aproximar da escala das buscas e do uso disseminado de agentes. Ele reconheceu que esse número era uma estimativa baseada em premissas de computação, energia e custo.

Não se trata de uma exigência do setor demonstrada de forma independente. Portanto, deve ser lido como uma declaração sobre a dimensão do desafio, não como um benchmark verificado.

A pressão subjacente continua real. Um agente corporativo útil não pode gastar capacidade computacional ilimitada em cada consulta de documento, tarefa de software ou interação com clientes.

A latência também importa. Um modelo que gera muitos tokens rapidamente ainda pode parecer lento se o sistema ao redor esperar por bancos de dados, transferências de rede, verificações de segurança ou código de aplicação.

É aqui que a utilização de GPUs se torna importante. Aceleradores caros geram valor enquanto processam trabalho adequado. Eles se tornam um ônus econômico quando ficam parados por movimentação de dados ou aguardando uma tarefa serial.

Os chips de inferência de IA tentam melhorar essa equação por meio de designs mais específicos. Alguns aproximam mais memória da computação. Outros usam arquiteturas de fluxo de dados, menor precisão numérica, execução determinística ou software adaptado a modelos específicos.

Essas abordagens envolvem concessões. Um chip especializado pode superar uma GPU em uma carga de trabalho selecionada, mas oferecer suporte a menos modelos, bibliotecas ou ferramentas de implantação.

A integração também pode eliminar economias teóricas. As empresas precisam de monitoramento, segurança, orquestração, suporte a modelos e engenheiros que entendam a plataforma.

Esse é um dos motivos pelos quais a posição de software da Nvidia continua tão importante. O CUDA oferece aos desenvolvedores um ambiente de programação maduro, enquanto as bibliotecas da Nvidia abrangem treinamento de modelos, inferência, rede e processamento de dados.

Um concorrente não vence apenas ao publicar um benchmark favorável de chip. Ele precisa fornecer um sistema confiável que os clientes consigam instalar, programar, operar e atualizar.

A economia da inferência também varia conforme a aplicação. Chat interativo exige baixa latência. O processamento offline de documentos pode priorizar throughput. A geração de vídeo exige padrões de memória e computação diferentes dos sistemas de recomendação.

O tamanho do lote também muda o resultado. Um provedor que atende muitas solicitações simultâneas pode manter um grande acelerador mais ocupado do que uma implantação empresarial menor.

Essa variabilidade enfraquece qualquer afirmação universal de que GPUs são inerentemente caras demais. Ela reforça a alegação mais restrita de Gelsinger de que a seleção da arquitetura deve começar pela carga de trabalho.

As implicações vão além dos fornecedores de chips. Provedores de nuvem precisam decidir quais processadores comprar e como precificá-los. Empresas de software precisam escolher entre portabilidade e otimização específica para hardware.

Compradores empresariais enfrentam outra questão. Eles podem alugar capacidade, operar infraestrutura privada ou usar serviços gerenciados de modelos que ocultam o hardware subjacente.

A escolha correta depende de utilização, controles de dados, latência e equipe. O nome de um processador da moda não resolve esses requisitos.

O Google reconheceu essa distinção anos antes do atual ciclo de IA generativa. Sua Tensor Processing Unit original visava cargas de trabalho de redes neurais com um design específico de domínio.

A nova Ironwood TPU do Google é explicitamente posicionada para inferência e grandes modelos de raciocínio. Esse produto oferece outro teste para a tese de Gelsinger.

Portanto, o mercado está avançando em direção a vários tipos de aceleradores. A parte difícil é fazê-los funcionar como um único ambiente de computação confiável.

A estratégia de CPU da Nvidia apoia o argumento da computação heterogênea

A resposta da Nvidia às limitações das GPUs não é abandoná-las. É cercá-las de processadores especializados e software estreitamente integrado.

Essa estratégia é visível na Vera, a CPU personalizada da Nvidia para cargas de trabalho agênticas. A empresa afirma que a Vera lida com orquestração, análises, processamento de dados e outras tarefas limitadas por CPU em torno dos aceleradores de IA.

