Data center e problemas hídricos

Hoje em dia os data center demanda muita energia, o que está dando um problema grave hídrico. A maioria dos data center de treinamento de Inteligência Artificial funciona assim: você junta milhares de servidores, cada um lotado de GPUs, liga tudo com uma rede absurdamente rápida, alimenta o conjunto com dados em velocidade industrial, e transforma eletricidade em cálculos, cálculos em calor, calor em água evaporada ou em sistemas de refrigeração cada vez mais complexos.

Parece simples na frase, só que por dentro é uma fábrica de termodinâmica. O treinamento de modelos grandes é um processo distribuído, o modelo “mora” em pedaços espalhados por centenas ou milhares de GPUs, cada pedaço calculando gradientes e sincronizando resultados o tempo todo. Isso exige não só GPU, exige memória, armazenamento, rede, orquestração, redundância, e um prédio inteiro feito para não derreter.

O data center de IA por dentro, o caminho da energia até virar resposta

A primeira é a camada de computação, onde ficam as GPUs e CPUs. Em IA moderna, as GPUs viraram o motor principal porque conseguem fazer muitas multiplicações e somas em paralelo, que é justamente a moeda do treinamento. A densidade de potência por rack disparou, um rack que antes era “pesado” com alguns quilowatts hoje pode virar dezenas de quilowatts, e em projetos de IA isso sobe ainda mais. Isso muda tudo, muda a forma de distribuir energia no piso, muda o tipo de cabo, muda a arquitetura de refrigeração, muda até o quanto um prédio aguenta sem virar um forno.

A segunda camada é a rede. Treinar um modelo grande não é um monte de computadores independentes, é um “cérebro coletivo” que precisa conversar o tempo inteiro. A rede vira parte do computador. Por isso entram tecnologias de interconexão de altíssima banda e baixa latência, e por isso, quando alguém fala que “é só comprar mais GPU”, está ignorando que sem rede decente você compra gargalos caros.

A terceira camada é armazenamento e dados. O treinamento é uma esteira, dados chegam, são pré-processados, entram em lotes, geram atualizações. Só que dados grandes não são arquivos bonitinhos, são petabytes, e petabyte não gosta de improviso. Quando o armazenamento engasga, as GPUs ficam ociosas, e GPU ociosa é dinheiro queimando e energia desperdiçada.

A quarta camada é a infraestrutura predial, energia e refrigeração. E aqui aparece o truque que pouca gente vê: muitas vezes a “TI” é a menor parte do problema físico. O resto é entregar energia com estabilidade e tirar calor sem depender de milagres.

É por isso que existem métricas como PUE, Power Usage Effectiveness, que mede a razão entre a energia total do data center e a energia que chega de fato nos equipamentos de TI, quanto mais perto de 1, melhor. PUE virou padrão internacional formalizado em norma ISO.

Só que, quando a conversa é IA, entra um segundo fantasma, a água. Aí aparece outra métrica, WUE, Water Usage Effectiveness, litros de água por kWh gasto pela TI. Essa conta expõe um detalhe desconfortável: dá para ser “eficiente em energia” e ainda assim ser um monstro hídrico, depende do tipo de resfriamento e do clima.

Por que IA puxa a tomada com tanta força

Data center sempre gastou energia, a nuvem já era uma indústria gigantesca. O salto recente tem uma assinatura clara, a aceleração por IA. A Agência Internacional de Energia projeta que o consumo elétrico global de data centers pode mais que dobrar e chegar perto de 945 TWh em 2030, com crescimento anual na casa de ~15% no período 2024–2030, e a própria IEA coloca IA como o principal motor dessa alta, com demanda de data centers otimizados para IA crescendo várias vezes até 2030.

Isso não é só “mais servidores”. IA empurra o limite físico do rack, e quando a densidade sobe, o que antes era “ar condicionado de sala grande” vira um projeto térmico quase de indústria pesada.

