Um data center é um edifício equipado para operar computadores permanentemente. Inteligência artificial mobiliza processadores, memória e redes rápidas, tanto para aprender e responder aos usuários. Por trás de uma conversa num telefone, temos de ligar estas máquinas, mover dados e evacuar o calor. Isto é o que realmente acontece entre uma pergunta e sua resposta.
Quando um usuário pede a uma IA para resumir um documento, seu telefone pode servir principalmente como tela e ponto de acesso. Em um serviço hospedado remoto, a requisição junta servidores. Eles executam o modelo e retornam o resultado. Esses servidores estão localizados em um ou mais centros de dados, geralmente referidos como « centro de dados ».
O edifício conta tanto quanto os computadores que ele abriga. Um chip poderoso torna-se inutilizável se falta energia, superaquece ou espera por informações em uma rede saturada. A capacidade real de um datacenter, portanto, depende de toda a cadeia. Acumular aceleradores caros não é suficiente para produzir um serviço rápido e confiável.
Um data center reúne cálculo, armazenamento e rede
Dentro, os servidores muitas vezes assumem a forma de gabinetes empilhados em armários chamados baías, ou racks. Cada máquina combina processadores, memória e interfaces de rede. Alguns executam aplicativos, outros gerenciam bancos de dados ou mantêm arquivos. O equipamento de armazenamento mantém documentos, imagens, software e backups.
Trocas e roteadores circulam informações entre essas máquinas e para fora. Fibras ópticas conectam o centro às redes operadoras. Em uma aplicação de comércio online, vários servidores podem intervir para exibir um catálogo, identificar o cliente e registrar uma ordem. O data center existia muito antes dos assistentes de conversação.
Um centro pode pertencer a uma empresa que o utiliza para as suas próprias necessidades. Na co-localização, um provedor fornece espaço, energia, refrigeração e conectividade; o cliente instala seu equipamento lá. Com a nuvem, o usuário aluga recursos de computador ou um serviço, sem escolher cada máquina. A « nuvem » é, portanto, baseada em instalações físicas, operadas e mantidas em algum lugar.
Por que a IIA usa GPUs
O processador central, ou CPU, continua a ser necessário para conduzir programas e muitas operações gerais. Mas as redes neurais fazem cálculos maciços em tabelas numéricas. GPUs, originalmente desenvolvidos para gráficos, podem realizar um grande número de operações em paralelo. São particularmente adequados para estes tratamentos repetitivos. Outros aceleradores especializados, como as TPUs do Google, também executam essa função.
Esta especialização altera a disposição dos quartos. Nvidia descreve, por exemplo, seu sistema GB200 NVL72 como uma baía de 72 GPU Blackwell e 36 CPU Grace. Os componentes se comunicam através de uma interconexão rápida, e o conjunto usa refrigeração líquida. Este produto ilustra o nível de integração alcançado por alguns dos equipamentos de IA. Não representa todos os data centers, muitos dos quais ainda hospedam servidores tradicionais.
A memória é outra restrição. Os parâmetros do modelo, estes números ajustados durante a aprendizagem, devem estar disponíveis para cálculo. Os resultados intermédios também devem ser mantidos. Um modelo pode exceder a capacidade de memória de um único acelerador: o trabalho é então distribuído por vários chips. O fluxo de comércio torna-se tão importante quanto o poder de cada um.
Formação de um modelo: máquinas de trabalho em conjunto
O treinamento constrói capacidades de modelo a partir de dados. Para um modelo de linguagem, uma tarefa clássica é prever a continuação de um texto. O sistema produz uma estimativa, mede seu erro e, em seguida, ajusta seus parâmetros. Ele repete este processo em muitos exemplos. Portanto, aprender envolve cálculos, mas também ler e preparar dados.
Para acelerar o trabalho, várias máquinas podem processar diferentes porções de um conjunto de dados. Devem então partilhar as informações necessárias para actualizar o modelo. Outro método distribui diretamente um modelo muito grande entre vários aceleradores. Estas abordagens podem ser combinadas. Ferramentas de computação distribuídas, incluindo PyTorch, organizar esta cooperação e sincronização de resultados.
Por conseguinte, a rede interna não é utilizada apenas para receber perguntas do público. Permite que as máquinas construam o modelo juntas. Se gastam muito tempo esperando seus vizinhos, alguns dos equipamentos permanecem subutilizados. O armazenamento também deve manter o ritmo: GPUs sem dados não funcionam mais porque são mais recentes.
O operador mantém regularmente estados intermediários de formação. Esses backups permitem que você retome após uma quebra sem repetir todo o cálculo. Deve também verificar a qualidade do modelo: uma infra-estrutura maior aumenta os meios disponíveis, mas não garante bons dados ou respostas justas.
Inferência, o trabalho feito em cada uso
Uma vez treinado, o modelo pode ser utilizado: esta fase é chamada inferência. Reconhecer um objeto em uma imagem, transcrever uma frase ou escrever uma resposta são exemplos de inferência. O uso normal de um modelo não altera automaticamente seus parâmetros. Uma possível exploração futura dos intercâmbios para uma nova formação é um processo e regras de serviço separados.
Para um assistente de texto, o pedido é convertido em unidades chamadas tokens. Um token pode corresponder a uma palavra, um fragmento de palavra ou um sinal. O modelo processa o contexto e gradativamente calcula a resposta. Em modelos de linguagem auto-regressiva, os tokens já produzidos são usados para determinar o seguinte. Por conseguinte, uma resposta longa requer mais passos do que uma resposta curta, sendo todas as outras coisas iguais.