A Vera contém 88 núcleos Olympus projetados pela Nvidia e um subsistema de memória LPDDR5X. A Nvidia afirma que o processador fornece até 1,2 terabytes por segundo de largura de banda de memória.

A CPU se conecta às GPUs Rubin por meio de NVLink-C2C. A Nvidia informa até 1,8 terabytes por segundo de largura de banda coerente nessa conexão.

Essas são especificações da empresa, não resultados de desempenho independentes. Ainda assim, a arquitetura importa porque mostra como a Nvidia define o problema.

A empresa não vende mais uma GPU como um componente isolado. Ela descreve uma plataforma de computação acelerada que contém CPUs, GPUs, rede, processadores de armazenamento, switches, bibliotecas e projetos em nível de rack.

O anúncio da CPU Vera da Nvidia diz que o processador visa runtimes Python, código em sandbox, análises e orquestração de agentes. Essas são precisamente as cargas de trabalho com ramificações por trás da crítica de Gelsinger.

Essa sobreposição cria a reversão central do artigo. Gelsinger ataca as limitações das GPUs enquanto a Nvidia investe pesadamente nos componentes necessários para compensar essas limitações.

A Nvidia não descreve esse investimento como recuo. Ela apresenta a integração CPU-GPU como uma extensão da computação acelerada.

Gelsinger chegou a uma conclusão semelhante após a conferência GTC da Nvidia, em março de 2026. Em imagens da Reuters, ele chamou a conectividade entre CPU e GPU de essencial para o design de sistemas.

Ele também elogiou a apresentação técnica da Nvidia, ao mesmo tempo em que alertou que a empresa ainda precisava entregar resultados. Essa reação é muito mais equilibrada do que a manchete viral sugere.

A posição da Nvidia se fortalece com seu controle sobre a plataforma ao redor. Ela pode coordenar o projeto de processadores com NVLink, redes, bibliotecas de software e racks completos.

Essa coordenação pode reduzir a sobrecarga de comunicação e simplificar a implantação. Também aumenta a dependência dos clientes em relação à arquitetura de um único fornecedor.

A estratégia de plataforma cria um alvo difícil para os concorrentes. Um chip rival pode oferecer melhor desempenho por watt, mas não dispor de rede ou suporte de software equivalentes.

A Nvidia também pode melhorar a economia em várias camadas simultaneamente. Uma interconexão mais rápida pode elevar a utilização das GPUs sem alterar as unidades aritméticas da GPU.

Otimizações de software podem reduzir o uso de memória. Novos formatos numéricos podem aumentar o rendimento. Um processador especializado em inferência pode lidar com cargas de trabalho que não se encaixam em uma GPU convencional.

Isso significa que as críticas de Pat Gelsinger às GPUs não preveem automaticamente o declínio da Nvidia. A Nvidia pode responder mudando o que conta como um sistema Nvidia.

A empresa já se descreve como uma plataforma de computação acelerada, e não apenas como fabricante de GPUs. Seu roteiro de hardware sustenta essa caracterização.

Os clientes ainda devem testar essas alegações em suas próprias aplicações. Uma plataforma fortemente integrada pode ser eficiente em escala, mas excessiva para uma implantação menor.

Ela também pode introduzir concentração operacional. Um problema que afete o cronograma de hardware, a camada de rede ou a pilha de software de um fornecedor pode influenciar todo o sistema.

Ainda assim, a integração oferece uma clara vantagem comercial quando os clientes priorizam a velocidade de implantação. Os compradores frequentemente aceitam algum aprisionamento tecnológico para evitar montar por conta própria vários componentes ainda imaturos.

Portanto, a disputa imediata não é GPU versus CPU. É a plataforma integrada da Nvidia contra uma combinação mais aberta de processadores de vários fornecedores.

Intel Enfrenta o Teste Mais Difícil da Tese de Gelsinger

A Intel concorda com o argumento de priorizar a carga de trabalho, mas precisa provar que os clientes desejam sua combinação específica de CPUs, GPUs, redes e software.

