O trade de IA em uma frase: estamos transformando energia em inteligência. A taxa de câmbio — precisão por joule — melhorou 18x em 16 meses. Cerca de 6x por hardware melhor, 3x por modelos melhores. Toda empresa que empurra essa proporção adiante está preparada para vencer.
Aqui está o stack investível:
$NVDA: Cada geração de GPU multiplica a inteligência por watt. Hopper para Blackwell foi o grande salto. Eficiência é o modelo de negócios e por isso os clientes continuam fazendo upgrades para o treinamento.
Memória ($MU, SK Hynix, Samsung): HBM mantém o chip abastecido, para que nenhum joule seja desperdiçado esperando. Cada geração de HBM move mais dados por watt. A demanda por memória cresce com cada GPU vendido — e também precisamos de mais memória por GPU.
$IFNNY: Maior fabricante do mundo de semicondutores de potência — os chips que convertem e controlam a própria eletricidade. Um rack de IA puxa mais de 100 quilowatts, e toda conversão de energia entre a rede e o chip perde energia como calor. A Nvidia está levando datacenters para alimentação de 800 volts mais tarde este ano, o que significa menos conversões e mais participação da Infineon por rack.
$AVGO: Ataca a energia perdida entre chips. Treinamento não é um chip pensando — são dezenas de milhares de GPUs conversando o tempo todo, e essa conversa tem custo energético puro. Os chips de switch da Broadcom movem aproximadamente o dobro dos dados por watt a cada geração, e as óticas em copacote convertem sinais em luz bem no chip, reduzindo drasticamente o custo de energia. Uma malha mais rápida também significa menos tempo ocioso da GPU, então cada chip no rack fica mais produtivo por joule.
Silício customizado ($GOOGL TPUs, $AMZN Trainium): Uma GPU é flexível, mas você paga isso em joules desperdiçados. Chips customizados removem tudo além da matemática exata de que a IA precisa, então quase todo joule vai para trabalho útil. Fluxos de trabalho de design voltam para $AVGO e $MRVL.
Esse é o trade de eficiência da IA. Ter o stack que transforma eletricidade em inteligência.
Aqui está o stack investível:
$NVDA: Cada geração de GPU multiplica a inteligência por watt. Hopper para Blackwell foi o grande salto. Eficiência é o modelo de negócios e por isso os clientes continuam fazendo upgrades para o treinamento.
Memória ($MU, SK Hynix, Samsung): HBM mantém o chip abastecido, para que nenhum joule seja desperdiçado esperando. Cada geração de HBM move mais dados por watt. A demanda por memória cresce com cada GPU vendido — e também precisamos de mais memória por GPU.
$IFNNY: Maior fabricante do mundo de semicondutores de potência — os chips que convertem e controlam a própria eletricidade. Um rack de IA puxa mais de 100 quilowatts, e toda conversão de energia entre a rede e o chip perde energia como calor. A Nvidia está levando datacenters para alimentação de 800 volts mais tarde este ano, o que significa menos conversões e mais participação da Infineon por rack.
$AVGO: Ataca a energia perdida entre chips. Treinamento não é um chip pensando — são dezenas de milhares de GPUs conversando o tempo todo, e essa conversa tem custo energético puro. Os chips de switch da Broadcom movem aproximadamente o dobro dos dados por watt a cada geração, e as óticas em copacote convertem sinais em luz bem no chip, reduzindo drasticamente o custo de energia. Uma malha mais rápida também significa menos tempo ocioso da GPU, então cada chip no rack fica mais produtivo por joule.
Silício customizado ($GOOGL TPUs, $AMZN Trainium): Uma GPU é flexível, mas você paga isso em joules desperdiçados. Chips customizados removem tudo além da matemática exata de que a IA precisa, então quase todo joule vai para trabalho útil. Fluxos de trabalho de design voltam para $AVGO e $MRVL.
Esse é o trade de eficiência da IA. Ter o stack que transforma eletricidade em inteligência.