SK hynix Afirma que os data centers de IA estão superando o projeto centrado apenas em GPUs
A SK hynix chegou ao Google News com um argumento direto: os data centers de IA já não são definidos pela simples adição de mais GPUs a salas de servidores convencionais.
O artigo de infraestrutura da empresa, publicado em 11 de agosto, descreve uma mudança arquitetônica mais ampla dentro dessas instalações. Largura de banda de memória, capacidade de armazenamento, redes, refrigeração e eletricidade agora limitam o desempenho útil da IA tanto quanto os processadores.
Essa mudança contrapõe o conhecido projeto centrado em GPUs a uma abordagem de nível de sistema. A NVIDIA continua central para a computação acelerada, mas seus mais novos sistemas em rack também mostram por que os processadores não podem avançar sozinhos. A infraestrutura ao redor precisa alimentá-los, conectá-los, resfriá-los e fornecer energia.
A SK hynix tem um claro interesse comercial nessa interpretação. Ela vende memória de alta largura de banda, DRAM para servidores e unidades de estado sólido corporativas. Esses produtos ganham valor estratégico quando o movimento de dados se torna o fator limitante.
Ainda assim, a pressão subjacente vai além do marketing de um único fornecedor. A inferência de IA está gerando contexto persistente, conjuntos de dados de trabalho maiores e transferências de dados mais frequentes. Ao mesmo tempo, racks densos de aceleradores estão forçando operadores a redesenhar sistemas elétricos e de refrigeração.
Portanto, a história importante não é outro lançamento de componente. É a transformação do data center de uma coleção de servidores em um sistema de computação coordenado.
A história no Google News sinaliza uma mudança mais ampla na infraestrutura
A mudança dentro dos data centers de IA é arquitetônica, não cosmética.
A série sobre infraestrutura da SK hynix posiciona memória e armazenamento perto do centro do projeto de sistemas de IA. Esse enquadramento difere da narrativa pública anterior, que frequentemente tratava as GPUs como toda a história da infraestrutura.
Os aceleradores executam os cálculos matriciais por trás do treinamento e da inferência de modelos. No entanto, eles não conseguem permanecer produtivos se o sistema não fornecer dados em velocidade compatível.
A memória de alta largura de banda, ou HBM, é uma DRAM empilhada posicionada perto de um acelerador para transferências rápidas de dados. Ela reduz o tempo que os processadores passam aguardando parâmetros do modelo e resultados intermediários.
A memória do sistema atende a uma camada diferente. Ela dá suporte a CPUs, processos operacionais, preparação de dados e cargas de trabalho que não podem permanecer dentro da escassa capacidade de HBM.
SSDs corporativos fornecem armazenamento persistente para arquivos de modelos, dados de treinamento, embeddings, contexto em cache e resultados gerados. Eles oferecem maior capacidade do que a memória localizada ao lado do processador, embora com maior latência de acesso.
Essas camadas formam uma hierarquia de memória. Informações necessárias com frequência permanecem perto da computação, enquanto conjuntos de dados maiores ou menos ativos são movidos para armazenamento de menor custo.
As cargas de trabalho de IA tornam mais importante a coordenação entre essa hierarquia. Um sistema pode conter aceleradores rápidos e ainda desperdiçar sua capacidade se os dados chegarem devagar demais.
Esse desafio costuma ser chamado de muro da memória. O termo descreve a crescente lacuna entre a capacidade dos processadores e a velocidade com que a memória consegue fornecer dados.
O argumento da SK hynix é sustentado pela direção de seu portfólio de produtos. Sua recente visão geral de memória para IA abrange HBM, memória para servidores e armazenamento baseado em NAND, em vez de um único componente principal.
A empresa afirma que a HBM4 usa 2.048 conexões de entrada e saída. Também alega ter 2,54 vezes a largura de banda da geração anterior e mais de 40% melhor eficiência energética.
Esses números continuam sendo alegações do fornecedor, a menos que sejam validados em sistemas de clientes implantados. Ainda assim, mostram o que os desenvolvedores de memória estão otimizando: largura de banda, uso de energia, capacidade e integração com aceleradores.