A consequência direta é que energia deixa de ser um item de custo e vira gargalo estratégico. Não basta ter dinheiro, tem que ter conexão com a rede elétrica, tem que ter subestação, tem que ter transformador, tem que ter licença, tem que ter contrato, tem que ter previsibilidade. Em muitos lugares, o tempo para conseguir a interligação com a rede vira o cronograma real do projeto, não a obra do prédio.

E existe um efeito colateral bem humano nisso: quando um data center entra numa região, ele compete com todo mundo por infraestrutura. A conversa vira política local. Quem recebe a energia? Quem paga pela expansão da rede? Quem absorve o risco quando dá pico? Quem segura a bronca quando falta água?

A água, o recurso que some “sem barulho”

O problema hídrico não é um acidente, ele é uma escolha técnica que, durante décadas, foi razoável. Muitos data centers usam resfriamento evaporativo ou torres de resfriamento porque água evaporando é um jeito eficiente de remover calor. Funciona muito bem, especialmente em climas secos. Só que eficiência física não é sinônimo de sustentabilidade social.

Para dar escala mental, relatórios e levantamentos recentes usam números que assustam quando saem do abstrato. Um relatório do governo do Reino Unido sobre uso de água em data centers e IA cita que um data center de 100 MW pode consumir em torno de 2,5 bilhões de litros por ano, algo comparável às necessidades de dezenas de milhares de pessoas, e traz a ideia de competição direta com água potável em períodos de seca, com risco de conflito social em áreas de estresse hídrico.

Esse mesmo relatório cita estimativas globais em que o setor de data centers consome centenas de bilhões de litros de água por ano, com projeções que podem subir de forma relevante até 2030.

A parte mais irritante é que, em muitos casos, o cidadão não “vê” essa água indo embora. Não é uma indústria com chaminé óbvia. É um galpão limpinho, com cerca, com logo moderno, e o consumo aparece na conta municipal como uma curva subindo.

WUE ajuda a tirar o véu. Há fontes que colocam médias de WUE por volta de ~1,8 a 1,9 L/kWh em data centers, com variação grande por clima e tecnologia, e com metas de projetos bons tentando ficar bem abaixo disso.

Só que WUE também tem pegadinha: ele costuma medir a água “no site” e relacionar com a energia de TI. A água escondida na geração de energia pode ser enorme. Dependendo de como a eletricidade é produzida, existe água usada na cadeia inteira, resfriamento de termelétricas, perdas, reservatórios, mineração, e isso vira uma espécie de “água virtual” do modelo. O relatório do Reino Unido bate nessa tecla, falando do elo água-energia e do quanto o impacto vai além do perímetro do data center.

Tem mais um capítulo que quase ninguém lembra, fabricação de chips. Os aceleradores de IA são semicondutores avançados, fabricados com processos que usam água ultra pura em volumes grandes para limpeza e enxágue de wafers. Mesmo que o operador do data center não controle isso diretamente, faz parte da pegada hídrica total.

Por que a crise hídrica aparece agora, a mistura de densidade e geografia

Se você coloca uma fazenda de GPUs num lugar frio, com água abundante e energia limpa, a história fica menos dramática. Só que o mundo real adora ironia: muita capacidade de data center cresce perto de grandes centros econômicos, onde a terra é cara, a água é disputada, e a energia já vive no limite. Em regiões quentes, o resfriamento exige mais trabalho, e em regiões secas, evaporar água parece uma tentação técnica, só que é justamente onde a água já é um tema delicado.

Reportagens recentes vêm explorando exatamente esse choque, data centers crescendo em regiões com estresse hídrico, com iniciativas tentando reduzir consumo de água e, ao mesmo tempo, esbarrando no trade-off clássico, reduzir água costuma aumentar energia, porque sistemas “waterless” frequentemente precisam de mais ventilação, mais compressão, mais refrigeração mecânica.

