A infraestrutura de IA da SK hynix atinge um limite físico: energia e refrigeração

A SK hynix direcionou sua análise de infraestrutura de IA para uma restrição que processadores mais rápidos não conseguem resolver sozinhos: sistemas de computação densos precisam de eletricidade e capacidade de refrigeração suficientes para operar.

A análise mais recente da empresa sobre data centers de IA argumenta que o desempenho agora depende de um sistema integrado. Computação, memória, armazenamento, redes, fornecimento de energia e gestão térmica precisam operar em conjunto. Uma camada fraca pode deixar aceleradores caros esperando, limitados ou indisponíveis.

Esse argumento muda o centro da corrida pela infraestrutura de IA. Nvidia, provedores de nuvem em hiperescala, fornecedores de memória, concessionárias de energia e fabricantes de sistemas de refrigeração já não estão resolvendo problemas separados. Todos estão construindo em torno de um limite físico: cada watt que entra em um servidor acaba se transformando em calor que a instalação precisa remover.

A mudança não torna processadores ou memória de alta largura de banda menos importantes. Ela faz com que seu desempenho utilizável dependa de infraestrutura fora do encapsulamento do chip. Um acelerador mais rápido tem valor limitado se uma instalação não consegue energizar o rack, fazer o fluido refrigerante circular por ele ou conectar o data center à rede elétrica.

A análise da infraestrutura de IA da SK hynix vai além do chip

A SK hynix está tratando energia e refrigeração como componentes de desempenho, e não como serviços secundários da instalação.

A análise de infraestrutura da empresa amplia um argumento mais abrangente sobre o design de sistemas de IA. Componentes individuais importam, mas suas especificações não garantem desempenho no nível da aplicação.

Um cluster de treinamento de IA transfere repetidamente parâmetros de modelo, ativações, checkpoints e dados de treinamento. Sistemas de inferência precisam recuperar contexto, movê-lo pela memória, coordenar aceleradores e retornar respostas dentro de limites de latência aceitáveis.

Cada etapa consome energia. Cada transferência também produz calor, incluindo transferências que não contribuem diretamente para o cálculo solicitado pelo usuário.

Isso cria uma cadeia de dependências. Aceleradores precisam de dados da memória. Memória e armazenamento precisam de conexões de alta taxa de transferência. Switches de rede precisam coordenar milhares de dispositivos. Sistemas de energia precisam alimentar todos eles sem interrupção.

O equipamento de refrigeração então precisa remover o calor resultante. Se não conseguir, o hardware reduz sua frequência de operação para permanecer dentro de temperaturas seguras. Esse processo, chamado de limitação térmica, protege os componentes enquanto reduz o desempenho disponível.

A mesma questão se aplica à escala da instalação. Um operador de data center pode comprar processadores sem possuir a capacidade elétrica necessária para implantá-los. O operador também pode reservar energia da concessionária, mas não ter o equipamento interno de distribuição necessário para levar essa energia a racks densos.

Transformadores, equipamentos de manobra, fontes de alimentação ininterrupta, barramentos e sistemas de backup tornam-se parte do cronograma de implantação. Suas especificações afetam quanta capacidade computacional um prédio pode suportar.

O caminho térmico importa tanto quanto. O calor precisa viajar do silício por materiais de encapsulamento, placas frias ou dissipadores de calor, circuitos de fluido refrigerante, trocadores de calor e o sistema final de rejeição de calor da instalação.

Qualquer elo fraco eleva temperaturas ou limita a densidade dos racks. Os operadores podem ter de distribuir equipamentos por uma área maior, reduzir a potência dos processadores ou adiar a implantação enquanto atualizam o prédio.

A SK hynix tem interesse direto nessa transição. Seus produtos de memória de alta largura de banda ficam ao lado de aceleradores em encapsulamentos de computação densos. A HBM aumenta a largura de banda da memória ao empilhar matrizes de memória e conectá-las por caminhos verticais curtos.

Essa arquitetura ajuda a fornecer dados aos processadores com mais rapidez. No entanto, ela também concentra componentes e calor em uma área menor.

Em maio de 2026, a SK hynix anunciou uma abordagem integrada de refrigeração para futuros produtos HBM. A empresa afirmou que seu design térmico iHBM reduziu a resistência térmica do encapsulamento em 30% em seus testes.