O armazenamento está mudando por razões semelhantes. A SK hynix apresentou SSDs corporativos projetados para servidores densos, alta capacidade e refrigeração líquida direta.
Um exemplo é sua unidade PEB210 E1.S, que oferece suporte à refrigeração líquida direta. O projeto físico importa porque o armazenamento precisa operar dentro de racks que geram muito mais calor do que os servidores corporativos tradicionais.
Outro produto, o PS1101 E3.S, usa NAND de células de quatro níveis e oferece capacidades de até 122 terabytes. A NAND de células de quatro níveis armazena quatro bits de dados em cada célula, aumentando a densidade enquanto introduz compromissos de desempenho e durabilidade.
Esses produtos não tornam, por si só, o data center “pronto para IA”. Eles mostram como cada camada está sendo redesenhada em torno de maior densidade e movimento sustentado de dados.
A listagem no Google News é, portanto, útil como sinal, embora a palavra-chave seja mais ampla do que esta única história. Fornecedores de componentes agora se apresentam como parceiros de arquitetura porque os clientes precisam de sistemas coordenados.
Essa é a primeira grande mudança. A unidade de competição está se expandindo do chip individual para o rack, a instalação e a conexão elétrica.
Por que a inferência de IA muda a combinação de hardware
O treinamento criou o primeiro salto na demanda, mas a inferência amplia a pressão por todo o caminho dos dados.
O treinamento constrói um modelo processando grandes conjuntos de dados e ajustando parâmetros internos. Ele exige clusters densos, comunicação rápida entre aceleradores e capacidade substancial de HBM.
A inferência ocorre sempre que um modelo treinado responde a uma solicitação. Ela pode funcionar continuamente em buscas, programação, atendimento ao cliente, criação de conteúdo e agentes de software autônomos.
Esse padrão operacional altera a economia da infraestrutura. Trabalhos de treinamento podem ser agendados em grandes lotes, mas a inferência em produção frequentemente precisa responder dentro de metas rígidas de latência.
Sistemas de raciocínio acrescentam outra carga. Eles podem gerar e avaliar muitos tokens intermediários antes de entregar uma resposta, aumentando a computação e o tráfego de memória de cada solicitação.
Aplicações de contexto longo também precisam reter mais informações. Um sistema pode precisar acessar histórico de conversas, documentos, resultados de ferramentas, permissões e estado da aplicação durante uma interação.
Manter todas essas informações em HBM é impraticável. A HBM oferece largura de banda excepcional, mas sua capacidade é limitada e fortemente vinculada a pacotes de aceleradores caros.
Por isso, os operadores precisam de camadas adicionais de memória e armazenamento. Essas camadas devem oferecer tempos de resposta aceitáveis sem consumir os mesmos recursos da memória adjacente ao acelerador.
Os sistemas em rack da NVIDIA tornam essa mudança de nível de sistema visível. O GB200 NVL72 da empresa conecta 72 GPUs Blackwell e 36 CPUs Grace por meio de um grande domínio NVLink.
NVLink é a interconexão de alta velocidade da NVIDIA para mover dados entre processadores. Nessa configuração, ela ajuda o rack a operar mais como um recurso de computação coordenado.
A NVIDIA também usa refrigeração líquida no GB200 NVL72. O projeto reflete uma simples restrição física: processadores densos produzem mais calor do que sistemas convencionais de ar conseguem remover com eficiência.
A arquitetura de referência GB300 mais recente amplia ainda mais essas exigências. A documentação da NVIDIA descreve um rack com 72 GPUs Blackwell Ultra, 36 CPUs Grace e nove bandejas NVSwitch.
A mesma documentação atribui ao rack completo uma demanda máxima de 142 quilowatts. Esse número cobre um rack, não uma instalação inteira.
Cada bandeja de computação também inclui armazenamento NVMe local. NVMe é um protocolo que dá ao armazenamento de estado sólido acesso rápido por meio de conexões PCI Express.
