GPU para inteligência artificial

De onde vem o termo GPU?

Em uma frase: GPU nasceu para desenhar imagens na tela e acabou servindo para IA, porque as duas tarefas exigem contas muito parecidas.

A GPU foi desenvolvida originalmente para processar gráficos de computador. Pesquisadores de aprendizado de máquina perceberam que conseguiam treinar modelos mais rápido nesse tipo de chip. Em 2017, as GPUs já eram a arquitetura usada na maioria das aplicações de aprendizado de máquina, segundo um estudo sobre energia no treinamento de IA (preprint, publicado depois em revista científica).

O mesmo estudo explica a semelhança: processamento gráfico, simulações físicas e aprendizado de máquina são computacionalmente parecidos. Desenhar uma imagem é, de certa forma, simular de modo simplificado materiais, fluidos e luz.

Por que a GPU é tão usada em inteligência artificial?

Em uma frase: a GPU executa milhares de operações em paralelo, e é exatamente isso que um modelo de linguagem precisa.

🌱 Sou novo nisso. Um modelo de IA funciona com contas repetidas sobre tabelas enormes de números (matrizes). Uma CPU, o processador comum do computador, faz essas contas. A GPU faz muitas delas ao mesmo tempo.

🔎 Já uso. O chip aparece em duas fases:

• Treinamento: o modelo passa os dados para frente e para trás pelas camadas e ajusta seus pesos. Isso exige muita memória e conexões rápidas entre os chips. Por isso eles ficam fisicamente próximos, em grandes data centers.
• Inferência: é usar o modelo já treinado para gerar respostas, imagens ou código. Aqui pesam a latência (tempo até a primeira resposta), o volume de pedidos atendidos, o custo por token e o consumo de energia.

🚀 Já sou mais avançado. O desempenho não depende só do chip. Memória HBM, interconexão, compiladores, bibliotecas e a escala do cluster podem limitar o resultado. O estudo citado acima mostra que um único chip, lote ou rack mais lento pode travar todo o treinamento.

Quem fornece hoje (verificado em nov/2026):

• Nvidia: apresentou em março de 2026 a plataforma Vera Rubin, sucessora da Blackwell. O sistema Vera Rubin NVL72 reúne 72 GPUs Rubin e 36 CPUs Vera. Em outubro de 2026, a Nvidia anunciou a disponibilidade desse sistema na Oracle Cloud Infrastructure. Modelos atuais já rodam em GPUs Nvidia: segundo a Nvidia, o GPT-6 Astra Ultrafast, da OpenAI, roda em GPUs Blackwell.
• Google: não usa GPU, e sim TPU, um chip próprio para aprendizado de máquina, oferecido sobretudo pelo Google Cloud. No Google Cloud Next 2026, o Google apresentou a TPU 8t, para treinamento em larga escala, e a TPU 8i, para raciocínio em tempo real.

Quais são as confusões comuns sobre GPU?

GPU e TPU não são a mesma coisa. A TPU é um chip feito pelo Google para IA. Tecnicamente é um ASIC, um chip de uso específico. Mas, segundo o estudo sobre energia no treinamento, ela é a mais próxima, em arquitetura e desempenho, de uma GPU otimizada para aprendizado de máquina. A GPU é de uso mais geral.

Chip, modelo e serviço são coisas diferentes:

• GPT-6 Astra Ultrafast é um modelo de linguagem.
• Blackwell e Rubin são plataformas de chips da Nvidia.
• TPU 8t e TPU 8i são chips do Google.
• ChatGPT, Codex e as APIs de nuvem são serviços que usam esses chips.

Número de fabricante não é medição independente. A Nvidia afirma que o Vera Rubin NVL72 treina grandes modelos de mistura de especialistas (MoE) com um quarto das GPUs de uma plataforma Blackwell. Afirma também que alcança até dez vezes mais throughput de inferência por watt. Essas são afirmações da própria Nvidia. Não há, nas fontes disponíveis, um teste público que compare Vera Rubin e TPU 8 no mesmo modelo e nas mesmas condições.

Mais chips nem sempre significam menos energia. No estudo citado, colocar mais nós (grupos de chips) numa mesma tarefa de treinamento a deixou mais rápida, mas aumentou a energia total gasta.