Esse número continua sendo uma alegação da empresa, e os resultados comerciais dependerão dos produtos finais e dos projetos de sistema. Ainda assim, o anúncio mostra por que fornecedores de memória agora discutem refrigeração junto com largura de banda e capacidade.

O desempenho térmico está se tornando parte da arquitetura do produto. Ele não pode mais ser deixado inteiramente a cargo do fabricante de servidores ou do operador da instalação.

A demanda de energia dos data centers de IA cresce mais rápido que a rede elétrica

O problema central de energia não é simplesmente o consumo total. É fornecer grandes quantidades de eletricidade no local e no momento necessários.

A Agência Internacional de Energia estimou que os data centers consumiram cerca de 415 terawatts-hora de eletricidade em 2024. Isso representou aproximadamente 1,5% do consumo global de eletricidade.

Seu cenário-base projeta que o consumo dos data centers alcance cerca de 945 terawatts-hora em 2030. Isso colocaria o setor pouco abaixo de 3% do uso global de eletricidade.

A AIE espera que o consumo de servidores acelerados, principalmente associados à adoção de IA, cresça cerca de 30% ao ano até 2030. Esses servidores respondem por quase metade do aumento líquido projetado no consumo global de eletricidade por data centers.

Os números são significativos, mas sua localização cria o desafio operacional mais agudo. Data centers concentram cargas em territórios específicos de concessionárias, subestações e regiões de transmissão.

Uma frota de veículos elétricos distribui a demanda entre muitas residências e locais de recarga. Um campus de IA pode solicitar centenas de megawatts por meio de um pequeno número de conexões à rede.

A perspectiva de demanda de energia da AIE observa que um data center pode entrar em operação em dois ou três anos. Grandes infraestruturas de energia frequentemente exigem ciclos mais longos de planejamento e construção.

Essa diferença de tempo coloca concessionárias e desenvolvedores sob pressão. Empresas de tecnologia querem capacidade computacional enquanto a demanda permanece forte. As concessionárias precisam estudar os efeitos sobre a rede, adquirir transformadores, construir subestações e, às vezes, expandir a geração ou a transmissão.

Um campus planejado não é capacidade de IA utilizável até que a energia chegue aos servidores. Capacidade anunciada, capacidade contratada e capacidade energizada são medidas diferentes.

Os Estados Unidos ilustram a escala da incerteza. Um relatório do Departamento de Energia de 2024 estimou que os data centers usaram cerca de 4,4% da eletricidade nacional em 2023.

O relatório projetou que sua participação poderia chegar entre 6,7% e 12% até 2028. Essa faixa é incomumente ampla porque a adoção de IA, a eficiência do hardware, a utilização e os cronogramas de construção continuam difíceis de prever.

A estimativa energética dos EUA não significa que todas as instalações propostas receberão uma conexão. Ela mostra como diferentes cenários de implantação podem gerar resultados muito distintos para a rede elétrica.

A disponibilidade de energia, portanto, afeta onde sistemas de IA são construídos. Cargas de trabalho de treinamento podem, às vezes, ser deslocadas para regiões com eletricidade disponível porque nem sempre exigem proximidade imediata com os usuários finais.

A inferência em produção é menos flexível. Um serviço que atende fábricas, hospitais, sistemas financeiros ou aplicações interativas pode ter requisitos de latência, resiliência e residência de dados.

As empresas precisam equilibrar esses requisitos com a capacidade da rede local. Uma região com usuários, conectividade de fibra e terreno adequado ainda pode ser um local ruim para implantação se a eletricidade não chegar no prazo.

Essa pressão está mudando as compras. Empresas de tecnologia estão assinando contratos de longo prazo para energia renovável, apoiando a reativação de usinas nucleares, investindo em projetos avançados de energia geotérmica e considerando geração no local.

Essas ações podem aumentar a oferta, mas não eliminam a infraestrutura entre um gerador e um servidor. Linhas de transmissão, subestações, transformadores e sistemas elétricos internos continuam necessários.

A geração limpa também não fornece automaticamente energia constante em um campus específico. Os operadores ainda precisam de balanceamento da rede, armazenamento, geração firme ou outros recursos quando a produção eólica e solar muda.