A análise de Gelsinger tem peso adicional porque a Intel já ocupou a posição mais forte na computação para data centers. Ela também carrega mais bagagem.

A Intel subestimou o papel de longo prazo das GPUs e da plataforma para desenvolvedores da Nvidia. Seus próprios esforços com aceleradores de IA têm enfrentado dificuldades para alcançar adoção comparável.

Esse histórico torna Gelsinger tanto um crítico bem informado quanto um participante interessado. Hoje, ele trabalha com empresas de tecnologia por meio de investimentos de risco e atividades de consultoria.

Algumas empresas de seu portfólio atuam com computação de fluxo de dados, resiliência de redes, conexões ópticas e outras alternativas às arquiteturas convencionais. Os leitores devem considerar esse contexto ao avaliar seu entusiasmo.

Ainda assim, a estratégia atual da Intel segue a mesma lógica de sistemas. A empresa enfatizou as CPUs como plano de controle para IA agêntica, enquanto desenvolve uma nova GPU para data centers voltada à inferência.

Crescent Island foi projetada para inferência empresarial, e não como uma repetição direta dos maiores sistemas de treinamento. A Intel afirma que ela usará a arquitetura Xe3P e incluirá 160 gigabytes de memória LPDDR5X.

A empresa descreveu a GPU como adequada para servidores refrigerados a ar. Também afirma que o projeto visa capacidade de memória, largura de banda, eficiência energética e tipos de dados comuns em inferência.

A Intel espera disponibilizar amostras aos clientes durante o segundo semestre de 2026. Até que essas amostras produzam resultados independentes, Crescent Island continua sendo um conjunto de objetivos de projeto.

O roteiro oficial da Crescent Island ilustra tanto a oportunidade quanto o risco. A Intel está abordando um problema reconhecido, mas inúmeros concorrentes enxergam a mesma abertura.

Um grande pool de memória pode ajudar a atender modelos de grande porte. Isso não estabelece compatibilidade de software, rendimento real das aplicações, confiabilidade ou custos operacionais totais favoráveis.

A Intel também precisa explicar como os desenvolvedores transferem cargas de trabalho para a nova plataforma. Suas ambições de software aberto competem com um ambiente CUDA construído ao longo de muitos anos.

A abertura pode atrair clientes que não gostam da dependência de um único fornecedor. Também pode gerar complexidade se drivers, compiladores, bibliotecas e frameworks se comportarem de forma diferente entre processadores.

Esse problema de software é central para a computação heterogênea. Dividir o trabalho entre várias arquiteturas cria oportunidades de eficiência, mas cada fronteira introduz movimentação de dados e sobrecarga de programação.

Uma vantagem teórica de velocidade desaparece quando uma aplicação passa tempo demais copiando informações ou convertendo formatos. As equipes operacionais também precisam de ferramentas consistentes para depuração e monitoramento.

Gelsinger reconheceu que o setor carece de uma camada de software consolidada para IA heterogênea. A Intel já promoveu o oneAPI como um caminho para programar várias arquiteturas com ferramentas comuns.

O objetivo continua atraente. As evidências do mercado continuam mistas.

A maior vantagem da Intel pode ser sua base instalada de CPUs. As empresas já executam aplicações, bancos de dados, ferramentas de segurança e ambientes de virtualização em sistemas x86.

Essas cargas de trabalho não desaparecem quando uma empresa adota IA. Um agente frequentemente precisa interagir com elas.

A Intel pode argumentar que suas CPUs, produtos Ethernet e aceleradores de inferência se encaixam nesses ambientes existentes. A Nvidia pode responder que seus racks integrados oferecem melhor desempenho de ponta a ponta.

AMD, Google, provedores de nuvem e startups de inferência acrescentam mais pressão. Cada um oferece uma combinação diferente de portabilidade, especialização, disponibilidade e controle.

Esse mercado lotado torna o enquadramento de que “GPUs são ruins” menos útil para decisões de compra. Os compradores precisam de resultados medidos com seus próprios modelos e padrões de serviço.

