---
title: "Na era da inferência, a indústria de poder computacional precisa de um novo livro-razão | Observação da indústria ToB"
slug: na-era-da-inferencia-a-industria-de-poder-computacional-precisa-de-um-novo-livro
type: news
direction: China
category: Tecnologia
published: 2026-11-03
source_url: https://www.tmtpost.com/8191692.html
source: "TMTPost"
url: https://chinabrazilinsight.com/news/na-era-da-inferencia-a-industria-de-poder-computacional-precisa-de-um-novo-livro
verification: unverified
content_level: Curadoria editorial
---

# Na era da inferência, a indústria de poder computacional precisa de um novo livro-razão | Observação da indústria ToB

> A indústria de poder computacional está mudando seu sistema de valor do pico de desempenho no treinamento para a eficiência na inferência, com o Token se tornando a métrica central.

A indústria de poder computacional teve uma mudança muito evidente este ano: os usuários já não se limitam a perguntar "qual é a escala do poder computacional" ou "quanto melhorou o desempenho dos chips", mas giram repetidamente em torno de uma palavra mais concreta: Token. Yang Zhi, cofundador da Xin'aisuan, nos contou que, desde o início deste ano, as perguntas dos clientes mudaram completamente: "Os clientes começaram a se concentrar mais em quantos Tokens o modelo consegue gerar por segundo? Qual é o custo de gerar um Token?"
Por trás disso, o sistema de valor da indústria de poder computacional mudou. O sistema de medição do valor do poder computacional de IA está passando da busca pelo pico de poder computacional da era de treinamento para a busca pela eficiência da era de inferência.
A lógica do negócio de poder computacional mudou
Na visão de Yang Zhi, a indústria de computação inteligente de hoje é como a indústria imobiliária de vinte anos atrás. "Naquela época, o setor imobiliário era personalizado por empreiteiros, com distribuição de moradias por unidade de trabalho; bastava encontrar um empreiteiro para construir a casa e morar. Hoje, muitos centros de computação inteligente são iguais: as grandes empresas vêm alugar salas de servidores, trazem os equipamentos, instalam e acabou."
O chip é o tijolo, a produção de placas modificadas e a manutenção são a construção pré-fabricada e a administração predial, e a gestão de investimento e construção é o desenvolvimento imobiliário. "E empresas como a Xin'aisuan não participam da aquisição de terrenos e construção de IDCs, mas injetam ativos de placas de poder computacional em centros de computação inteligente em Zhengzhou, Xiaoshan em Hangzhou e outros lugares", disse Yang Zhi.
Mas a indústria imobiliária só se tornou realmente madura não pela construção de prédios, mas pela transição do modelo de entrega de obra pronta para a operação de ativos, e é exatamente essa etapa que a indústria de poder computacional está atravessando agora. Especialmente com a explosão da demanda por AI for Science (AI4S), essa transformação foi ainda mais impulsionada. Estatísticas da QYResearch mostram que, em 2025, o mercado global de AI for Science é de aproximadamente 4,538 bilhões de dólares, e até 2032 espera-se alcançar 26,23 bilhões de dólares, com taxa de crescimento anual composta de 28,9%.
A demanda por AI4S também é um reflexo do aquecimento do mercado de inferência. Liu Liehong, diretor da Administração Nacional de Dados, revelou na Cúpula de Construção Digital da China de 2026 que, em 2025, o volume de dados de inferência já atingiu 101,34 exabytes, superando pela primeira vez o volume de dados de treinamento, e que no futuro a proporção entre demanda de poder computacional para inferência e para treinamento pode chegar a 3:1 ou mais.
E o "Relatório de Pesquisa sobre o Desenvolvimento da Economia de Tokens (2026)" da CAICT (Academia Chinesa de Tecnologia da Informação e Comunicações) também aponta que, em 2026, a proporção do poder computacional de inferência no total de carga de poder computacional de IA atingirá 70,5%. A previsão da Gartner reflete mais diretamente o fluxo do dinheiro: em 2026, os gastos globais com inferência atingirão 23,3 bilhões de dólares, superando pela primeira vez os 19 bilhões de dólares com treinamento, representando 55% do total de gastos com AI IaaS. A relação de "protagonista e coadjuvante" entre treinamento e inferência se inverte oficialmente neste ano.
