Hardware de IA: A abrandar? Ainda não.

Há algumas semanas, uma aplicação para consumidores deu um novo impulso às ações do setor dos semicondutores.
O novo agente de IA pessoal da Meta, o Muse, subiu rapidamente nos rankings de aplicações dos EUA, e as ações do setor dos semicondutores registaram uma recuperação, à medida que os investidores começaram a imaginar o que a adoção bem-sucedida da IA agentiva pelos consumidores poderia significar para a procura de capacidade de computação.

O momento foi particularmente interessante porque, apenas alguns dias antes, tinha surgido uma narrativa aparentemente contraditória. Investigadores de renome na área da IA tinham começado a discutir abertamente se a indústria deveria abrandar o ritmo a que são desenvolvidos modelos de ponta cada vez mais poderosos.

Este contraste ilustra na perfeição o ruído que os investidores estão atualmente a enfrentar. Em vez de reagir a cada noticia, pensamos que é mais útil regressar à tese subjacente sobre o hardware: o que poderia realmente prejudicá-la e o que é que o mercado ainda poderá estar a subestimar?

Após uma trajetória espetacular do hardware, dois riscos dominam hoje esse debate.

Os apelos recentes de investigadores de ponta em IA para abrandar o desenvolvimento de modelos cada vez mais poderosos foram inicialmente interpretados como más notícias para os semicondutores. A lógica parece simples: se o intervalo entre gerações de modelos de ponta se prolongar, deverão ser necessárias menos sessões de treino de grande escala e, por conseguinte, menos capacidade de computação.

Mas isso é apenas um lado da equação. Um maior ênfase na segurança da IA pode, por si só, tornar-se extremamente exigente em termos de capacidade de computação, uma vez que os modelos precisam de ser testados, monitorizados, avaliados e, potencialmente, supervisionados por outros sistemas de IA. A IA a vigiar a IA soa um pouco distópico, mas também requer muitos tokens e, por conseguinte, muita capacidade de computação. Ao mesmo tempo, requisitos de segurança mais rigorosos poderiam favorecer os maiores laboratórios de vanguarda, que estão em melhor posição para absorver os custos fixos de testes, auditorias e conformidade, o que poderia elevar as barreiras à entrada.

Mais importante ainda, um ritmo mais lento de progresso na vanguarda absoluta poderia alterar onde a capacidade computacional está a ser utilizada, em vez de reduzir significativamente a quantidade necessária. Os recursos poderiam passar do treino contínuo da próxima geração de modelos para o teste, a implementação e a execução dos modelos já existentes, apoiando mais inferência, mais agentes e, potencialmente, uma adoção muito mais ampla.

Esta é provavelmente a questão mais importante. A dimensão do ciclo de investimento tornou-se extraordinária, prevendo-se que o investimento em capex das hiperescaladoras e da nuvem ultrapasse um valor recorde de cerca de 1,2 biliões de dólares até 2027, em comparação com menos de 200 mil milhões de dólares em 2023². Ao mesmo tempo, o debate financeiro está a tornar-se mais exigente: os perfis de fluxo de caixa livre estão sob pressão, os custos de financiamento aumentaram e os investidores exigem cada vez mais provas de que centenas de milhares de milhões de dólares de investimento podem, em última análise, gerar retornos adequados.

É evidente que o ritmo atual de crescimento do capex não pode continuar indefinidamente. Mas há uma diferença importante entre o abrandamento do crescimento do capex e a sua queda efetiva. Mesmo uma desaceleração significativa deixaria a despesa absoluta em níveis historicamente elevados e continuaria a representar uma procura incremental substancial para as empresas que fornecem as infraestruturas. É importante referir que ainda nos encontramos, em grande parte, na fase inicial do ciclo da IA: a infraestrutura está a ser construída antes de o pleno impacto económico da IA se ter concretizado. Este desfasamento temporal faz com que o investimento em ativos fixos atual pareça particularmente elevado em relação às receitas, mas pode também ser precisamente o que é necessário para permitir a próxima fase de adoção.

A dinâmica competitiva também torna mais difícil uma redução drástica. A nuvem, as pesquisas, a publicidade, o software de produtividade e os ecossistemas de consumidores estão todos a ser remodelados pela IA. O subinvestimento pode proteger o fluxo de caixa livre hoje, mas também corre o risco de deixar uma plataforma tecnologicamente desatualizada amanhã. Isto cria algo próximo de uma dinâmica do tipo «IA ou morte»: as hiperescaladoras tornar-se-ão mais seletivas quanto ao destino dos seus investimentos, mas o obstáculo a um corte significativo no investimento continua a ser elevado.

Atualmente, o principal freio ao ciclo poderá ser, cada vez mais, as restrições físicas, em vez da vontade de investir.