Eles devem comparar tempo até o primeiro token, rendimento sustentado, uso de energia, capacidade de memória, utilização, recuperação de falhas e trabalho de software. Apenas o custo de aquisição oferece uma visão incompleta.

As equipes também precisam manter registros disciplinados desses testes. Uma base de conhecimento de engenharia pesquisável pode preservar condições de benchmark, decisões de arquitetura e relatórios de falhas ao longo dos ciclos de avaliação.

Sem esse contexto, as organizações podem comparar números produzidos com modelos, tamanhos de lote, precisões e metas de latência diferentes. A decisão resultante pode premiar o marketing, e não o desempenho do sistema.

A Alegação de que “GPUs São Ruins” Ainda Precisa de uma Verificação de Realidade

Um argumento arquitetural provocativo não prova que hardware alternativo entregará melhores resultados de negócios.

A primeira incerteza diz respeito ao escopo. As GPUs atendem muitas cargas de trabalho, do treinamento e da computação científica à renderização e à inferência.

Um resultado fraco em código com ramificações não invalida resultados fortes em computação paralela densa. Da mesma forma, forte desempenho em treinamento não garante o menor custo para todo serviço de inferência.

A segunda incerteza diz respeito à meta de eficiência de 10.000 vezes de Gelsinger. Ele a descreveu como uma estimativa derivada da economia de implantações em escala de busca.

Esse número comunica ambição. Ele não descreve uma lacuna verificada compartilhada por todas as aplicações de IA.

Comparações de eficiência exigem um denominador. Pesquisadores podem medir tokens por joule, solicitações por segundo, latência sob carga ou custo total por tarefa concluída.

Cada métrica pode favorecer uma arquitetura diferente. A qualidade do modelo complica ainda mais a comparação, pois uma saída mais rápida tem valor limitado quando produz resultados menos úteis.

A terceira incerteza diz respeito à demanda. Os volumes de inferência estão crescendo, mas a economia das aplicações permanece indefinida.

Alguns agentes geram valor claro ao automatizar trabalho caro. Outros consomem muitos tokens enquanto produzem resultados que os funcionários precisam revisar intensamente.

A inferência mais barata pode expandir o uso por meio do paradoxo de Jevons, no qual a eficiência reduz custos e estimula demanda suficiente para aumentar o consumo total. Isso não garante aplicações lucrativas.

A quarta incerteza é o software. Processadores especializados frequentemente começam com demonstrações impressionantes. A adoção ampla exige compiladores estáveis, suporte a frameworks, ferramentas de segurança, orquestração e disponibilidade em nuvem.

Os desenvolvedores também precisam de portabilidade. Uma empresa pode hesitar em otimizar profundamente para um chip de startup se a migração se tornar cara.

A base instalada de software da Nvidia lhe dá margem para melhorar áreas mais fracas. Sua plataforma Rubin combina uma CPU personalizada, GPU, redes, processamento de dados e componentes relacionados a armazenamento.

A Nvidia afirma que Rubin pode reduzir os custos de tokens de inferência em até dez vezes em comparação com Blackwell. Essa comparação vem da Nvidia e requer validação independente em aplicações variadas.

Ainda assim, ela desafia diretamente a ideia de que a posição consolidada das GPUs impede grandes ganhos de eficiência. A Nvidia pode redesenhar o sistema ao redor mantendo a compatibilidade com sua plataforma de software.

A quinta incerteza diz respeito à infraestrutura de data centers. Processadores avançados precisam de energia, refrigeração, rede e capacidade física.

Um chip nominalmente eficiente ainda pode criar problemas de implantação se exigir configurações de refrigeração ou rede pouco familiares. Em contrapartida, um acelerador refrigerado a ar pode se encaixar mais facilmente em instalações existentes.

Grandos clusters também introduzem preocupações de confiabilidade. À medida que o número de componentes aumenta, as falhas se tornam mais frequentes e o checkpointing consome recursos adicionais.

Gelsinger argumentou que configurações enormes precisam de maior resiliência de hardware e software. A Nvidia trata o projeto em nível de rack e o codesign como parte de sua resposta.