Essa virada do lado da demanda já se transmitiu diretamente às etapas de compra e aceitação. Yang Zhi admite que, no passado, os clientes olhavam apenas para o modelo, a quantidade e o pico de FLOPS das placas, mas agora perguntam: para o próprio modelo, comprimento de contexto e necessidades de concorrência, qual nível de throughput é possível atingir? A latência de resposta é estável? Como controlar o consumo mensal de energia e os custos de operação e manutenção? Em quanto tempo o negócio se recupera após um problema? "FLOPS continua sendo um indicador básico para seleção de equipamentos, mas já não é o ponto final da decisão de compra e da aceitação do projeto. O cliente não compra um conjunto de parâmetros, mas uma capacidade de negócio operável de forma sustentável", apontou Yang Zhi.
Isso também explica por que a indústria começou a popularizar novos indicadores como produção de Tokens por watt e latência de inferência por custo unitário. Chen Jian, presidente da Beijing Parallel Technology, declarou no Fórum de Zhongguancun: a diferença de desempenho e custo de Tokens entre o melhor e o pior da indústria pode chegar a 100 vezes; o custo de um milhão de Tokens no site oficial da DeepSeek caiu de cerca de 130 yuans no início do ano para menos de 3 yuans por meio de otimização de sistema, chegando a apenas 0,3 yuan em cenários offline.
Mesmo assim, o "auge" da demanda por inferência ainda não chegou. Sobre isso, Yang Zhi aponta que a primeira onda de demanda atual vem de produtos de agentes inteligentes para o consumidor final; um agente que completa um conjunto de tarefas consome várias vezes ou até centenas de vezes mais Tokens do que uma conversa comum, e muitos produtos, após o lançamento, tiveram o uso de Tokens aumentado diretamente em 6 vezes, com expansão emergencial do serviço em 10 vezes. E quando os grandes modelos dos setores financeiro, médico, manufatureiro e energético realmente entrarem em milhares de indústrias, "quando a porta se abrir, será pelo menos 100 vezes a demanda atual de poder computacional", avalia Yang Zhi.
O realmente difícil não é comprar placas, é fazer o sistema rodar
Se a economia de Tokens mudou o livro-razão do poder computacional, então a capacidade de entrega de engenharia é a chave para saber se esse livro-razão pode ser calculado com clareza. He Mujun, presidente da Shuguang Zhisuan, nos contou que, hoje, quando os diversos fabricantes de modelos de base lançam novos modelos, a Internet de Supercomputação consegue basicamente realizar a "adaptação de pilha zero", porque a compatibilidade de poder computacional dos chips nacionais está cada vez melhor, e os fabricantes de modelos de base também basicamente treinam na arquitetura CUDA. Mas conseguir rodar e ser fácil de usar são duas coisas completamente diferentes.
Tomando como exemplo o contexto do modelo: os modelos de base basicamente suportam contexto de nível de milhão (1M), mas na implantação real, 0-128K, 128K-512K e 512K-1M são adequados para diferentes soluções de implantação e otimização, e ainda é preciso considerar como implantar a separação PD e questões de paralelismo. "Esse volume de trabalho é muito grande; basicamente partimos do lançamento do modelo e recuamos 2-3 meses de antecedência", apontou He Mujun.
O "acendimento" do modelo é apenas o ponto de partida; ainda falta muito trabalho de engenharia de sistemas para chegar à operação estável do negócio. Com base nisso, Yang Zhi dividiu a validação de entrega em quatro camadas: a primeira é a saúde do equipamento, incluindo alimentação, identificação de componentes de dissipação de calor e testes básicos de estresse; a segunda é a compatibilidade de cluster e rede, incluindo drivers de firmware, links de rede e topologia de comunicação; a terceira é a validação de carga de negócio definida em conjunto com o cliente, incluindo modelo, concorrência, precisão e latência crítica; a quarta é a operação contínua e a entrega e aceitação. "O equipamento poder ser ligado não significa que o cluster pode se comunicar de forma estável, e o cluster passar nos testes também não significa que o modelo e os processos do cliente podem atingir o esperado", enfatizou Yang Zhi.
Quanto ao padrão de "fácil de usar", na visão de Yang Zhi, pode ser avaliado em quatro dimensões, a saber: desempenho previsível, sem grandes flutuações sob concorrência crítica; operação suficientemente estável, sem quedas ou interrupções em tarefas longas; falhas localizáveis, sem que o cliente precise adivinhar repetidamente entre módulos, placas, rede e software; serviço recuperável, com mecanismos claros de resposta, peças de reposição, manutenção e reinspeção.
No lado do software, o espaço para otimização também é enorme. Yang Zhi divide a otimização de inferência em três camadas: camada de modelo, camada de motor e camada de sistema, e a camada de sistema, que "faz um grupo inteiro de máquinas trabalhar", é justamente o campo de batalha mais concorrido da indústria. O gargalo de cache KV de Agent resolvido pela DeepSeek em conjunto com a Tsinghua quase dobrou o throughput online; dados públicos divulgados pela Nvidia mostram que, na mesma plataforma de hardware, apenas com otimização de software, o custo de Tokens da DeepSeek caiu para até 1/5 do original em um mês; separação PD, paralelismo de especialistas FP4, aumento de 20 vezes no throughput de placas — tudo isso já são fatos verificados.