Esse trade-off é a essência do problema. A física não dá desconto. Você tira calor do chip e joga em algum lugar, ar, água, líquido dielétrico, circuito fechado, e cada escolha cobra um preço diferente.

As soluções técnicas mais citadas, e por que nenhuma é mágica

1) Resfriamento líquido direto no chip (direct-to-chip).
Em vez de soprar ar gelado e esperar que o calor saia do dissipador, você coloca líquido circulando em placas frias próximas ao chip. Isso permite densidades maiores com menos consumo de água no site, dependendo do sistema. É um caminho natural quando racks viram “mini-usinas”.

2) Imersão (immersion cooling).
Os servidores ficam mergulhados em um fluido especial, que remove calor de forma eficiente. Pode reduzir espaço e facilitar densidade, só que muda manutenção, muda fornecedores, muda tudo, e ainda precisa rejeitar calor para o ambiente em algum ponto.

3) Sistemas de circuito fechado e reaproveitamento.
Em vez de usar água potável e evaporar, dá para recircular e usar trocadores de calor mais inteligentes. Só que a conta de energia pode subir, e a complexidade operacional aumenta.

4) Migração geográfica e design orientado a clima.
Construir onde o clima ajuda é uma solução elegante no papel. Na prática, esbarra em latência, em disponibilidade de rede, em regulação, em impostos, em mão de obra, em incentivos locais.

5) Reuso de calor.
O calor de data center pode aquecer prédios, água de distrito, processos industriais. Em alguns países isso faz sentido econômico. Em muitos lugares, falta infraestrutura para capturar e distribuir esse calor, e o calor vira desperdício.

O ponto importante é que eficiência não é uma chavinha, é um ecossistema de decisões. PUE é útil, WUE é útil, só que a métrica sozinha vira maquiagem se você otimiza um lado e explode o outro.

Os potenciais, o lado em que isso pode valer a pena como sociedade

Até aqui parece que data center é um vilão de ficção científica que bebe rios. Só que o lado útil é real, e dá para falar dele sem romantizar.

A capacidade de computação concentrada permite avanços em áreas onde simulação e modelagem são vitais, descoberta de fármacos, previsão meteorológica, otimização de redes elétricas, engenharia de materiais, tradução e acessibilidade, automação de tarefas repetitivas em saúde e serviços, educação personalizada quando feita com responsabilidade. A própria IEA discute o potencial de IA para transformar como o setor de energia opera, com ganhos de eficiência, previsão e integração de renováveis, desde que seja aplicada com objetivo e governança.

Existe um uso interessante e meio subestimado: IA para operar o próprio data center. Prever carga, deslocar workloads, ajustar resfriamento em tempo real, reduzir desperdício, detectar falhas antes de virar pane. É a versão moderna de “o monstro ajuda a domar o monstro”.

E tem um argumento econômico que, goste ou não, pesa. Data centers são infraestrutura estratégica. Eles atraem investimento, empregos indiretos, arrecadação, e funcionam como base para empresas locais consumirem computação sem depender de continentes de distância. Países e estados tratam isso como corrida industrial.

Os problemas, onde a conta chega sem pedir licença

1) Emissões e o risco de empurrar a rede para fontes fósseis.
Quando a demanda cresce mais rápido que a capacidade limpa, a energia marginal pode vir de térmicas, e isso piora emissões. Matérias recentes chamam atenção para o crescimento acelerado e para casos em que expansão de capacidade e uso de combustíveis fósseis entram na mesma frase, justamente porque a velocidade do “boom de IA” pressiona sistemas elétricos que já estão no limite.

2) Falta de transparência.
Sem dados claros, a sociedade fica discutindo no escuro. Há pressão para exigir divulgação de consumo de energia, água e emissões, porque hoje muita informação é voluntária e fragmentada, e isso impede planejamento público e fiscalização séria.