O flash local pode atender software operacional, caches e dados acessados repetidamente. Ele reduz parte do tráfego para o armazenamento remoto, embora não elimine sistemas de dados compartilhados.
É por isso que a narrativa centrada apenas em GPUs já não explica a infraestrutura de IA. O acelerador está inserido em uma rede de memória, armazenamento, redes, refrigeração e equipamentos de energia.
Um gargalo em qualquer camada reduz o valor das demais. GPUs subutilizadas são especialmente caras porque os operadores continuam pagando por sua aquisição, instalação e eletricidade.
A inferência de IA também aumenta a importância de desempenho previsível. Um atraso no armazenamento ou uma pausa na rede pode se transformar em um atraso visível na aplicação quando milhares de usuários solicitam respostas simultaneamente.
Profissionais do conhecimento podem perceber esse problema como recuperação lenta ou contexto incompleto. Desenvolvedores veem timeouts, taxa de processamento de tokens instável e custos de atendimento crescentes.
A causa física pode estar muito abaixo da aplicação. Equipes de software não conseguem compensar plenamente largura de banda restrita, equipamentos superaquecidos ou capacidade de rede elétrica indisponível.
A SK hynix se beneficia quando os clientes reconhecem essas dependências. No entanto, o mecanismo mais amplo não é exclusivo de seu portfólio.
Samsung, Micron, Solidigm, Kioxia e outros fornecedores de memória ou armazenamento enfrentam a mesma oportunidade. Eles também sofrem pressão para otimizar produtos para aceleradores e cargas de trabalho específicos.
O mercado está migrando de componentes padronizados para maior codesign. Codesign significa que os fornecedores ajustam chips, encapsulamento, refrigeração e software em torno de um objetivo comum de sistema.
Essa abordagem pode melhorar a eficiência, mas cria novas dependências. Os clientes podem ganhar desempenho enquanto perdem flexibilidade entre plataformas de hardware.
A verdadeira disputa é escala de GPU versus equilíbrio do sistema
Os operadores de IA agora precisam escolher entre maximizar a computação exibida nas manchetes e equilibrar a infraestrutura que mantém a computação ocupada.
O conflito principal não é SK hynix contra NVIDIA. As duas empresas ocupam partes complementares da mesma cadeia de suprimentos.
O mapa de concorrência relevante é escala de GPU versus equilíbrio do sistema. Uma rota prioriza adicionar capacidade de aceleradores, enquanto a outra otimiza o fluxo completo de dados e energia.
A escala de GPU continua atraente porque produz uma métrica clara de compra. Mais aceleradores podem aumentar a capacidade do modelo, a velocidade de treinamento ou a taxa de processamento de inferência quando os recursos de suporte acompanham o ritmo.
O equilíbrio do sistema é mais difícil de medir. Ele exige decisões específicas para cada carga de trabalho sobre capacidade de memória, posicionamento do armazenamento, topologia de rede, refrigeração e projeto elétrico.
Essa complexidade incentiva os compradores a se concentrarem em contagens visíveis de processadores. No entanto, um rack com mais GPUs não é automaticamente um rack mais produtivo.
A utilização é a distinção crucial. Um acelerador aguardando dados, sincronização de rede ou recuperação térmica ainda consome capital sem produzir uma saída proporcional.
A largura de banda de memória afeta a rapidez com que os parâmetros chegam aos processadores. A largura de banda da rede determina a eficiência com que os processadores cooperam entre nós e racks.
A taxa de transferência do armazenamento influencia o carregamento de modelos, checkpointing, recuperação e cache de contexto. A refrigeração determina se o equipamento consegue sustentar seu desempenho nominal.
A disponibilidade de energia determina se o rack pode operar de fato. Essas camadas criam uma cadeia cujo ponto mais fraco pode definir a produção do sistema.
A SK hynix chama sua resposta de uma estratégia completa de memória para IA. A empresa reúne HBM, DRAM voltada à IA e armazenamento baseado em NAND em um portfólio coordenado.