O resultado é uma definição mais complexa de desempenho de IA. Um benchmark pode descrever com que rapidez um processador conclui uma carga de trabalho. Ele não pode garantir que um operador consiga alimentar milhares desses processadores no local desejado.

Um rack de 120 quilowatts muda a equação da refrigeração

A densidade de potência no nível do rack está forçando data centers de IA a substituir premissas baseadas apenas em ar por projetos térmicos assistidos por líquido.

Data centers tradicionais distribuem equipamentos de computação em racks que podem ser refrigerados pela movimentação de ar condicionado por ventiladores de servidores e sistemas em nível de sala. Essa abordagem continua prática para muitas cargas de trabalho corporativas e de nuvem.

Sistemas densos de aceleradores produzem um perfil térmico diferente. Eles colocam mais equipamentos de computação, memória, rede e hardware de energia dentro de cada rack.

A Nvidia lista o consumo aproximado de energia de seu sistema GB200 NVL72 em 120 quilowatts por rack. O rack combina 72 GPUs Blackwell com CPUs Grace e equipamentos de comutação NVLink.

Para comparação, muitos racks empresariais convencionais operam com uma fração dessa densidade. A diferença exata varia amplamente conforme a instalação e a carga de trabalho, portanto não existe um único número de rack tradicional aplicável em todos os casos.

A mudança importante é arquitetural. Um rack de 120 quilowatts concentra calor em uma pequena área e exige um caminho elétrico projetado para a mesma carga.

A Nvidia usa um sistema híbrido para o GB200 NVL72. Sua documentação descreve cerca de 85% de refrigeração líquida e 15% de refrigeração a ar.

O design de refrigeração em escala de rack da empresa envia líquido para placas frias acopladas aos principais componentes que produzem calor. O fluido refrigerante absorve o calor mais próximo de sua fonte do que o ar da sala conseguiria.

A refrigeração líquida direta ao chip não submerge o servidor inteiro. Ela faz o fluido refrigerante circular por placas frias seladas que mantêm contato térmico com processadores, componentes adjacentes à memória ou outros dispositivos quentes.

Uma unidade de distribuição de fluido refrigerante transfere calor entre o circuito dos equipamentos de tecnologia e o circuito de água da instalação. Bombas, coletores, sensores, controles e trocadores de calor mantêm o fluxo e a temperatura.

O líquido transporta mais calor por unidade de volume do que o ar. Isso o torna adequado para racks em que ventiladores por si só exigiriam fluxo de ar, espaço ou energia elétrica excessivos.

No entanto, a refrigeração líquida não é uma substituição universal para o ar. Os servidores ainda contêm componentes que precisam de fluxo de ar, e as instalações precisam remover o calor coletado do prédio.

Os operadores também assumem novos requisitos de engenharia. Eles precisam monitorar a química do fluido refrigerante, pressão, fluxo, integridade dos conectores, risco de condensação e detecção de vazamentos.

Os procedimentos de manutenção tornam-se mais complexos. Técnicos precisam de treinamento para sistemas de fluidos próximos a eletrônicos de alto valor. Operadores precisam decidir como isolar um rack, substituir uma bandeja ou realizar manutenção em uma bomba sem interromper o cluster.

O sistema de refrigeração também precisa corresponder à arquitetura de computação. Uma placa fria projetada para um encapsulamento de processador não pode automaticamente suportar todos os encapsulamentos futuros.

Temperaturas de alimentação e taxas de fluxo podem mudar entre gerações de hardware. Os planejadores de instalações precisam evitar construir um sistema térmico que se torne obsoleto quando o próximo rack chegar.

A adaptação de data centers existentes apresenta outro desafio. Um edifício mais antigo pode ter potência total suficiente, mas não dispor da tubulação, da capacidade de carga do piso, das dimensões de rack ou da capacidade de rejeição de calor exigidas por sistemas densos com refrigeração líquida.

Os operadores podem distribuir servidores aceleradores por mais racks, mas isso aumenta o comprimento dos cabos e a necessidade de espaço no piso. Também pode complicar as redes de alta velocidade, nas quais a distância física afeta a latência e a integridade do sinal.

Eles podem reduzir a potência dos processadores, mas isso diminui o desempenho. Podem instalar trocadores de calor na porta traseira ou sistemas de ar contido, embora essas abordagens ainda enfrentem limites com o aumento das densidades.