3) Competição por água potável em períodos críticos.
O relatório do Reino Unido explicita esse ponto, a dependência de água potável para resfriamento pode competir com abastecimento humano, e em secas pode gerar restrições e conflitos.

4) Concentração do impacto.
Uma cidade pode sentir muito mais que a média global. Estudos e revisões citam exemplos em que instalações representam fatia relevante do consumo municipal, como o caso citado para The Dalles, nos EUA, em que o consumo de um data center aparece como parcela grande do uso da cidade em certos anos.

5) Pegada material e cadeia de suprimentos.
A conversa não termina na conta de luz e água. GPU e infraestrutura têm carbono incorporado, mineração, refino, fabricação, transporte, descarte. A cada ciclo de upgrade, uma montanha de hardware muda de lugar. Esse lado é menos visível, e por isso é fácil ignorar.

6) O risco do “rebound effect”, eficiência que vira expansão.
Você melhora eficiência do modelo, reduz custo por inferência, e de repente surgem dez novos produtos, todos rodando IA o dia inteiro. O consumo total sobe mesmo com eficiência melhorando. Esse efeito aparece em várias áreas da economia, IA não é exceção.

Onde dá para atacar o problema de forma prática, sem virar teatro

Tem um caminho que envolve engenharia e governança ao mesmo tempo.

Na engenharia, a redução de desperdício computacional é ouro. Técnicas como quantização, distilação, sparsity, treinamento mais inteligente, fine-tuning em vez de treinar do zero, tudo isso reduz energia por resultado útil. Existe uma diferença brutal entre “treinar porque dá” e “treinar porque precisa”.

Na operação, dá para deslocar carga. Treinamentos longos podem ser agendados para horários de maior oferta renovável, ou para regiões com melhor perfil energético, desde que a arquitetura do sistema permita. Não resolve tudo, só que é melhor do que ignorar o relógio e a rede.

Na infraestrutura, a escolha do resfriamento deve considerar bacia hidrográfica, não só custo. WUE deveria entrar em licenciamento e contratos de forma explícita, com metas e auditoria. Se o data center promete “water positive”, a pergunta adulta é “em qual bacia, com qual metodologia, com que verificação”.

Na política pública, transparência é o primeiro passo que não depende de tecnologia futurista. Medir e reportar consumo de energia, água e emissões, com metodologia padronizada, cria base para planejamento. Relatórios como o do Reino Unido defendem exatamente a necessidade de dados confiáveis para governança, e apontam que esforços voluntários podem ser insuficientes quando a curva de crescimento é agressiva.

E existe uma conversa que pouca gente quer ter, priorização. Nem todo uso de IA é igualmente valioso. Treinar modelos gigantes para ganhar décimos de ponto em benchmark pode ser ciência, pode ser marketing, pode ser as duas coisas. Quando água e energia viram recursos em disputa, a pergunta “isso vale o custo social” para de ser filosofia e vira administração pública.

O século passado tratou eletricidade como base invisível da economia. Este século está tratando computação como base invisível da economia. A diferença é que agora a base invisível esquenta, evapora água, pressiona rede e entra na política local como um novo tipo de indústria, limpa por fora, intensa por dentro. A boa notícia é que o problema é material e mensurável, dá para modelar, dá para regular, dá para projetar melhor. A má notícia é que a curva de crescimento é rápida, e curvas rápidas punem sociedades que gostam de decidir devagar.