Nenhuma das posições pode ser resolvida por uma manchete. Os operadores precisam de evidências de produção que cubram tempo de atividade, tempo de recuperação, utilização e esforço de manutenção.

O papel anterior de Gelsinger na Intel acrescenta outro motivo para cautela. A Intel perdeu partes importantes da transição para GPUs enquanto ele e outros líderes passaram anos defendendo uma computação centrada em CPUs.

Seu argumento atual é mais matizado do que aquela posição anterior. Ainda assim, a história da Intel demonstra que identificar uma limitação técnica não garante execução bem-sucedida.

A Nvidia merece escrutínio semelhante. Uma plataforma dominante pode moldar benchmarks, definições e expectativas de aquisição em torno de seus pontos fortes.

Os clientes devem testar se um sistema Nvidia completo melhora sua carga de trabalho de ponta a ponta ou apenas aumenta a escala da compra.

O julgamento mais justo é mais restrito do que a retórica de ambos os lados. As GPUs são aceleradores excepcionalmente eficazes, mas não são processadores universais.

Sistemas heterogêneos oferecem uma resposta crível. Eles também transferem a dificuldade do projeto de chips para a integração, o software e as operações.

O Que os Leitores do Google News Devem Observar em Seguida

Três sinais concretos mostrarão se Gelsinger identificou uma transição de mercado ou apenas reafirmou um princípio arquitetural conhecido.

O primeiro sinal são os testes independentes das amostras da Crescent Island da Intel. A Intel espera disponibilizar amostras no segundo semestre de 2026, o que torna as evidências dos clientes o teste prático mais próximo.

Resultados úteis devem abranger modelos reais, vários tamanhos de lote, cargas sustentadas e latência de ponta a ponta. As comparações também devem incluir a maturidade do software e a energia do sistema.

Resultados fortes e reproduzíveis sustentariam o argumento de Gelsinger de que alternativas otimizadas para inferência podem pressionar implantações de GPUs de propósito geral. Atrasos ou demonstrações limitadas o enfraqueceriam.

O segundo sinal é a adoção em produção dos sistemas Vera e Rubin da Nvidia. A Nvidia nomeou importantes laboratórios de IA, provedores de nuvem e fabricantes que planejam usar Vera.

Planos não são implantações. Os compradores devem acompanhar a utilização medida, a economia de tokens, os cronogramas de entrega e a confiabilidade quando os sistemas entrarem em operação mais ampla.

Se a Vera mantiver as GPUs ocupadas ao lidar eficientemente com tarefas de fluxo de controle, a Nvidia terá validado a computação heterogênea dentro de sua própria plataforma. Esse resultado reforça o mecanismo de Gelsinger, ao mesmo tempo que fortalece a Nvidia comercialmente.

O terceiro sinal é a portabilidade das cargas de trabalho entre chips concorrentes de inferência de IA. Os clientes precisam mover modelos entre Nvidia, Intel, AMD, Google e aceleradores especializados sem reconstruir aplicações inteiras.

Avanços em compiladores, runtimes de inferência e formatos abertos de modelos reduziriam a vantagem de software da Nvidia. A fragmentação ou resultados inconsistentes preservariam a posição da empresa estabelecida.

A próxima manchete no Google News provavelmente destacará um benchmark, uma parceria ou uma declaração marcante de um executivo. Os leitores devem olhar além dela em busca de evidências sobre sistemas completos.

Pergunte qual processador lidou com cada etapa, quanto dado foi transferido entre os componentes e se o software continuou sustentável. Em seguida, examine o resultado sob demanda contínua de produção.

O argumento de Gelsinger importa porque a infraestrutura de IA está se tornando mais diversa justamente quando a dependência dela cresce. Suas palavras não devem substituir a verificação.

Para desenvolvedores e compradores corporativos, a ação prática é simples. Documente sua carga de trabalho, teste várias arquiteturas e meça todo o caminho, da solicitação ao resultado útil.

O sistema vencedor não será o que fizer a afirmação mais ruidosa. Será aquele que entregar trabalho confiável dentro de restrições reais de energia, latência, software e operação.