{
  "language": "pt",
  "interfaceLanguage": "pt",
  "url": "https://voltformer.com/pt/articles/ai-compute-economics-memory-utilisation-october-2026",
  "id": "analysis20261022-ai",
  "slug": "ai-compute-economics-memory-utilisation-october-2026",
  "title": "A economia da computação útil de IA: eficiência, utilização e energia",
  "summary": "Como demanda, compressão de modelos, HBM, redes e utilização determinam o custo útil da IA. Fontes primárias atuais e cenários reproduzíveis distinguem eficiência de teste, energia da instalação, recuperação do capital e efeitos de substituição ou rebote.",
  "readTime": "20 min de leitura",
  "date": "2026-10-22",
  "author": "Equipe de pesquisa Voltformer",
  "category": "IA, semicondutores e economia da computação",
  "tags": [
    "Computação de IA",
    "Semicondutores",
    "HBM",
    "Eficiência de inferência",
    "Utilização de aceleradores",
    "Energia",
    "Despesas de capital"
  ],
  "contentMarkdown": "Por Equipe de Pesquisa e Editorial Voltformer · Evidências consultadas em 22 de outubro de 2026 · Análise com cenários condicionais explicitamente identificados\n\nA infraestrutura de IA entrou numa fase econômica difícil: avanços em chips e modelos reduzem os recursos necessários para cálculos específicos, enquanto investidores comprometem mais capital com as máquinas que os executam. A pergunta relevante é quantas tarefas economicamente úteis um sistema conclui, com qualidade e atraso aceitáveis, durante sua vida operacional. Aritmética de pico, megawatts anunciados e contagens brutas de tokens medem apenas partes desse processo.\n\nNossa tese é condicional. Maior eficiência valoriza a capacidade instalada quando demanda, software e infraestrutura de apoio conseguem absorver a melhoria. Reduz a necessidade de capacidade adicional quando a demanda satura ou sistemas menores substituem os maiores. O resultado depende da reação da demanda, da distribuição dos trabalhos, da utilização efetiva e do calendário dos compromissos de fornecimento. Nenhuma lei física exige que um token mais barato reduza o consumo total de eletricidade ou justifique toda compra planejada de aceleradores.\n\n### 1. O que as evidências primárias mais recentes comprovam\n\nOs resultados de 15 de outubro da TSMC registram receita trimestral de USD 46.72 bilhões; a tecnologia de 2 nanômetros respondeu por 8% da receita de wafers. Esses números descrevem vendas industriais e composição de produtos. Não contam sistemas de IA instalados. [TSMC, resultados do terceiro trimestre de 2026](https://pr.tsmc.com/english/news/3346).\n\nA NVIDIA divulgou receita de Data Center de USD 89.0 bilhões no trimestre encerrado em 26 de julho, alta anual de 117%. Receita forte do fornecedor comprova compras; a rentabilidade do cliente exige evidência separada. [NVIDIA, segundo trimestre do exercício de 2027](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2027).\n\n| Evidência datada | Observação ou alegação | Classificação | O que permanece sem comprovação |\n|---|---|---|---|\n| 29 de julho: SK hynix | Entregas em massa de HBM4 começaram no segundo trimestre (Q2) | Desenvolvimento operacional informado pela empresa | Volumes qualificados disponíveis para cada comprador [comunicado](https://news.skhynix.com/en/q2-2026-business-results/) |\n| 30 de setembro: Micron | Investimento líquido de capital de USD 27.367 bilhões no exercício de 2026 | Medida não GAAP divulgada | Produção e rendimento da capacidade futura [resultados e conciliação](https://investors.micron.com/news/press-release/2026/Micron-Technology-Inc--Reports-Record-Fiscal-Fourth-Quarter-and-Full-Year-2026-Results/default.aspx) |\n| 17 de setembro: MLCommons | Inference v6.1 acrescenta testes RAG de ponta a ponta e Agentic Edge | Publicação de testes comparativos | Economia do trabalho real de um operador [análise do grupo](https://mlcommons.org/2026/09/chairs-mlperf-inference-v6-1/) |\n| 