Essa estratégia está alinhada à sua posição comercial, portanto os leitores devem distinguir produtos de evidências. Um portfólio amplo não garante que todos os clientes precisem de um fornecedor em todas as camadas de memória.
Os clientes avaliarão taxas de falha, compatibilidade de software, durabilidade, garantia de fornecimento e uso total de energia. Também compararão produtos sob cargas de trabalho reais, e não apenas especificações isoladas.
Ainda assim, a abordagem de portfólio revela uma mudança nas relações entre fornecedores. Produtores de memória querem acesso mais cedo a roadmaps de aceleradores, especificações de refrigeração e requisitos das cargas de trabalho dos clientes.
A SK hynix discutiu HBM personalizado, que ajusta elementos como o die base e o encapsulamento para processadores específicos. O die base gerencia a comunicação entre a memória empilhada e o sistema anfitrião.
A personalização pode aumentar o desempenho aproveitável. Também pode alongar os ciclos de desenvolvimento e vincular os produtos mais estreitamente a um pequeno número de grandes clientes.
O armazenamento empresarial passa por sua própria especialização. A capacidade continua importante, mas densidade, compatibilidade com resfriamento, consistência de latência e consumo de energia agora moldam as decisões de compra.
Uma unidade instalada em um rack de IA com resfriamento líquido enfrenta requisitos diferentes do armazenamento em um servidor convencional com resfriamento a ar. Dimensões mecânicas e comportamento térmico tornam-se escolhas arquiteturais.
Isso cria pressão em todo o mercado de fornecedores. Os fabricantes de memória precisam entregar produtos mais rápidos, ao mesmo tempo em que melhoram a eficiência e oferecem suporte a projetos mais específicos para cada cliente.
Os fabricantes de servidores precisam integrar processadores, memória, redes, armazenamento e resfriamento sem criar complexidade operacional. Os operadores de data centers precisam oferecer suporte a racks que superam as premissas de instalações mais antigas.
Os provedores de nuvem enfrentam um problema adicional. Eles precisam transformar sistemas físicos complexos em serviços confiáveis que os clientes possam consumir sem gerenciar cada componente.
Os desenvolvedores de software também herdam as consequências. Decisões sobre arquitetura de modelos, quantização, cache, recuperação e processamento em lote determinam quanta pressão chega à memória e ao armazenamento.
A quantização reduz a precisão usada para representar valores do modelo. Ela pode diminuir o uso de memória e aumentar a capacidade de processamento, embora configurações agressivas possam afetar a qualidade do modelo.
O cache armazena computações ou contexto reutilizáveis. Ele reduz trabalho repetido, mas cria decisões adicionais sobre posicionamento, retenção, segurança e invalidação.
Essas técnicas podem melhorar a eficiência da infraestrutura, mas não eliminam os limites físicos. Ganhos de eficiência frequentemente incentivam mais uso, o que pode restaurar a demanda total.
Portanto, a abordagem de equilíbrio do sistema não promete menor consumo absoluto. Ela promete mais trabalho útil a partir de equipamentos e energia limitados.
Essa distinção importa para leitores do Google News que se deparam com alegações sobre hardware de IA eficiente. Melhor desempenho por watt pode coexistir com uma demanda total crescente de eletricidade.
Energia e Resfriamento Impõem os Limites Mais Rígidos
A memória pode reduzir gargalos de dados, mas não pode resolver escassez de eletricidade, transformadores, equipamentos de resfriamento ou conexões à rede elétrica.
A Agência Internacional de Energia estima que o consumo global de eletricidade dos data centers chegará a cerca de 945 terawatts-hora em 2030. Isso é mais que o dobro do nível atual em seu cenário-base.
A IA é o maior impulsionador desse aumento, ao lado da demanda contínua por outros serviços digitais. Servidores acelerados respondem por quase metade do crescimento líquido projetado.
A IEA também espera que os data centers representem quase metade do crescimento da demanda de eletricidade dos Estados Unidos até 2030. Sua concentração local torna o desafio maior do que sua porcentagem global sugere.
