Com o florescimento do mercado global de inteligência artificial (IA), as unidades de processamento gráfico (GPUs) tornaram-se o motor central desta revolução. Diversos aplicativos impulsionados por modelos de linguagem grandes (LLMs) dependem desses chips de alto desempenho, e nos próximos anos, a volatilidade dos preços das GPUs pode se intensificar, exigindo que muitas empresas dominem novas habilidades de gerenciamento de custos.
Em alguns setores, a flutuação de custos não é novidade. Por exemplo, indústrias intensivas em energia, como a mineração, estão acostumadas a lidar com oscilações nos custos de energia, enquanto empresas de logística enfrentam flutuações de custos devido a interrupções no transporte nos canais de Suez e Panamá. No entanto, setores como finanças e farmacêutico têm pouca experiência com isso, mas se beneficiarão enormemente da aplicação da tecnologia de IA e, portanto, precisam se adaptar rapidamente.
A Nvidia, como principal fornecedora de GPUs, viu sua avaliação disparar este ano. As GPUs são tão procuradas porque são capazes de processar paralelamente grandes quantidades de cálculos, tornando-as ideais para treinar e implantar modelos de linguagem grandes. Algumas empresas até precisam usar veículos blindados para transportar esses chips, demonstrando a alta demanda. No futuro, a volatilidade de custos das GPUs será influenciada pela relação entre oferta e demanda.
Com as empresas acelerando a implantação de aplicativos de IA, a demanda por GPUs deve aumentar significativamente. A Mizuho, empresa de investimento, prevê que o mercado de GPUs pode crescer 10 vezes nos próximos cinco anos, ultrapassando US$ 400 bilhões. Ao mesmo tempo, fatores como capacidade de fabricação e geopolítica também afetarão a oferta.
Para lidar com essa volatilidade, as empresas podem adotar várias estratégias. Primeiro, mais empresas podem optar por gerenciar seus próprios servidores de GPU em vez de alugá-los de provedores de serviços em nuvem. Embora isso represente custos adicionais, pode reduzir os custos a longo prazo. Além disso, as empresas podem comprar GPUs antecipadamente para garantir estoque suficiente no futuro.
Além disso, o tipo certo de GPU também é importante. Para a maioria das empresas, o processamento de dados para executar modelos existentes não requer as GPUs mais poderosas; GPUs de menor desempenho podem ser usadas para otimizar custos. A localização geográfica também pode ser crucial para reduzir custos. Por exemplo, escolher locais com custos de eletricidade mais baixos para instalar servidores de GPU pode reduzir significativamente as despesas operacionais.
No entanto, o campo da computação de IA está se desenvolvendo muito rapidamente, tornando difícil para as empresas prever com precisão suas necessidades de GPU. Portanto, as empresas devem desenvolver medidas de mitigação antecipadamente para se adaptar às possíveis flutuações de preços no futuro.
Destaques:
🌟 Espera-se que o mercado de GPUs cresça dez vezes nos próximos cinco anos, atingindo US$ 400 bilhões.
⚡ As empresas precisam escolher o tipo certo de GPU para otimizar custo e desempenho.
📈 Gerenciar servidores de GPU internamente ou comprar antecipadamente são estratégias eficazes para lidar com a volatilidade de custos.