Novas construções oferecem maior flexibilidade. Os projetistas podem coordenar os sistemas elétricos e térmicos em torno das cargas de rack esperadas desde o início.

Isso não elimina a incerteza. Um edifício projetado hoje precisa suportar hardware entregue anos mais tarde, mesmo com mudanças contínuas na potência dos processadores, nas interfaces de refrigeração e na arquitetura dos clusters.

Potência Versus Desempenho É o Novo Trade-off de Infraestrutura

A competição já não é entre o máximo desempenho de um chip e um chip mais lento. É entre desempenho teórico e desempenho que pode ser efetivamente implantado.

Os fornecedores de hardware podem melhorar o desempenho adicionando transistores, largura de banda de memória e interconexões mais rápidas. Esses ganhos frequentemente aumentam a complexidade do pacote e a potência do sistema, mesmo quando o desempenho por watt melhora.

O desempenho por watt mede quanto trabalho computacional um sistema realiza para cada unidade de energia. Ele é essencial, mas não informa aos operadores se a demanda total cairá.

Hardware mais eficiente pode reduzir a energia necessária para uma tarefa. Custos menores podem então estimular mais tarefas, modelos maiores, processos de raciocínio mais longos e uma implantação mais ampla.

Esse efeito rebote explica por que ganhos de eficiência podem coexistir com o aumento do consumo de eletricidade. A demanda cresce mais rápido do que diminui a energia necessária para cada unidade de trabalho.

Os agentes de IA acrescentam outra variável. Um agente pode chamar um modelo repetidamente, recuperar documentos, usar ferramentas de software e avaliar resultados intermediários antes de produzir uma resposta.

Portanto, uma única ação do usuário pode acionar várias operações de inferência. Geração de vídeo, cargas de trabalho científicas e raciocínio estendido também podem exigir mais computação do que respostas curtas em texto.

Os operadores precisam de eficiência em vários níveis. O processador deve realizar cálculos de modo eficiente. A memória precisa alimentar o processador sem espera excessiva ou movimentação de dados.

As redes precisam coordenar dispositivos com atraso mínimo. O software precisa agendar tarefas e evitar que equipamentos fiquem ociosos enquanto continuam consumindo energia.

A planta de refrigeração precisa remover calor sem acrescentar sobrecarga excessiva. A instalação precisa converter e distribuir eletricidade de forma eficiente.

É por isso que a eficácia do uso de energia, ou PUE, não pode descrever todo o problema. O PUE compara o consumo total de eletricidade de uma instalação com a eletricidade usada por seus equipamentos de tecnologia.

Um PUE menor indica menos sobrecarga da instalação. Ele não revela se os processadores são bem utilizados, se o software agenda o trabalho com eficiência ou se um modelo usa mais computação do que o necessário.

Uma instalação pode ter um PUE excelente enquanto opera aceleradores pouco utilizados. Por outro lado, um PUE ligeiramente maior pode sustentar mais trabalho computacional útil se o sistema geral estiver mais bem ajustado à sua carga de trabalho.

A unidade relevante é o trabalho útil entregue dentro dos limites de potência, custo, latência e confiabilidade. Medir esse resultado continua difícil porque as empresas divulgam poucos dados padronizados sobre utilização de IA ou energia por carga de trabalho.

O enquadramento em nível de sistema da SK hynix é útil aqui. A largura de banda de memória pode manter os aceleradores em operação, mas uma largura de banda maior também afeta a potência e o calor do pacote.

Reduzir a movimentação de dados pode economizar energia porque as informações não percorrem repetidamente longos trajetos elétricos. Aproximar a memória da computação pode melhorar velocidade e eficiência, embora uma embalagem mais densa torne a remoção de calor mais difícil.

Esse é o trade-off central. Uma integração mais estreita melhora a movimentação de dados ao mesmo tempo que concentra a carga térmica.

A mesma tensão aparece na escala do rack. Sistemas de alta densidade encurtam caminhos de rede e colocam mais aceleradores dentro de um domínio fortemente conectado.

Eles também exigem alimentações elétricas maiores e circuitos de refrigeração mais capazes. Uma instalação que não consegue suportar o rack pode precisar de um projeto menos denso, perdendo algumas das vantagens de rede e espaço.