E isso também torna o poder computacional heterogêneo uma escolha inevitável. Na era de treinamento, era preciso ter simultaneamente clusters de ultra grande escala, interconexão de alta velocidade e ecossistema de software maduro, com a Nvidia praticamente dominando sozinha; mas as regras do jogo da inferência mudaram completamente: a inferência compete pelo custo de cada Token, eficiência energética e throughput de negócio, e "o negócio de camada superior se importa cada vez menos com que tipo de placa está na camada inferior", apontou Yang Zhi.
Na era da inferência, os gigantes começam a disputar posições
A ascensão da inferência, além de mudar o livro-razão original do poder computacional, também está reescrevendo a estrutura da indústria de chips. Tomando como exemplo o gigante do setor Nvidia, em dezembro do ano passado, a Nvidia anunciou um acordo de licenciamento não exclusivo de cerca de 20 bilhões de dólares com a empresa de chips de inferência Groq, obtendo licenciamento de tecnologias centrais como a arquitetura LPU, com o fundador Jonathan Ross e a equipe central se juntando coletivamente à Nvidia, enquanto a própria Groq continua operando de forma independente. Esse negócio superou o recorde da aquisição da Mellanox pela Nvidia em 2019 por cerca de 7 bilhões de dólares, tornando-se a maior transação da história da empresa.
Vale notar a forma da transação: não é uma fusão e aquisição tradicional, mas "licenciamento de tecnologia + migração de talentos". O setor em geral interpreta isso como uma aquisição defensiva: "Quando as exigências de inferência por latência, eficiência energética e determinismo ultrapassam a zona de conforto das GPUs de uso geral, a Nvidia escolhe incorporar a arquitetura não-GPU mais ameaçadora", analisa Yang Zhi. "A Nvidia ficou com a Groq, a AMD obteve a rota comparável ao TPU do Google; todos estão lutando desesperadamente por chips de inferência ASIC. No momento em que os grandes modelos já estão gradualmente convergindo, a oportunidade dos ASICs é um mercado de oceano azul de trilhões de dólares." Em 2025, a receita do negócio de data center da AMD quase dobrou em relação ao ano anterior, e equipes empreendedoras de chips de inferência ASIC surgiram em grande número; os sinais no exterior e no país apontam para a mesma direção.
Ao mesmo tempo, a forma de colaboração ecológica também está evoluindo. A prática da Internet de Supercomputação oferece outra referência: por meio do "Plano de Teste Convidado de Cluster de Dez Mil Placas", permitiram que dezenas de milhares de usuários participassem dos testes de aplicações de cem mil placas, mas o maior volume de uso entre os clientes reais é justamente a demanda inclusiva de até 10 nós; um usuário de 80 placas hoje pode, em alguns meses, ter 800 ou milhares de placas. He Mujun admite que fazer inclusão de poder computacional não é tão vantajoso financeiramente quanto vender de uma vez para grandes clientes, mas a equipe de cérebro inspirado da Fudan começou com dezenas ou cem placas e hoje já está no nível de dez mil placas; segundo informações, o "Plano de Incentivo a Cocriadores de Dez Mil Placas" já cobre diversos participantes, como pesquisa científica, universidades 985 e fábricas farmacêuticas e hospitais sem experiência em TI. E a Shuguang está usando métodos comercializados para atender às diferentes demandas de interesse de todas as partes: "Não é só o chip que precisa ter capacidades diferentes; todo o fluxo de trabalho pode precisar lidar com diferentes tarefas científicas, o que impõe exigências ainda maiores à arquitetura do sistema e à construção do ecossistema", enfatizou He Mujun.
Do livro-razão do poder computacional à capacidade de engenharia, e depois à construção do ecossistema, as mudanças que a era da inferência traz à indústria de poder computacional estão se aprofundando camada por camada. A régua para medir o poder computacional passou a ser o Token, o foco da competição recaiu sobre entrega e operação e manutenção, e a forma de cooperação entre as partes da cadeia industrial também mudou. Como disse Yang Zhi, a véspera da explosão da inferência costuma parecer silenciosa, e é justamente o momento de acumular forças.

---
Fonte: TMTPost
Publicado em: 2026-11-03
© China Brazil Insight — https://chinabrazilinsight.com/news/na-era-da-inferencia-a-industria-de-poder-computacional-precisa-de-um-novo-livro