Os riscos são reais, mas representam apenas metade da história. Ao mesmo tempo, vários desenvolvimentos sugerem que a oportunidade no domínio da computação está a alargar-se muito para além da implantação inicial da IA.

A primeira fase da IA generativa foi relativamente simples do ponto de vista do hardware: treinar modelos cada vez mais potentes em enormes clusters de GPU e, em seguida, utilizar esses modelos para responder a solicitações. A IA agentiva altera essa equação, e o Muse constitui um exemplo útil.

Em vez de se limitar a gerar uma resposta, um agente pode operar navegadores, interagir com aplicações e executar uma sequência de tarefas em nome de um utilizador, podendo continuar a trabalhar em segundo plano durante minutos ou mesmo horas. As GPUs e os aceleradores de IA continuam a realizar o trabalho pesado de inferência, mas as CPUs orquestram os sistemas operativos, os navegadores e, potencialmente, centenas de ações menores à sua volta. A memória, a rede, o armazenamento, a alimentação e a refrigeração beneficiam todos à medida que essas cargas de trabalho se tornam mais complexas.

Por outras palavras, os agentes ampliam a lista de componentes de hardware de IA. O Muse é apenas um dos primeiros exemplos. Mas oferece ao mercado algo pelo qual este tem vindo a aguardar: um caso de utilização tangível para o consumidor que permite mais inferência, durante mais tempo, numa gama mais ampla de hardware.

Atualmente, estão a surgir restrições de abastecimento em substratos, materiais especializados, conectividade ótica, gestão de energia, refrigeração e em várias partes da cadeia de equipamentos semicondutores.

Os últimos resultados financeiros da Nvidia forneceram uma ilustração impressionante. A empresa prevê que as receitas cresçam cerca de 70% no próximo ano fiscal, muito acima das expectativas anteriores do mercado³. Mas as previsões de receitas podem aumentar com algumas alterações numa folha de cálculo; a cadeia de abastecimento física não consegue ajustar-se com a mesma rapidez. A construção de fábricas leva tempo, os componentes especializados continuam a ser difíceis de produzir e os ciclos de qualificação podem durar meses ou anos.

À medida que uma limitação é resolvida, surge outra: mais GPUs exigem mais memória; mais memória exige capacidade adicional de embalagem; clusters maiores necessitam de redes mais rápidas; maior densidade cria novos requisitos de refrigeração e energia. O estrangulamento continua a deslocar-se ao longo da cadeia de valor. Uma empresa não precisa de fabricar o chip de IA mais apelativo para obter resultados económicos atrativos.

Resta ainda uma distinção final que continua a ser subestimada. O mercado continua a questionar-se se as empresas de hiperescala acabarão por gerar receitas de IA suficientes para justificar as centenas de milhares de milhões de dólares que estão a investir. Os seus gastos ocorrem hoje, enquanto grande parte da monetização surge mais tarde.

Para muitas empresas de hardware, a equação é mais simples: os seus clientes estão a gastar hoje. As encomendas traduzem-se em receitas, as receitas em lucros e, para as empresas que preferimos, os lucros em fluxo de caixa livre. Em combinação com os estrangulamentos e os longos prazos de entrega, isto pode proporcionar a determinadas empresas de hardware uma maior visibilidade dos lucros do que às empresas que financiam a expansão da IA.

A avaliação é igualmente importante. Apesar da forte recuperação no setor dos semicondutores, continuamos a encontrar oportunidades em que o crescimento esperado do fluxo de caixa livre se mantém atrativo em relação à avaliação paga. Isto contrasta com partes do universo dos hiperescaladores, onde a intensidade de capital está a aumentar, precisamente quando os investidores se tornam mais exigentes quanto ao calendário e à rentabilidade das futuras receitas de IA.

Nada disto significa comprar hardware indiscriminadamente. As expectativas são elevadas, a disrupção tecnológica continua a ser um risco constante e a capacidade acabará por acompanhar a procura. A seleção de ações e a disciplina na avaliação são, portanto, mais importantes do que nunca.

Mas a conclusão geral permanece inalterada. Os dois principais riscos que o hardware de IA enfrenta atualmente são reais: o ritmo de desenvolvimento de modelos de ponta poderá abrandar e o crescimento do investimento em ativos fixos (capex) das hiperescaladoras acabará por moderar-se. No entanto, nenhum destes fatores implica necessariamente um colapso na procura de capacidade computacional, enquanto a próxima fase da IA poderá alargar essa procura a mais cargas de trabalho, mais componentes e mais partes da cadeia de abastecimento.
No que diz respeito ao hardware, não pensamos que já tenhamos chegado a esse ponto.