NVIDIA defende viabilidade financeira de infraestrutura de IA em escala de gigawatts

A economia da infraestrutura de IA multimegawatt

Com os data centers modernos de IA escalando para capacidades de megawatts e gigawatts, expandir a capacidade computacional transformou-se em um empreendimento com necessidade imensa de capital. Cada megawatt de capacidade dessas estruturas custa aproximadamente US$ 60 milhões, pressionando os operadores a justificar os investimentos por meio do retorno sobre o investimento (ROI) de longo prazo. Em 1º de outubro, a NVIDIA delineou uma estrutura financeira detalhada para o que chama de "fábricas de IA", argumentando que os retornos comerciais dependem de três variáveis interdependentes: capacidade de geração de receita, vida útil do hardware e fungibilidade de cargas de trabalho.

De acordo com a NVIDIA, a lucratividade do hardware não pode depender unicamente de picos de velocidade máxima ou de demandas pontuais no curto prazo. Em vez disso, uma infraestrutura sustentável precisa maximizar a entrega dentro de limites fixos de energia, manter o valor no mercado secundário ao longo de ciclos plurianuais de depreciação e executar tanto cargas de trabalho de IA quanto tradicionais por meio de uma pilha de software unificada. A empresa publicou esse framework antes da apresentação de abertura do fundador e CEO Jensen Huang no GTC Berlin, agendada para 21 de outubro, às 11h CEST.

Benchmarks, longevidade da frota e dados de implementação corporativa

No centro da capacidade de gerar receita está a eficiência energética, uma vez que a eletricidade disponível continua sendo o teto operacional para hyperscalers e provedores de nuvem. Citando dados da SemiAnalysis AgentX, a NVIDIA destacou que seus futuros sistemas Vera Rubin NVL72 alcançam um rendimento (throughput) por megawatt mais de 30 vezes maior que os sistemas GB300 NVL72, acompanhado por uma redução de até 45 vezes no custo por milhão de tokens ao executar o modelo DeepSeek V4 Pro. A empresa também apontou para a análise da AgentX que avaliou o desempenho do GB300 NVL72 no modelo GLM 5.3.

Contraponto as preocupações de que avanços geracionais rápidos tornem os chips antigos obsoletos rapidamente, a NVIDIA apresentou dados mostrando que frotas de data centers mantêm utilidade muito além de seus horizontes contábeis originais:

• Vida útil estendida: a GPU A100 da NVIDIA, lançada em 2020, continua em operação comercial ativa seis anos depois. O provedor de nuvem CoreWeave estendeu recentemente as reservas de clientes para hardwares implementados inicialmente em 2020 até 2029.

• Valores secundários e contratos: avaliações independentes da Barkr estimam a vida econômica útil de um sistema H100 de oito GPUs entre cinco e seis anos, enquanto projetam de nove a 10 anos para o GB300 NVL72 com base na dinâmica de revenda de equipamentos. A Silicon Data constatou que processadores A100 de seis anos ainda alcançam 25% do seu preço de aquisição original, apesar dos cronogramas contábeis padrões de depreciação de cinco anos os zerarem contabilmente. Métricas de mercado da Ornn Data indicam que contratos de aluguel de cinco anos para sistemas A100 retêm 80% do valor registrado em contratos de curto prazo de um mês.

• Cronogramas de depreciação: um relatório de setembro de 2026 da Sprout, intitulado "The Productive Life of a Data Center GPU", observou que os principais operadores de nuvem adiaram sistematicamente seus prazos de depreciação de servidores. Em um exemplo histórico, a Microsoft operou seus clusters NVIDIA V100 por 8,4 anos, contra uma vida contábil prevista de seis anos.

A NVIDIA atribui essa longevidade à retrocompatibilidade de seu ecossistema CUDA, apoiado por mais de 1.000 bibliotecas CUDA-X e 10 milhões de desenvolvedores. Como os novos padrões algorítmicos rodam no silício já existente, os operadores evitam ativos ociosos ou obsoletos.

Implementações atuais refletem essa ampla utilidade do hardware:

• A Eli Lilly opera um cluster on-premises de 1.016 GPUs para modelagem de pequenas moléculas, proteínas e genômica, além de assistentes agênticos internos.

• O Pinterest executa pós-treinamento e inferência para modelos de visão e linguagem em uma infraestrutura em nuvem de 14.000 GPUs, mesclando as arquiteturas NVIDIA Blackwell, Hopper e legadas.

• O Revolut utiliza a biblioteca cuDF para processar bilhões de registros bancários antes de treinar e implementar modelos de fundação.

• A Runway divide seu pipeline entre gerações, treinando modelos de mundos para vídeo em sistemas Hopper e executando a inferência em tempo real para usuários em Blackwell.

• A Texas A&M University mantém uma taxa de utilização entre 95% e 98% em 26 iniciativas de pesquisa, utilizando clusters de supercomputação para descoberta de medicamentos e simulações moleculares.

• Fora do núcleo de aprendizado de máquina, a Dassault Systèmes aplica aceleração por GPU a simulações de gêmeos digitais para certificação de aeronaves na Wichita State e engenharia veicular na Lucid Motors, enquanto a gigante de bens de consumo Unilever reduziu custos de produção de marketing em 50% ao gerar recursos visuais de produtos inteiramente por meio de gêmeos digitais.

Limites energéticos impulsionam a busca por fungibilidade do hardware

O argumento financeiro delineado pela NVIDIA reflete uma transformação mais ampla no setor de data centers, onde o acesso à rede elétrica — e não o espaço físico ou a disponibilidade de racks de servidores — dita o crescimento operacional. Sob rígidos limites de megawatts, os operadores precisam extrair mais receita por unidade de eletricidade, enquanto se protegem contra mudanças repentinas nas arquiteturas de modelos.

A NVIDIA argumenta que baratear os tokens expande a demanda agregada em vez de contê-la, já que custos de inferência mais baixos abrem caminho para novas aplicações corporativas e de consumo. Ao posicionar suas GPUs programáveis e a pilha CUDA contra ASICs dedicados e customizados, a empresa aposta que os construtores de data centers priorizarão sistemas flexíveis, capazes de alternar entre treinamento, inferência e computação paralela corporativa geral ao longo de quase uma década.