Uma instalação não pode simplesmente solicitar mais energia quando projetos de transmissão e geração levam anos. Conexões à rede elétrica, transformadores, licenças e oposição local podem atrasar a implantação.
A agência estima que cerca de 20 por cento dos projetos planejados de data centers correm risco de atraso, a menos que os problemas de integração sejam resolvidos. Seu panorama energético coloca o cronograma da infraestrutura no centro do crescimento da IA.
Uma análise atualizada de 2026 acrescenta outro alerta. Ela afirma que o uso de eletricidade pelos data centers aumentou 17 por cento durante 2025, enquanto as instalações voltadas à IA cresceram mais rapidamente.
A mesma análise afirma que os gastos de capital de cinco grandes empresas de tecnologia ultrapassaram 400 bilhões de dólares em 2025. Ela projeta outro aumento de 75 por cento durante 2026.
Esses números ilustram a escala do investimento, mas os gastos não garantem capacidade concluída. Fornecimento de equipamentos, financiamento, licenças e acesso à rede elétrica continuam sendo restrições distintas.
O resfriamento está intimamente ligado ao problema de energia. A eletricidade consumida pelos processadores acaba se transformando em calor que precisa sair do equipamento.
O resfriamento a ar continua útil para muitas instalações. No entanto, racks de aceleradores extremamente densos usam cada vez mais líquido para transferir calor de forma mais eficaz.
O resfriamento líquido direto aproxima o fluido refrigerante dos componentes de alta geração de calor. Ele pode suportar equipamentos mais densos, mas exige bombas, coletores, trocadores de calor, controles e sistemas de gerenciamento de vazamentos.
A documentação atual de racks da NVIDIA inclui detecção de vazamentos no nível de bandeja e de rack. Esse detalhe mostra que o resfriamento líquido está se tornando parte da plataforma de computação, e não um acessório opcional da instalação.
Os fornecedores de armazenamento também precisam se adaptar. Unidades instaladas em racks densos precisam de formatos, materiais, monitoramento e especificações térmicas adequados.
Essa transição traz risco prático. Muitos data centers existentes foram projetados para uma densidade de rack substancialmente menor e não podem receber novos sistemas sem atualizações caras.
Os operadores podem precisar de nova distribuição de energia, tubulações, layouts de piso e equipamentos de rejeição de calor. Os cronogramas de construção podem reduzir o benefício de receber processadores mais novos mais cedo.
O uso de água também varia conforme o projeto de resfriamento e a localização. Um sistema pode reduzir a eletricidade usada para resfriamento enquanto pressiona os recursos hídricos locais.
Portanto, alegações sobre desempenho ambiental exigem medição do sistema completo. O desempenho por watt no chip não captura a construção da instalação, o resfriamento, a água ou a geração de eletricidade.
A IEA espera que a energia renovável atenda a cerca de metade do crescimento da demanda de eletricidade dos data centers até 2035. A geração a gás natural e nuclear também desempenha papéis significativos em sua previsão.
Essa oferta mista complica narrativas simples de sustentabilidade. As emissões dependem da localização da instalação, dos horários de operação, dos contratos e da geração que atende fisicamente a rede.
Outra incerteza é a própria demanda. A eficiência do hardware pode reduzir a energia necessária para uma tarefa, mas custos menores podem incentivar muito mais tarefas.
Agentes de IA intensificam essa possibilidade. Um agente pode emitir muitas chamadas de modelo, buscas, operações de recuperação e solicitações de ferramentas ao concluir um objetivo do usuário.
O resultado é um efeito rebote. Cada operação se torna mais barata, mas o consumo total de infraestrutura aumenta porque o software executa mais operações.
A SK hynix pode melhorar a largura de banda da memória ou a densidade de armazenamento. Ela não pode determinar a eficiência com que os clientes projetam modelos, programam cargas de trabalho ou selecionam fontes de energia.
Esse é o ângulo cético essencial. Melhorias de componentes sustentam sistemas melhores, mas as especificações dos fornecedores não comprovam economia no nível da instalação.