---

Referências

Information technology — Data centres — Key performance indicators https://www.iso.org/standard/63451.html

Data Centers and Water Consumption https://www.eesi.org/articles/view/data-centers-and-water-consumption

Energy demand from AI https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai

Desert storm: Can data centres slake their insatiable thirst for water? https://www.reuters.com/sustainability/climate-energy/desert-storm-can-data-centres-slake-their-insatiable-thirst-water--ecmii-2025-12-17/

AI is set to drive surging electricity demand from data centres while offering the potential to transform how the energy sector works https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works

‘Just an unbelievable amount of pollution’: how big a threat is AI to the climate? https://www.theguardian.com/technology/2026/jan/03/just-an-unbelievable-amount-of-pollution-how-big-a-threat-is-ai-to-the-climate

Call to make tech firms report data centre energy use as AI booms https://www.theguardian.com/technology/2025/feb/07/call-to-make-tech-firms-report-data-centre-energy-use-as-ai-booms

The water use of data center workloads: A review and assessment of key determinants https://escholarship.org/uc/item/1vx545q7

Leia Mais

Meta e Google desafiando o ecossistema da Nvidia

A Nvidia não ficou gigante só porque fez uma GPU rápida e mandou uma nota fiscal junto. Ela ficou gigante porque transformou um detalhe técnico em hábito cultural: a ideia de que “fazer IA de verdade” é, por definição, fazer IA em CUDA.

Isso é mais poderoso do que um chip. Um chip você troca quando aparece outro melhor. Um hábito você troca quando a dor de mudar fica menor do que a dor de continuar do mesmo jeito.

Durante anos, o mercado contou uma história confortável para explicar o domínio da Nvidia: “as GPUs são as mais avançadas”. Essa frase tem um pedaço de verdade, só que ela serve melhor como marketing do que como explicação. Se desempenho bruto fosse o único juiz, a coroa teria mudado de cabeça várias vezes. Houve gerações em que concorrentes ficaram perto, houve soluções mais baratas, houve momentos em que o custo por desempenho parecia tentador. Mesmo assim, quase ninguém fez a troca em massa.

Porque o trono da Nvidia não fica só no silício. O trono fica na camada onde as equipes gastam anos da vida: ferramentas, bibliotecas, kernels, rotinas de treino distribuído, perfiladores, receitas de otimização, tutoriais, exemplos, bugs conhecidos, jeitos de debugar, jeitos de contratar. Um ecossistema que vira padrão não precisa obrigar ninguém. Ele só precisa fazer o resto parecer trabalhoso.

E aí entra o que mudou, com o peso de um “clique” que desencaixa um império: Google e Meta estão mirando exatamente a peça que sustenta esse aprisionamento invisível, o software. Em dezembro de 2025, a Reuters noticiou que o Google está trabalhando num projeto interno chamado TorchTPU, com o objetivo de tornar as TPUs mais naturais para quem desenvolve em PyTorch, com colaboração próxima da Meta, grande apoiadora do PyTorch, e com possibilidade de abrir partes do software para acelerar adoção.

A ambição é simples de dizer e brutal de executar: permitir que empresas mudem de Nvidia para TPU sem precisar reescrever as partes críticas do código, sem desmontar o stack inteiro, sem abandonar PyTorch. Se essa fricção cair, a conversa deixa de ser “Nvidia ou caos” e vira “Nvidia ou concorrência”. A Nvidia pode continuar excelente e ainda assim perder a coisa que mais importa em mercados maduros: poder de barganha.

O lock-in que ninguém assina, mas todo mundo sente

Quando se fala em lock-in, muitos imaginam contrato, cláusula, exclusividade. No caso da Nvidia, a amarra é mais elegante, e por isso mais perigosa: ela se esconde no custo prático da mudança.

Uma equipe que diz “nosso modelo roda em PyTorch” geralmente quer dizer algo mais específico, mesmo que não verbalize: “nosso modelo foi escrito, treinado, ajustado, validado e colocado em produção num mundo em que CUDA era o chão”.

CUDA, na prática, virou o sistema nervoso periférico do stack de IA. Não é só “um jeito de rodar na GPU”. É um conjunto de escolhas acumuladas:

• bibliotecas de alto desempenho para operações essenciais,
• caminhos de precisão mista e quantização que foram refinados por anos,
• comunicação entre GPUs e entre nós de cluster, com soluções já testadas no inferno do tráfego real,
• profilers, ferramentas de debug, mecanismos de compilação, kernels otimizados e, talvez o mais importante, a “memória muscular” dos times.

