Acelerador de IA
Um acelerador de IA é qualquer processador ou bloco de hardware — GPU, TPU, NPU, FPGA ou ASIC personalizado — projetado para acelerar a matemática de matrizes e as operações paralelas de dados que são centrais para o treinamento e a execução de modelos de inteligência artificial.
Um acelerador de IA é uma categoria de hardware de computação especificamente projetado para executar as operações numéricas — predominantemente multiplicações de matrizes, convoluções e não-linearidades elemento-a-elemento — que constituem a maior parte da carga de trabalho no treinamento e inferência de aprendizado de máquina. O termo é intencionalmente amplo, cobrindo placas de acelerador discretas (GPUs, ASICs de IA dedicados), blocos integrados no chip (NPUs), silício reconfigurável (FPGAs) e arquiteturas não-von-Neumann emergentes, como chips fotônicos ou neuromórficos.
CPUs de propósito geral lidam com código sequencial e com ramificações arbitrárias com eficiência, mas gastam a maior parte de seu orçamento de transistores em lógica de controle, previsão de ramificações e hierarquia de cache. As cargas de trabalho de IA envolvem aritmética altamente regular e paralela de dados em tensores grandes com padrões de acesso previsíveis. Os aceleradores exploram essa regularidade usando unidades SIMD amplas, matrizes sistólicas ou núcleos de tensor — o termo da NVIDIA para mecanismos de matriz de precisão mista introduzidos na arquitetura GPU Volta em 2017 — e acoplando memória de alta largura de banda (HBM) diretamente ao dado de computação para sustentar o throughput de dados que essas unidades exigem.
Os aceleradores de IA importam porque reduzem o custo e a energia da escalabilidade de modelos de IA. O treinamento de GPT-3 em 2020 custou estimadamente vários milhões de dólares em computação em hardware GPU contemporâneo; até 2024–2025, o treinamento de modelos de ponta exigia clusters de acelerador propósito-construído operando por meses — uma escala economicamente inviável com CPUs. No momento da inferência, os aceleradores mantêm a latência baixa o suficiente para servir aplicações interativas: uma resposta de chatbot, geração de imagem em tempo real ou análise de imagem médica.
A partir de 2026, o mercado de aceleradores de IA é dominado pelas GPUs H100 e H200 da NVIDIA para treinamento de data-center, com TPUs do Google e uma coorte crescente de silício personalizado — Amazon Trainium, Microsoft Maia, Meta MTIA, Groq LPU, Cerebras WSE — visando nichos de inferência ou treinamento. Na borda, as NPUs em SoCs móveis e PC lidam com inferência no dispositivo. A pressão competitiva para construir aceleradores proprietários intensificou-se conforme o computar de IA representa uma fração dominante das despesas operacionais para grandes laboratórios de IA e provedores de nuvem.