CEO da Nvidia: China vai ganhar a corrida da IA

Quando se fala em “corrida da IA”, a conversa tende a ficar presa a modelos cada vez maiores e a benchmarks. Mas o campeonato decisivo joga-se noutro relvado: capacidade de computação, acesso a energia (barata, limpa e estável), cadeias de fornecimento de chips, e velocidade regulatória.

Nas últimas semanas, declarações de alto nível voltaram a pôr o foco nestes fatores estruturais, com a China vista por muitos analistas como a principal beneficiária de um contexto em que custo de eletricidade e licenciamento pesam tanto como talento e capital.

Para lá do ruído político, o ponto é simples: treinar e operar grandes modelos consome muitos megawatts e exige anos de planeamento de infraestrutura. Quem consegue ligar gigawatts de nova capacidade à rede com menos atrito, e a preços previsíveis, parte em vantagem.

Energia barata e redes que crescem depressa

A IA é, cada vez mais, uma história de energia. Centros de dados dedicados a treino e inferência precisam de eletricidade constante, contratos plurianuais e, idealmente, acesso a fontes renováveis para cumprir metas ESG. Em várias regiões da China, a combinação de hidroeletricidade sazonal, carvão de base e novas ligações de ultra-alta tensão cria um mix competitivo em custo por kWh e em disponibilidade.

No Ocidente, o problema já não é apenas o preço; é o tempo. Projetos de grande escala esbarram em filas de ligação à rede, processos de licenciamento morosos e imprevisibilidade regulatória. Para operadores de IA, isto traduz-se em risco: um atraso de 12-18 meses num campus pode deitar por terra roadmaps de produto e contratos.

Portugal e a Europa não estão imunes. Apesar da boa penetração renovável, há gargalos na rede, competição com novos consumos (datacenters, indústria verde) e volatilidade em certos mercados grossistas. Quem fechar PPA’s estáveis e garantir subestações a tempo fica com uma vantagem competitiva clara.

Regulação: velocidade é importante, previsibilidade é ouro

A diferença regulatória não é só “mais ou menos regras”; é a capacidade de dar previsibilidade ao investimento. Em mercados onde as autorizações para construir, ligar e operar um centro de dados chegam em meses, e não anos, o capital flui. Já no Ocidente, a ambição de equilibrar inovação com segurança traz camadas extra: avaliação de impacto, proteção de dados, segurança de produto, concorrência e conteúdos.

O paradoxo é que os mercados com regras mais exigentes também tendem a gerar mais confiança de utilizadores e empresas. Para exportar plataformas globais, essa confiança conta. A questão é encontrar a cadência certa: processos mais rápidos, sem abdicar de padrões elevados.

Chips e cadeias de fornecimento: do silício à memória

A escassez de aceleradores não se resolve apenas com mais fábricas. O gargalo passa por vários elos: litografia avançada, empacotamento 2.5D/3D, e sobretudo memória HBM. Mesmo quando há GPUs, pode faltar HBM suficiente para as alimentar. Neste tabuleiro, as restrições de exportação e a substituição local estão a acelerar a diversificação: competidores domésticos surgem onde antes só havia importações.

Para quem desenvolve IA, o efeito é prático: aumentar a resiliência da infraestrutura multi-vendor, considerar arquiteturas heterogéneas (GPU, NPU, CPU otimizada) e planear para versões de modelos adaptadas a diferentes aceleradores. O futuro próximo será menos “one-size-fits-all” e mais “ajuste fino ao hardware disponível”.

O que isto significa para empresas portuguesas e europeias

• Custos e carbono: a escolha de região e fornecedor cloud pode alterar drasticamente o TCO e a pegada carbónica por inferência/treino. Calcule o custo por token e por consulta, não apenas por hora de GPU.
• Soberania de dados: com regras mais apertadas, soluções de “soberanização” (VPC isoladas, chaves do cliente, inferência no local) tornam-se diferenciadoras. – Estratégias híbridas: workloads sensíveis correm on-prem ou em colocation com PPA; picos e treino inicial vão para cloud. A elasticidade certa reduz custos e risco.
• Talento e ferramental: equipas MLOps com fluência em otimização de modelo para hardware (quantização, sparsity, compilers específicos) valem ouro.
• Parcerias energéticas: negociar cedo com operadores de rede e produtores renováveis é, cada vez mais, uma competência core para escalar IA.

Três cenários plausíveis para 2025-2028

1) Fragmentação acelerada: blocos regionais consolidam stacks próprios (chips, frameworks, clouds). Interoperabilidade cai, nasce um “roaming” de modelos com gateways.

2) Convergência pragmática: competição feroz em hardware e energia, mas APIs e modelos abertos funcionam como cola, reduzindo custos de migração.

3) “Energia first”: vencedores são os que dominam a equação elétrica. Chip é comoditizado, o diferenciador passa por acesso a gigawatts limpos e frios (clima, água, geotermia).

O que fazer já: um playbook mínimo

• – Mapear o custo total por tarefa (treino e inferência) ao nível de modelo, região e acelerador.
• Fechar contratos de energia (ou cloud com “green SLAs”) alinhados com o plano de capacidade dos próximos 24-36 meses.
• Desenhar para portabilidade: containers, compilers multi-backend, camadas de abstração de hardware.
• Introduzir governança de IA desde o primeiro dia: registos de datasets, avaliações de risco e conformidade automatizada.
• Medir e otimizar: PUE, WUE e carbono por pedido devem estar num dashboard junto ao custo por 1.000 tokens.

Menos slogans, mais infraestruturas

A narrativa da supremacia tecnológica muda rapidamente, mas os fundamentos não: energia, hardware, pessoas e regras claras. Quem conseguir orquestrar estes quatro pilares com disciplina operacional terá condições para liderar. O debate sobre quem “ganha” é interessante; o que conta é quem entrega capacidade real, a tempo e a custo competitivo.

Fonte: https://futurism.com/future-society/nvidia-ceo-china-trump-win