12 de outubro: AMD | Projeto Helion combina computação configurável e roteamento de modelos | Anúncio de produto | Frota instalada e eficiência obtida [anúncio](https://ir.amd.com/news-events/press-releases/detail/1301/introducing-amd-helion-agentic-ai-compute-at-rack-scale) |\n| 19 de outubro: Meta | Primeira fase de Prometheus concluída e usada em treinamento | Implantação informada pelo operador | Utilização de toda a indústria [relato de engenharia](https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/) |\n| 21 de outubro: Meta | Faixa prevista de investimento em 2026 estreitada para USD 135–145 bilhões, incluindo principal de arrendamentos financeiros | Previsão da administração | Retorno realizado sobre os gastos [resultados](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Third-Quarter-2026-Results/default.aspx) |\n\nA matriz é deliberadamente heterogênea: resultados financeiros, operação implantada, pesquisa e anúncios respondem a perguntas distintas. Tratá-los como intercambiáveis cria a falsa impressão de que todas as etapas entre o pedido de wafer e o serviço rentável já foram concluídas. A notação numérica das fontes é preservada para facilitar reprodução.\n\n### 2. A demanda deve ser medida em tarefas concluídas\n\nToken é unidade contábil de engenharia, não unidade constante de produção econômica. Tokenizadores diferentes dividem o mesmo material de formas distintas. Uma resposta maior pode acrescentar valor ou desperdício. Um agente pode repetir chamadas ao modelo enquanto espera ferramentas, refaz execuções malsucedidas ou revisa o próprio trabalho. A receita por token também depende de descontos, cache e proporção entre entradas e saídas.\n\nUm modelo útil de demanda separa chegada de tarefas, chamadas por tarefa, extensão das entradas e saídas e probabilidade de conclusão bem-sucedida. Para um conjunto fixo de tarefas, raciocínio adicional pode elevar o processamento e reduzir revisão humana. Alternativamente, um modelo menor pode eliminar grande parte da computação sem prejudicar o sucesso. Ambas as possibilidades precisam ser testadas na distribuição real de tarefas do comprador.\n\nDefina tarefa aceita por correção avaliada externamente, limite de latência e política explícita de escalonamento. Registre tempo total de acelerador, CPU e energia, incluindo tentativas repetidas. O fornecedor pode elevar a produção de tokens sem melhorar o custo do cliente por tarefa bem-sucedida. Inversamente, o volume de tokens pode cair enquanto a economia melhora, porque o roteamento evita geração desnecessária. Por isso, crescimento de uso e produtividade devem ser divulgados separadamente.\n\n### 3. O desempenho do chip é um fluxo sujeito a restrições\n\nO modelo Roofline relaciona desempenho aritmético alcançável, capacidade de cálculo, largura de banda da memória e intensidade aritmética. Em unidades, operações por segundo não podem exceder o menor valor entre pico de operações/s e bytes/s multiplicados por operações/byte. É um limite para entender gargalos, não promessa de produção de aplicações. [Williams, Waterman e Patterson, relatório técnico de Berkeley, 2008](https://www2.eecs.berkeley.edu/Pubs/TechRpts/2008/EECS-2008-134.html).\n\nNa aquisição de IA, estenda o raciocínio ao sistema inteiro. Processamento da entrada, geração de tokens, roteamento de especialistas e comunicação exigem recursos diferentes. Um motor aritmético rápido não compensa falta de memória. Uma rede livre não remove dependência sequencial. Aceleradores comprados que aguardam firmware compatível, qualificação da rede ou comissionamento não entregam trabalho.