Software mantém algumas representações intermediárias em um cache para evitar repetir os mesmos cálculos. Este ganho de velocidade usa a memória. À medida que o contexto e o número de conversas simultâneas aumentam, esse recurso conta. Os operadores também agrupam pedidos para melhor ocupar os aceleradores, limitando as expectativas de cada usuário.
O treinamento é uma operação focada na construção de um modelo. A inferência é então repetida para cada uso. Um pedido individual mobiliza muito menos cálculo do que treinamento completo, mas milhões de pedidos são uma atividade permanente. Um serviço amplamente utilizado deve ter capacidade para picos, não apenas para uma média diária.
Uma resposta não é necessariamente uma busca na Internet
Um modelo pode gerar texto a partir de seus parâmetros e do contexto fornecido, sem consultar a Web. Quando um assistente busca por informações recentes, outros componentes são usados: motor de busca, bancos de dados documentais, ferramentas de recuperação e programas de verificação. Os documentos obtidos são enviados ao modelo no seu contexto. Este mecanismo não significa que todo o sistema seja imediatamente retreinado.
O caminho de uma aplicação pode assim combinar várias etapas: verificar direitos de acesso, encontrar um documento, executar o modelo e salvar o resultado. Estas operações não ocorrem necessariamente na mesma máquina ou no mesmo edifício. Uma falha pode afetar uma dessas etapas sem que todos os servidores sejam parados.
Há também uma IA local, executada em um computador, telefone ou equipamento industrial. Pode funcionar sem enviar cada dado para um centro remoto, dependendo da aplicação. O tamanho do modelo, a memória disponível e o tempo de resposta procurado determinam a escolha. Os grandes data centers não são, portanto, indispensáveis para todos os usos da IA, mas permitem a partilha de considerável poder.
A electricidade torna-se uma condição de funcionamento
O equipamento recebe energia através de transformadores, painéis elétricos e sistemas de distribuição. Os inversores garantem a continuidade durante certas perturbações. Dispositivos de emergência assumir de acordo com a arquitetura do site. O resfriamento também deve permanecer operacional: manter os servidores alimentados sem remover seu calor não é suficiente.
No seu relatório de 2026, a Agência Internacional da Energia estima o consumo global de electricidade dos centros de dados em 2025 em 485 horas de terawatt. Projeta cerca de 950 horas de terawatt em 2030, cerca de 3% da demanda global de eletricidade. A segunda figura é uma projeção, não um consumo já observado. O primeiro abrange todos os centros de dados, não apenas a IA.
Também é necessário distinguir poder e energia. Um projeto anunciado a 100 megawatts descreve uma capacidade ou necessidade de energia, cujo perímetro deve ser especificado. Para efeitos de cálculo, uma carga constante de 100 megawatts durante 24 horas consumiria 2.400 megawatts. Isto não prova que um site anunciado neste tamanho já funcione, nem usa toda a sua capacidade permanentemente.
Chips frescos sem circuito confuso e consumo de água
A maior parte da eletricidade consumida pelos equipamentos informáticos termina no calor. As instalações devem transferi-lo para o exterior. Num sistema aéreo, os ventiladores circulam ar em torno dos servidores. O layout separa fluxos frios e quentes para evitar o resfriamento desnecessário de uma mistura dos dois.
Com chips muito densos, um líquido pode capturar calor perto de componentes através de placas de refrigeração. Este calor junta-se então aos trocadores e ao sistema de construção. « Refrigeração líquida » não significa que a água seja sistematicamente libertada após cada passagem. O circuito interno pode operar em circuito fechado, enquanto o dispositivo externo usa evaporação ou não.
As torres de evaporação consomem água para dissipar o calor. Outros sistemas concentram-se em restrições externas de ar, clima e equipamentos. Para comparar dois projetos, é, portanto, necessário examinar o consumo real de água, a fonte de abastecimento e a estação. O único número de GPUs não calcula esse impacto.
O que a UE toma e o que deixa para trás
Um indicador comum, o PUE, relata a energia total consumida pelo centro à dos seus equipamentos informáticos. Um PUE de 1,2 significa que, para cada 100 unidades de energia utilizadas por esses equipamentos, o local consome um total de 120. As 20 unidades adicionais incluem resfriamento e perdas elétricas. Este é um exemplo de cálculo, não uma média universal.
A PUE mede a eficácia da infra-estrutura de apoio. Não diz se os servidores realizam um trabalho útil, se o modelo é eficiente ou se a eletricidade é de baixo carbono. Um centro eficaz pode consumir mais no total se aumentar significativamente a sua actividade. Para julgar um serviço de IA, você também deve olhar para o trabalho produzido, o material utilizado e a fonte da corrente.
Custo depende do uso, não apenas do edifício
O proprietário financia terrenos, edifícios, conexões, equipamentos elétricos e máquinas. Para a operação adicione energia, rede, manutenção e equipes. O equipamento especializado representa capital e deve ser utilizado o suficiente para viabilizar economicamente o serviço. A velocidade da execução não resolve este problema sozinho.
Para o cliente, a fatura pode cobrir um período de aluguel de máquinas, um volume de armazenamento ou o uso de uma API. Neste último caso, um fornecedor pode cobrar fichas e produtos transformados. Esta tarifa comercial não confere directamente o consumo de electricidade da procura. O modelo escolhido, a duração do contexto, as ferramentas solicitadas e os cálculos adicionais variam o trabalho real.
Isso aumenta a necessidade de cálculo, mas requer principalmente que os operadores coordenem vários recursos. Uma nova sala não entra em serviço simplesmente porque seus servidores foram entregues. Os ensaios de ligação eléctrica, rede, arrefecimento e funcionamento devem estar prontos ao mesmo tempo.
Comentários