Os fornecedores de infraestrutura estão respondendo com arquiteturas de referência coordenadas. Fabricantes de chips trabalham com fabricantes de servidores, fornecedores de equipamentos elétricos e especialistas em refrigeração antes que um sistema chegue aos clientes.

Essa cooperação reduz o risco de integração, mas também pode restringir a escolha dos operadores. Um rack com especificações rigorosas pode exigir determinadas temperaturas de fluido refrigerante, prateleiras de energia, conectores e software de gerenciamento.

Os clientes obtêm um projeto validado, enquanto se tornam mais dependentes de uma cadeia específica de equipamentos. Alterar um componente pode exigir validação em todo o sistema.

Os provedores de nuvem têm vantagem porque podem coordenar servidores personalizados, redes, software e edifícios em grande escala. Operadores menores e empresas geralmente trabalham com instalações existentes e múltiplos fornecedores.

Eles enfrentam decisões de adaptação mais difíceis. Transferir uma carga de trabalho de IA para a nuvem pode evitar uma atualização da instalação local, mas introduz questões sobre custo operacional, controle de dados, latência e dependência de fornecedores.

Construir localmente oferece controle, mas exige capacidade elétrica, experiência em refrigeração e planejamento mais longo. A escolha correta depende das características da carga de trabalho, e não apenas das especificações do processador.

A Refrigeração Líquida Resolve a Transferência de Calor, Não Todas as Restrições

A tecnologia de refrigeração pode viabilizar computação mais densa, mas não cria capacidade na rede elétrica nem garante serviços de IA economicamente viáveis.

O entusiasmo em torno da refrigeração líquida às vezes comprime vários problemas em um só. O líquido transfere o calor dos chips com mais eficácia do que o ar, mas a eletricidade ainda precisa chegar ao rack.

O calor capturado ainda precisa ser rejeitado para o exterior, reutilizado ou transferido para outro lugar. Bombas e equipamentos de rejeição de calor ainda consomem energia.

O uso de água também depende do sistema completo. Um rack refrigerado a líquido pode operar em um circuito tecnológico fechado, enquanto a instalação usa torres de resfriamento evaporativo em outra parte.

Outra instalação pode usar resfriadores a seco que consomem menos água, mas exigem mais energia ou proporcionam menor eficiência de refrigeração durante períodos de calor. O clima e a disponibilidade local de água afetam o melhor projeto.

Afirmações de que a refrigeração líquida elimina o uso de água ou necessariamente consome mais água exigem contexto. A resposta depende dos circuitos de fluido refrigerante, dos equipamentos de rejeição de calor, das temperaturas operacionais, do clima e da geração de energia.

A confiabilidade exige cautela semelhante. Líquido próximo a componentes eletrônicos introduz preocupações com vazamentos, mas instalações convencionais refrigeradas a ar também contêm sistemas de água e equipamentos mecânicos.

A qualidade da engenharia, o monitoramento, o projeto dos componentes e a manutenção determinam o risco operacional. Um sistema de refrigeração mal gerenciado pode falhar independentemente do meio de transferência de calor.

Também não há garantia de que cada rack opere continuamente em sua potência nominal. Padrões de carga de trabalho, agendamento por software, disponibilidade de chips e demanda dos clientes determinam a utilização real.

Os projetistas ainda precisam de capacidade para os picos esperados. Superdimensionar cada parte da instalação para um pico que raramente ocorre pode elevar os custos de capital e reduzir a eficiência em cargas menores.

O subdimensionamento cria o problema oposto. A instalação pode possuir aceleradores caros que não conseguem operar simultaneamente em desempenho máximo.

Essas incertezas complicam as decisões de investimento. A IEA modela explicitamente vários cenários de demanda porque a adoção de IA, a eficiência e os gargalos de infraestrutura podem direcionar o consumo em diferentes sentidos.

Seu cenário de alta eficiência mostra como melhorias em hardware, software e instalações podem reduzir o uso de eletricidade enquanto fornecem os mesmos serviços digitais. Seus cenários de maior crescimento refletem uma adoção mais rápida e menos restrições de oferta.

Nenhum dos resultados é garantido. As empresas estão assumindo grandes compromissos de infraestrutura antes de saberem a receita de longo prazo gerada por cada carga de trabalho de IA.

Isso cria o risco de capacidade ociosa. Uma instalação otimizada para um formato de rack ou padrão de refrigeração pode exigir mudanças caras se os projetos de hardware mudarem.