\n\n| Restrição | Unidade relevante | Consequência econômica | Verificação necessária |\n|---|---|---|---|\n| Cálculo matricial | Operações/s na precisão declarada | Determina um limite de execução | Mesmo modelo, precisão e acurácia |\n| Capacidade de memória | Bytes para pesos e estado | Limita residência e concorrência | Capacidade após sobrecarga do ambiente |\n| Movimento de memória | Bytes/s sustentados | Pode governar a geração | Rastros da aplicação, não pico das interfaces |\n| Interconexão interna e entre sistemas | Bytes/s e latência | Altera sincronização e ociosidade | Operações coletivas com contenção realista |\n| Confiabilidade | Trabalho concluído por intervalo programado | Controla produção útil do equipamento | Reinícios, pontos de controle e reservas |\n| Demanda comercial | Tarefas aceitas/hora | Determina se capacidade gera receita | Uso pago e renovações por coorte |\n\nAs restrições interagem. Lotes maiores reutilizam pesos, mas podem piorar a resposta. Distribuir um modelo por mais dispositivos resolve capacidade e acrescenta comunicação. A configuração economicamente preferível está numa fronteira de qualidade, atraso e custo; a maior produção anunciada pode ficar fora dela.\n\n### 4. Escassez de HBM e compressão dos modelos atuam simultaneamente\n\nCapacidade e largura de banda de HBM são limites distintos. Comprimir estado pode permitir mais solicitações simultâneas sem eliminar automaticamente o custo de ler pesos ou trocar tokens roteados. Lotes maiores convertem memória economizada em produção adicional. Contextos maiores podem consumir essa economia.\n\nO preprint V4.1-Flash da DeepSeek-AI, de 17 de setembro, informa cache KV global residente em HBM de 890 bytes por token, aproximadamente um quarto do V4-Flash; distingue também o estado persistente fora de HBM. É uma alegação de pesquisa específica do modelo, sem implicar economia elétrica de frota independentemente estabelecida. [DeepSeek-AI, relatório V4.1-Flash, v1](https://arxiv.org/abs/2609.19969v1).\n\nA consequência econômica é mudar a renda de escassez da memória em determinados trabalhos. Se a demanda existente cabe em menos dispositivos, o comprador pode adiar compras. Se contexto ou concorrência limitavam a demanda, a mesma melhoria pode viabilizar serviços novos. Fornecedores de memória podem enfrentar procura forte durante compressão rápida, sobretudo se novas aplicações consumirem mais estado por tarefa ou mais tarefas se tornarem acessíveis.\n\nNa compra, pergunte qual camada de memória é economizada, se reconstruir estado comprimido exige computação adicional e se a transferência desloca pressão para memória principal, armazenamento ou rede. Reduzir bytes HBM por solicitação é útil; seu valor depende do próximo recurso restritivo.\n\n### 5. O software de inferência altera o denominador\n\nA contribuição fundamental do PagedAttention foi administrar caches KV crescentes e decrescentes com menos fragmentação e duplicação. Isso melhora alocação do sistema, em vez de alterar capacidade aritmética nominal da GPU. [Kwon e colegas, artigo PagedAttention/vLLM, 2023](https://arxiv.org/abs/2309.06180).\n\nEm maio de 2026, o Google descreveu uma implementação da UCSD de decodificação especulativa por difusão em TPUs e informou melhoria média de 3.13 vezes em tokens/s na comparação especificada. É resultado medido de trabalho determinado, não multiplicador universal de energia. [Google Developers, implementação DFlash e testes](https://developers.googleblog.com/en/supercharging-llm-inference-on-google-tpus-achieving-3x-speedups-with-diffusion-style-speculative-decoding/).\n\nA especulação acrescenta rascunhos para reduzir iterações caras do modelo-alvo. O benefício depende de aceitação, compatibilidade e lotes. Quantização reduz dados, mas deve preservar a qualidade exigida. Roteamento evita chamadas grandes, mas pode errar e exigir escalonamento. Separar processamento de entrada e geração melhora a correspondência de recursos e pode criar custos de transferência de estado.