Mudar isso não é trocar uma peça. É mexer na base do prédio enquanto tem gente morando dentro.

Por isso o lock-in da Nvidia sempre foi mais psicológico e operacional do que técnico. Em empresas, risco é uma moeda cruel. Risco de regressão, risco de instabilidade, risco de atraso, risco de gastar meses para descobrir que um detalhe do pipeline não tem equivalente. A conclusão prática era automática: ficar na Nvidia parecia racional, mesmo quando era caro.

E aqui tem um ponto curioso, quase irônico: a Nvidia nunca controlou o PyTorch. O PyTorch nasceu dentro da Meta e cresceu como projeto aberto, virando o framework dominante por mérito próprio, do laboratório à produção. O que a Nvidia fez, com genialidade de quem entende o jogo, foi se integrar tão bem que parecia dona.

Integração não é posse. Se o PyTorch ganhar um caminho “sem drama” para rodar bem fora de CUDA, a maior barreira de saída começa a virar poeira.

Por que “existem alternativas” nunca foi suficiente

“Mas já existem alternativas”, alguém sempre diz, e tecnicamente isso é verdade. AMD tem ROCm, Intel tem seus esforços, há aceleradores específicos, há chips especializados em inferência. Só que o mercado de IA em escala não premia apenas a existência de uma alternativa, ele premia uma alternativa que tenha três coisas ao mesmo tempo:

1. performance competitiva em cargas relevantes,
2. maturidade operacional, aquela sensação de “isso não vai me trair em produção”,
3. compatibilidade com o jeito que o mundo já trabalha.

A maioria falha na terceira. Algumas falham na segunda. Várias falham nas duas.

A Nvidia virou o “default” porque fez o caminho parecer inevitável. Não por decreto, por conforto. Quando tudo funciona, quando os tutoriais batem com a realidade, quando a equipe encontra respostas, quando dá para contratar gente que já sabe o stack, a escolha vira hábito. E hábito é um tipo de monopólio emocional.

É por isso que a movimentação do Google assusta: ela não tenta vencer a Nvidia “na pancada” só com hardware. Ela tenta vencer no ponto onde o hábito se forma, a experiência do desenvolvedor.

TPUs: o problema nunca foi músculo, foi idioma

As TPUs do Google sempre carregaram um ar de “poder oculto”, aquele tipo de hardware que a gente ouve falar como se fosse uma arma interna, restrita, feita para as necessidades do próprio Google. A leitura confortável para a Nvidia era: “isso não importa para o mercado, porque ninguém fora do Google usa”.

Só que essa leitura era superficial. O próprio Google Cloud descreve TPUs como aceleradores desenhados para treinamento e inferência de modelos de IA, e elas já sustentam cargas gigantes dentro do ecossistema do Google. O que travava a adoção ampla não era falta de desempenho. Era o idioma de software.

Por muito tempo, o Google apostou com força em JAX e no universo de compilação ligado ao XLA. De novo, tecnicamente faz sentido. Só que o mercado não funciona como seminário de compiladores. Enquanto o Google empurrava um caminho mais “puro”, o resto do planeta consolidava outro caminho: PyTorch.

Para a maioria das empresas, adotar TPU significava adotar um jeito diferente de pensar, adaptar pipelines, revalidar tudo, treinar equipe, e no final ainda ficar com a sensação de estar fora do fluxo principal da indústria. Empresas não migram frameworks por hobby. Elas migram quando são empurradas por dor extrema ou quando a migração é suave.

O que o TorchTPU tenta fazer é inverter a lógica: em vez de pedir que o desenvolvedor se adapte ao hardware, o hardware passa a “se adaptar” ao desenvolvedor.

“Mas já existe PyTorch em TPU”, então qual é o drama?

Aqui entra uma camada importante, que separa “dá para rodar” de “dá para viver”.