Medições independentes precisam demonstrar utilização sustentada, energia por tarefa útil, taxas de falha e sobrecarga de resfriamento. Sem esses resultados, a eficiência continua sendo uma alegação qualificada.
O Que os Leitores do Google News Devem Observar a Seguir
Três sinais mostrarão se a infraestrutura centrada em memória está se tornando um modelo operacional, em vez de uma narrativa de fornecedores.
O primeiro sinal é a evidência de implantação de sistemas de rack com resfriamento líquido. Os compradores devem observar dados de utilização, disponibilidade, energia e serviço de instalações GB200 e GB300 em produção.
Implantações bem-sucedidas reforçariam o argumento do equilíbrio do sistema. Elas mostrariam que computação, memória, redes, armazenamento e resfriamento fortemente integrados podem operar de forma confiável em escala.
Atrasos repetidos ou problemas de manutenção o enfraqueceriam. Eles sugeririam que a integração no nível de rack está avançando mais rapidamente do que as operações das instalações conseguem suportar.
O segundo sinal é a adoção de memória e armazenamento de próxima geração. A qualificação do HBM4, os envios de SSDs empresariais e os projetos de memória específicos para clientes revelarão onde os operadores estão investindo além das GPUs.
A SK hynix já posicionou HBM4, DRAM para servidores e SSDs empresariais de alta capacidade como partes de uma única pilha de infraestrutura de IA. A adoção comercial precisa validar esse posicionamento.
Observe se os clientes divulgam benefícios no nível da carga de trabalho. Métricas úteis incluem utilização de aceleradores, latência de inferência, energia de armazenamento e capacidade de processamento sob demanda sustentada.
Recordes isolados de largura de banda são menos informativos. Eles não mostram como o sistema completo se comporta quando redes, resfriamento e aplicações competem por recursos.
Uma adoção ampla reforçaria a visão de que a infraestrutura de IA está se tornando centrada em memória. Uma adoção limitada sugeriria que as GPUs ainda capturam a maior parte da prioridade de compra.
O terceiro sinal é a relação entre a construção de data centers e a eletricidade disponível. Filas para conexão à rede elétrica, oferta de transformadores, atrasos de projetos e acordos corporativos de energia merecem atenção especial.
A avaliação de 2026 da IEA afirma que gargalos físicos de curto prazo já estão limitando a expansão. Isso torna a disponibilidade de energia um teste direto de todas as previsões de hardware.
Aprovações mais rápidas da rede e fornecimento firme de energia reforçariam a expansão esperada da infraestrutura. Mais atrasos deslocariam a atenção da disponibilidade de chips para os locais onde os sistemas podem operar fisicamente.
Esses sinais importam para além dos investidores em semicondutores. Os desenvolvedores os sentirão por meio do acesso a aceleradores, dos preços de inferência, da latência e da disponibilidade regional de serviços.
Compradores empresariais devem pedir aos fornecedores evidências no nível da carga de trabalho. Um benchmark de processador não pode revelar atrasos de recuperação, custos de armazenamento de contexto ou a confiabilidade de um serviço completo de produção.
Profissionais do conhecimento devem esperar que o projeto da infraestrutura molde o comportamento dos produtos. Contexto mais longo, respostas mais rápidas e agentes mais persistentes exigem memória e armazenamento coordenados por trás da interface.
A cobertura do Google News pode fazer cada novo componente parecer um marco isolado. A pergunta mais útil é se esse componente remove o gargalo ativo do sistema.
A SK hynix está certa ao dizer que os data centers de IA estão mudando de dentro para fora. Ainda assim, os vencedores não serão escolhidos apenas pela largura de banda da memória, capacidade de armazenamento ou quantidade de GPUs.
Eles serão escolhidos pela eficiência com que o sistema completo converte eletricidade e dados em trabalho de IA confiável. Ao longo dos próximos meses, acompanhe juntos o desempenho dos racks implantados, a adoção de memória e o acesso à rede elétrica.