\n\nNão multiplique acelerações publicadas em experimentos separados. Duas otimizações podem remover o mesmo gargalo, disputar memória ou perder vantagem com outro lote. Meça novamente o conjunto na combinação de tráfego pretendida, incluindo latência de cauda e recuperação de falhas. O contrafactual relevante é a melhor alternativa viável ao comprador, não um sistema histórico sem otimização.\n\nA aritmética de um trabalho inalterado é reveladora. Se metade do tempo total estiver num componente que acelera dez vezes e o restante não mudar, a aceleração total será `1 / [0.5 + 0.5/10] = 1.818`, não dez vezes. Em geral, para parcela inalterada `a` e aceleração do componente `s`, o limite é `1 / [a + (1−a)/s]`. Ferramentas e comunicação podem formar a parcela inalterada. O modelo supõe ausência de sobreposição e trabalho adicional; expõe o denominador, não prevê um sistema específico.\n\n### 6. Utilização tem vários significados incompatíveis\n\nOcupação do dispositivo, alocação, tempo programado, produção útil do treinamento e utilização geradora de receita são distintos. Uma GPU pode estar alocada esperando dados. Um kernel concluído pode pertencer a um trabalho reiniciado depois. Uma solicitação bem-sucedida pode gastar créditos promocionais gratuitos.\n\nO relato de outubro da Meta informa mais de 85% de produção útil no pré-treinamento e mais de 90% em aprendizado por reforço. Também descreve 37,656 GPUs provisionadas para uma execução com 32,768 GPUs ativas. A conta dá 14.9% de inventário adicional sobre as ativas, ou 13.0% de reserva no inventário provisionado: denominadores diferentes. Nenhuma é estimativa industrial de utilização. [Meta, engenharia de Prometheus](https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/).\n\nReservas podem ser racionais. Elevam o capital por dispositivo ativo e reduzem o custo esperado da interrupção. Domínios de falha maiores valorizam engenharia de confiabilidade; reservas aumentam a produção útil enquanto reduzem um indicador superficial de utilização. Compare todo o equipamento possuído e trabalho perdido por falhas no mesmo período. Não multiplique percentuais de produção útil e reserva sem conhecer denominadores e sobreposição.\n\n### 7. De tokens por joule ao custo entregue\n\nO MLCommons determina que medições de potência validadas cubram a potência AC média do sistema inteiro na tomada; TDP ou capacidade da fonte não são essa medição. As categorias também distinguem sistemas disponíveis, prévias e configurações de pesquisa. [Metodologia MLPerf Inference Datacenter](https://mlcommons.org/benchmarks/inference-datacenter/).\n\nO relato de arquitetura da NVIDIA de julho apresenta comparação de até dez vezes na produção de agentes por energia usando um trabalho interno de mistura de especialistas com dois trilhões de parâmetros. Isso identifica a fronteira da comparação do fabricante; não estabelece redução de dez vezes na conta de todos os clientes. [NVIDIA, arquitetura Rubin](https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/).\n\nA energia da instalação soma refrigeração e perdas elétricas ao consumo de TI. O custo entregue inclui recuperação de capital, manutenção, operação e capacidade pronta. Carbono depende ainda de horário e local do fornecimento. Contrato de compra ou certificado anual não mede, por si, emissões marginais de determinada inferência. São colunas separadas.\n\nPara um bloco explicitamente hipotético, sejam utilização `u`, retenção da produção útil `g`, produção em atividade `R` tokens/s, potência média de TI ociosa e ativa `P0` e `P1` kW e multiplicador de sobrecarga `h`. Com 8,760 horas e 31,536,000 segundos no ano suposto:\n\n`T = R × u × g × 31,536,000` tokens/ano\n\n`E = h × [P0 + u(P1 − P0)] × 8,760` kWh/ano\n\n`C_million = 1,000,000 × [K/L + F + pE] / T` USD por milhão de tokens retidos.\n\n`K` é capital instalado em USD, `L` anos de recuperação linear, `F` custo fixo anual e `p` USD/kWh. O modelo contábil simplificado exclui financiamento, tributos e valor residual. Aloca ao bloco toda a energia ociosa; `g` registra perdas de saída útil sem reduzir energia já gasta.