O risco inverso também é real. Esperar que os padrões se estabilizem pode deixar os operadores sem capacidade quando os clientes precisarem dela.

A SK hynix enfrenta sua própria incerteza. A empresa se beneficia se a demanda por HBM e sistemas densos de IA continuar crescendo. Sua análise pública, portanto, vem de um participante da cadeia de suprimentos, e não de um observador neutro.

Sua conclusão deve ser avaliada em relação a dados medidos de implantação. Evidências úteis incluiriam utilização real de racks, trabalho computacional entregue, energia de refrigeração, temperaturas dos componentes, tempo de inatividade e custos totais da instalação.

O argumento físico continua sólido mesmo se a demanda crescer mais lentamente. Limites elétricos e térmicos determinam o que qualquer sistema instalado consegue sustentar.

O que permanece incerto é a quantidade de infraestrutura de que o mercado precisará, onde ela será construída e se a receita dos serviços de IA justificará o investimento.

Três Sinais Mostrarão se o Gargalo Está Diminuindo

A próxima fase será medida pela capacidade energizada, pelos dados operacionais de refrigeração e pela eficiência sob cargas de trabalho reais.

O primeiro sinal é a diferença entre projetos de data centers anunciados e instalações que recebem conexões firmes à rede elétrica. Anúncios de construção mostram a ambição dos desenvolvedores, mas megawatts energizados revelam a capacidade que pode ser implantada.

Observe os prazos de interconexão das concessionárias, a disponibilidade de transformadores, a construção de subestações e os atrasos nos projetos. Prazos mais curtos sustentariam a visão de que o fornecimento de energia está alcançando o investimento em IA.

Atrasos persistentes reforçariam a conclusão oposta. Eles mostrariam que a produção de processadores pode expandir mais rapidamente do que a infraestrutura necessária para usar esses processadores.

O segundo sinal são os dados operacionais de racks densos refrigerados a líquido. Os fornecedores já publicam especificações de projeto, mas os operadores precisam de evidências de cargas de trabalho de produção sustentadas.

As métricas relevantes incluem temperaturas do fluido refrigerante, energia de bombeamento, tempo de atividade do rack, requisitos de manutenção, taxas de falha dos componentes e produção computacional por unidade de potência da instalação.

Uma maior padronização também seria importante. Conectores, interfaces térmicas e faixas operacionais comuns poderiam reduzir os custos de integração e facilitar atualizações de hardware.

Requisitos fragmentados desacelerariam a adoção, especialmente em instalações de colocation que precisam suportar equipamentos de muitos clientes e fornecedores.

O terceiro sinal é se a demanda por serviços de IA cresce mais rapidamente do que a eficiência. A IEA espera uma melhoria substancial na energia necessária para tarefas individuais, mas o consumo total depende do volume de uso e da complexidade das cargas de trabalho.

Uma inferência mais eficiente aliviará a pressão sobre a infraestrutura apenas se a demanda computacional crescer em um ritmo administrável. Agentes, geração de vídeo e cargas de trabalho de raciocínio mais longas podem absorver esses ganhos.

Divulgação padronizada ajudaria clientes e formuladores de políticas a separar o crescimento computacional útil do desperdício evitável. Atualmente, as empresas relatam energia e emissões em níveis organizacionais amplos, o que torna difícil avaliar serviços individuais de IA.

A perspectiva global de eletricidade projeta que o consumo dos data centers mais do que dobrará até 2030. Essa previsão não é destino, mas estabelece a escala do desafio de planejamento.

A análise da SK hynix sobre infraestrutura de IA aponta para a questão física certa. O próximo limite não é apenas quantos aceleradores os fabricantes conseguem produzir. É quantos os operadores conseguem alimentar, resfriar, conectar e utilizar de forma eficaz.

Desenvolvedores e compradores empresariais devem agora perguntar onde sua capacidade de IA é executada, com que eficiência utiliza aceleradores e o que acontece quando a demanda aumenta. As equipes de compras devem avaliar a prontidão elétrica e de resfriamento juntamente com o desempenho de processadores, memória e modelos.

O benchmark mais importante talvez já não caiba em uma ficha de especificações de chip. Ele é a quantidade de trabalho de IA confiável que uma instalação inteira consegue entregar por cada megawatt limitado.