\n\n### 8. Cenário reproduzível: a utilização pode dominar a tarifa\n\nTodas as entradas seguintes são premissas, não cotações ou testes observados: `K=USD 4m`, `L=4`, `F=USD 150,000/year`, `R=100,000 tokens/s`, `g=0.90`, `P0=20 kW`, `P1=100 kW`, `h=1.20`, `p=USD 0.08/kWh`. Servem à análise de sensibilidade e não representam produto específico.\n\n| Utilização | Energia anual da instalação, MWh | Tokens retidos/ano, trilhão | Recuperação fixa e operação, USD/milhão | Eletricidade, USD/milhão | Total, USD/milhão |\n|---|---:|---:|---:|---:|---:|\n| 25% | 420.480 | 0.70956 | 1.621 | 0.047 | 1.668 |\n| 50% | 630.720 | 1.41912 | 0.810 | 0.036 | 0.846 |\n| 75% | 840.960 | 2.12868 | 0.540 | 0.032 | 0.572 |\n| 100% | 1,051.200 | 2.83824 | 0.405 | 0.030 | 0.435 |\n\nA 50%, a potência média é 60 kW antes da sobrecarga. Energia anual: `60 × 1.2 × 8,760 = 630,720 kWh`; produção retida: `100,000 × 0.5 × 0.9 × 31,536,000 = 1,419,120,000,000` tokens. Recuperação e operação fixa anuais somam USD 1.15m; eletricidade, USD 50,457.60. A divisão reproduz USD 0.845917 por milhão de tokens.\n\n![Custo hipotético por milhão de tokens retidos cai com utilização maior, separando custo fixo e eletricidade.](/content/media/4c992e0e130d46e8130ddce5a150a336974a2b47e6bc691e6964838cc784ffd3.png)\n\n[Abrir gráfico em resolução completa](/content/media/4c992e0e130d46e8130ddce5a150a336974a2b47e6bc691e6964838cc784ffd3.png)\n\nFigura 2. Sensibilidade suposta à utilização, separando custo fixo e eletricidade. Curva de cenário, não preço de mercado observado ou ponto operacional recomendado.\n\nDobrar a tarifa a 50% acrescenta aproximadamente USD 0.03556 por milhão; reduzir utilização para 25% na tarifa original acrescenta USD 0.82221. A energia ainda sobe quando o bloco executa mais trabalho. Custo unitário menor e consumo agregado maior coexistem sem contradição. Outros preços de capital, trabalhos ou vidas úteis podem inverter a importância relativa dos componentes.\n\n### 9. Compromissos de capital podem sobreviver ao gargalo\n\nO 10-Q da NVIDIA do trimestre de julho registra USD 279 bilhões de compromissos de fornecimento e capacidade, contra USD 119 bilhões no trimestre anterior. O perfil abaixo vem da Nota 10; alguns acordos podem ser ajustados, reagendados ou cancelados segundo seus termos e custos potenciais. É exposição financeira, não cronograma de capacidade entregue. [NVIDIA, 10-Q do segundo trimestre fiscal de 2027 (Q2), Nota 10](https://investor.nvidia.com/files/doc_financials/2027/NVDA-2027-Q2-10Q-Final-including-exhibits.pdf).\n\n![Compromissos de fornecimento e capacidade da NVIDIA por vencimento fiscal, totalizando USD 279 bilhões em 26 de julho de 2026.](/content/media/978396cf8688fd844b762e3baeea9b25047783bc2d24b6fcd5b22de14e90afab.png)\n\n[Abrir gráfico em resolução completa](/content/media/978396cf8688fd844b762e3baeea9b25047783bc2d24b6fcd5b22de14e90afab.png)\n\nFigura 1. Compromissos de fornecimento e capacidade em 26 de julho de 2026, USD bilhões: restante do exercício de 2027 92; 2028 87; 2029 88; 2030 6; 2031 5; 2032 e posteriores 1. Valores divulgados arredondados somam 279. São exercícios da empresa, não anos civis.\n\nA capacidade expande com atrasos. Compradores reagem à escassez reservando componentes; fornecedores, comprometendo-se com equipamentos e instalações. Se o software reduzir recursos por tarefa depois, a oferta contratada pode chegar após o alívio da escassez original. Inversamente, investimento insuficiente prolonga a restrição quando várias demandas crescem juntas. O ciclo depende de tempo e flexibilidade contratual tanto quanto da demanda de longo prazo.\n\nA conferência de julho da Microsoft ilustra outro problema contábil: a revisão da vida útil de centros de dados e escritórios de 15 para 25 anos muda a classificação de alguns futuros arrendamentos entre financeiros e operacionais. A administração ajustou a expectativa de capex de 2026 para aproximadamente USD 175 bilhões, dizendo que o investimento subjacente não mudava fora desse efeito. Prédios e GPUs exigem tratamento separado. [Microsoft, transcrição do quarto trimestre fiscal de 2026 (Q4)](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4).\n\nDepreciar por mais tempo muda o momento da despesa declarada; não melhora a produção física de equipamento obsoleto. A avaliação deve testar caixa recuperável ao longo da vida econômica, incluindo revenda, realocação e migração. Tampouco se somam indiscriminadamente investimento do fornecedor, capex do cliente e financiamento: transações sobrepostas podem descrever o mesmo equipamento várias vezes.\n\nO cenário usa recuperação linear para transparência. Um modelo financeiro deve descontar fluxos e testar valor terminal. Para recuperação anual uniforme, residual zero, taxa anual `r` e vida `L`, a cobrança é `K × r / [1−(1+r)^(−L)]`, com limite `K/L` quando a taxa tende a zero. Obsolescência mais rápida eleva a cobrança mesmo com tarifa estável. Adiar a encomenda preserva informação e evita arrependimento tecnológico, mas a opção custa quando clientes pagariam pela capacidade escassa.\n\n### 10. O efeito rebote é uma questão empírica\n\nSeja `f` a melhoria real da eficiência energética numa tarefa de qualidade fixa. Se seu preço cair proporcionalmente e a elasticidade da demanda for `ε`, a relação estilizada é `Q_new/Q_old = f^ε`, resultando em `E_new/E_old = f^(ε−1)`. Supõe repasse integral ao preço, tarefa inalterada e ausência de restrição de oferta vinculante.\n\nCom melhoria de quatro vezes, elasticidade 0.5 reduz energia à metade; 1 mantém; 1.5 dobra. São casos algébricos, não elasticidades estimadas. O repasse pode ser parcial porque capital ou rendas de escassez dominam. A demanda responde também à qualidade e conveniência. Raciocínio adicional por tarefa modifica a tarefa e requer outro termo.\n\nO argumento mais forte do rebote é viabilizar aplicações úteis novas. O de substituição é permitir, por roteamento, modelos compactos e saturação, o mesmo valor com menos recursos caros. Ambos podem ocorrer entre clientes diferentes. Identifique-os pelo consumo por tarefa e pela economia das coortes, sem transformar uma taxa agregada numa lei comportamental universal.\n\n### 11. Três trajetórias condicionais e seus testes de refutação\n\n| Trajetória condicional | Condições exigidas | Consequência observável | Evidência que a enfraquece |\n|---|---|---|---|\n| Capacidade absorve eficiência | Novas tarefas pagas e trabalhos mais exigentes crescem além da economia | Produção geradora de receita e potência crescem juntas | Renovações fracas, inventário ocioso e descontos apesar de oferta adequada |\n| Eficiência substitui equipamentos | Demanda estável; roteamento e compressão preservam qualidade | Menos horas de acelerador por tarefa aceita e compras adiadas | Economia desaparece no tráfego real ou aumenta revisão humana |\n| Oferta chega antes da monetização | Compromissos longos; comissionamento bem-sucedido; demanda decepciona | Disponibilidade melhora enquanto retornos caem | Escassez qualificada persistente com alta utilização paga |\n\nNão há probabilidades ou datas-alvo atribuídas. O valor é tornar decisões refutáveis. A demanda agregada pode crescer enquanto uma arquitetura, fornecedor ou região sofre excesso. A exposição de fornecimento deve ser testada por componente e cliente, com hipóteses explícitas de cancelamento e vida útil.\n\n### 12. O que operadores e investidores devem medir agora\n\nO operador deve comprar por tarefas aceitas, qualidade e latência de cauda, conciliando com energia medida de TI e instalação. Preserve a definição do trabalho ao comparar gerações. Separe utilização paga de ocupação técnica, e inventário de alocação ativa. Inclua reservas, consumo ocioso e engenharia de migração no ciclo de vida.\n\nO investidor deve testar se lucro bruto e recebimento de caixa alcançam o capital instalado. Acompanhe qualificação de componentes, rendimento do encapsulamento, prazos, suporte de crédito e concentração junto da receita do fornecedor. Observe lacunas crescentes entre compromisso e implantação e entre capacidade instalada e uso faturável. Queda de preço é ambígua: pode revelar eficiência ou incapacidade de recuperar capital.\n\nA principal limitação do cenário é a simplicidade deliberada: um trabalho, potência linear, sobrecarga constante, sem fila e sem financiamento. Divulgações públicas não oferecem distribuição representativa e auditada independentemente de utilização da frota, preços efetivos de compra ou economia de tarefas bem-sucedidas. As lacunas impedem estimativa universal confiável de custo por token. A tese enfraqueceria se medições amplamente comparáveis de produção mostrassem economia unitária insensível à utilização e às restrições do sistema de apoio. Até lá, a unidade defensável é o trabalho útil ao longo da vida do ativo, com denominadores e fronteiras visíveis.\n\n### Bibliografia primária e notas de medição\n\nTodas as fontes foram consultadas em 22 de outubro de 2026; nenhuma comprova eventos posteriores. Declarações empresariais conservam suas fronteiras; o artigo do modelo é preprint. As figuras apresentam um conjunto contratual divulgado e um cenário reproduzível, sem misturar classificações.\n\n1. [TSMC, Resultados do terceiro trimestre de 2026, 15 de outubro de 2026](https://pr.tsmc.com/english/news/3346) — trimestre encerrado em 30 de setembro; receita e composição tecnológica.\n2. [NVIDIA, Resultados do segundo trimestre fiscal de 2027 (Q2), 26 de agosto de 2026](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2027) — trimestre encerrado em 26 de julho; receita de segmento.\n3. [NVIDIA, Formulário 10-Q fiscal 2027 Q2, assinado em 26 de agosto de 2026](https://investor.nvidia.com/files/doc_financials/2027/NVDA-2027-Q2-10Q-Final-including-exhibits.pdf) — Nota 10, página 18 do PDF; compromissos, não previsão de entregas.\n4. [SK hynix, Resultados 2Q26, 29 de julho de 2026](https://news.skhynix.com/en/q2-2026-business-results/) — cronograma HBM4 informado; divulgação financeira preliminar.\n5. [Micron, Resultados Q4 e exercício de 2026, 30 de setembro de 2026](https://investors.micron.com/news/press-release/2026/Micron-Technology-Inc--Reports-Record-Fiscal-Fourth-Quarter-and-Full-Year-2026-Results/default.aspx) — ano encerrado em 3 de setembro; conciliação de capex líquido.\n6. [MLCommons, Análise Inference v6.1, 17 de setembro de 2026](https://mlcommons.org/2026/09/chairs-mlperf-inference-v6-1/) — definições e novos trabalhos.\n7. [MLCommons, Metodologia Inference Datacenter, documentação corrente](https://mlcommons.org/benchmarks/inference-datacenter/) — fronteiras de potência e categorias na consulta.\n8. [AMD, Apresentação de Helion, 12 de outubro de 2026](https://ir.amd.com/news-events/press-releases/detail/1301/introducing-amd-helion-agentic-ai-compute-at-rack-scale) — anúncio de arquitetura, não medição de frota.\n9. [Meta Engineering, Por dentro de Prometheus, 19 de outubro de 2026](https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/) — relato operacional de treinamento, confiabilidade e alocação.\n10. [DeepSeek-AI, DeepSeek-V4.1-Flash, v1, 17 de setembro de 2026](https://arxiv.org/abs/2609.19969v1) — cache específico; preprint.\n11. [Google Developers, Decodificação especulativa por difusão em TPUs, 4 de maio de 2026](https://developers.googleblog.com/en/supercharging-llm-inference-on-google-tpus-achieving-3x-speedups-with-diffusion-style-speculative-decoding/) — implementação UCSD e comparação especificada.\n12. [NVIDIA, Arquitetura Rubin, 21 de julho de 2026](https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/) — comparação do fabricante e fronteira do trabalho.\n13. [Microsoft, Conferência FY2026 Q4, 29 de julho de 2026](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4) — vidas úteis, arrendamentos e previsão de capex.\n14. [Kwon et al., Gestão eficiente de memória no atendimento de grandes modelos com PagedAttention, 12 de setembro de 2023](https://arxiv.org/abs/2309.06180) — pesquisa original de sistema de inferência.\n15. [Williams, Waterman e Patterson, Roofline, UCB/EECS-2008-134, 17 de outubro de 2008](https://www2.eecs.berkeley.edu/Pubs/TechRpts/2008/EECS-2008-134.html) — modelo fundamental; pesquisa histórica, não dados atuais de hardware.\n16. [Meta, Resultados do terceiro trimestre de 2026, 21 de outubro de 2026](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Third-Quarter-2026-Results/default.aspx) — perspectiva de capex futura, não implantação realizada.",
  "contentLanguage": "pt",
  "sources": [
    {
      "name": "TSMC Reports Third Quarter EPS of NT$29.43",
      "url": "https://pr.tsmc.com/english/news/3346"
    },
    {
      "name": "NVIDIA Announces Financial Results for Second Quarter Fiscal 2027",
      "url": "https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2027"
    },
    {
      "name": "NVIDIA Form 10-Q for quarter ended July 26, 2026",
      "url": "https://investor.nvidia.com/files/doc_financials/2027/NVDA-2027-Q2-10Q-Final-including-exhibits.pdf"
    },
    {
      "name": "SK hynix Announces 2Q26 Financial Results",
      "url": "https://news.skhynix.com/en/q2-2026-business-results/"
    },
    {
      "name": "Micron Reports Record Fiscal Fourth-Quarter and Full-Year 2026 Results",
      "url": "https://investors.micron.com/news/press-release/2026/Micron-Technology-Inc--Reports-Record-Fiscal-Fourth-Quarter-and-Full-Year-2026-Results/default.aspx"
    },
    {
      "name": "Where the Industry Is Investing: A Look at MLPerf Inference v6.1",
      "url": "https://mlcommons.org/2026/09/chairs-mlperf-inference-v6-1/"
    },
    {
      "name": "MLPerf Inference Datacenter: methodology and result categories",
      "url": "https://mlcommons.org/benchmarks/inference-datacenter/"
    },
    {
      "name": "Introducing AMD Helion, Agentic AI Compute at Rack Scale",
      "url": "https://ir.amd.com/news-events/press-releases/detail/1301/introducing-amd-helion-agentic-ai-compute-at-rack-scale"
    },
    {
      "name": "Inside Prometheus: Meta’s Journey to a Gigawatt-Scale Supercluster",
      "url": "https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/"
    },
    {
      "name": "DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression",
      "url": "https://arxiv.org/abs/2609.19969v1"
    },
    {
      "name": "Supercharging LLM inference on Google TPUs: diffusion-style speculative decoding",
      "url": "https://developers.googleblog.com/en/supercharging-llm-inference-on-google-tpus-achieving-3x-speedups-with-diffusion-style-speculative-decoding/"
    },
    {
      "name": "Inside NVIDIA Rubin GPU Architecture: Powering the Era of Agentic AI",
      "url": "https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/"
    },
    {
      "name": "Microsoft Fiscal Year 2026 Fourth Quarter Earnings Conference Call",
      "url": "https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4"
    },
    {
      "name": "Efficient Memory Management for Large Language Model Serving with PagedAttention",
      "url": "https://arxiv.org/abs/2309.06180"
    },
    {
      "name": "Roofline: An Insightful Visual Performance Model for Floating-Point Programs and Multicore Architectures",
      "url": "https://www2.eecs.berkeley.edu/Pubs/TechRpts/2008/EECS-2008-134.html"
    },
    {
      "name": "Meta Reports Third Quarter 2026 Results",
      "url": "https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Third-Quarter-2026-Results/default.aspx"
    }
  ]
}