O mundo já tem, faz tempo, o PyTorch/XLA, que conecta PyTorch a dispositivos XLA como TPUs. Isso está documentado oficialmente e existe como projeto público. E até em notas antigas do próprio Google Cloud aparece a ideia de suporte via integração PyTorch/XLA.

Então por que ainda existe espaço para um TorchTPU “novo”?

Porque “rodar” não significa “rodar do jeito que o desenvolvedor espera”. Na prática, muitas integrações desse tipo carregam pequenas fricções que, somadas, viram um pedágio enorme: diferenças de cobertura de operadores, comportamentos inesperados, caminhos mais frágeis para debug, diferenças no desempenho por tipo de modelo, desafios de distribuição, tooling menos maduro, e um detalhe que virou central no PyTorch moderno: a experiência eager, aquela sensação de que você escreve o código e ele responde na hora, com o mesmo modelo mental em todo lugar.

Em outubro de 2025, surgiu no próprio repositório do PyTorch/XLA uma proposta explícita para evoluir a experiência e chegar mais perto de algo “nativo”, com a ambição de fazer tensor.to('tpu') parecer tão natural quanto tensor.to('cuda'). Esse é o tipo de frase que parece pequena, até você perceber o que ela realmente significa: transformar TPU de “backend especial” em “cidadão de primeira classe” dentro do PyTorch.

E isso muda o jogo porque reduz a parte mais cara da migração, a parte humana: reaprender o mundo.

O que o TorchTPU realmente ameaça na Nvidia

O mercado gosta de imaginar batalhas de hardware como corrida de cavalos: quem tem mais FLOPS, quem tem mais memória, quem tem mais largura de banda. Só que a Nvidia construiu uma fortaleza onde o hardware é apenas a muralha visível. O fosso está no software, e o fosso é feito de custo de troca.

O TorchTPU, pelo que foi reportado, mira exatamente isso: tornar TPUs amigáveis para o maior framework do planeta, sem exigir que times mudem seu código nem abandonem PyTorch, com colaboração da Meta, e com possibilidade de abrir partes do stack para ganhar tração mais rápido. Essa ameaça não é “as GPUs vão morrer”. Essa ameaça é “as GPUs deixam de ser a única resposta sensata”.

Em mercados de infraestrutura, “única resposta sensata” é como se fabrica margem alta. Quando o cliente não tem alternativa viável, ele aceita preço, prazo, pacote completo, aceitação resignada. Quando aparece uma alternativa boa o suficiente, o cliente não precisa nem migrar para já mudar a conversa. Ele só precisa conseguir dizer, com credibilidade: “eu posso ir embora”.

A Nvidia, por anos, vendeu previsibilidade. “Seu código roda aqui, seu time sabe mexer aqui, seu risco é menor aqui.” Isso sustenta múltiplos altos porque vira uma espécie de seguro embutido. Só que seguro perde valor quando a apólice concorrente fica boa.

Por que a Meta muda o peso específico dessa história

Se esse movimento viesse só do Google, parte do mercado trataria como mais um capítulo do “Google tentando competir com Nvidia”. O Google tem histórico de projetos tecnicamente brilhantes que demoram a virar hábito fora da própria casa.

A Meta muda isso por três motivos. Primeiro, porque a Meta tem interesse econômico brutal em diversificar. O custo de treinamento e inferência em escala de rede social global é um monstro que nunca dorme. Depender de um único fornecedor, num mercado com filas, prazos e preços agressivos, é aceitar fragilidade estratégica. Segundo, porque a Meta é o berço do PyTorch e continua sendo uma força determinante na sua evolução. Quando a empresa que ajudou a criar o framework participa da portabilidade de forma ativa, a chance de isso virar padrão aumenta, porque não é um “plugin lateral”, é o coração do ecossistema se mexendo. Terceiro, porque isso cria efeito cascata. Quando o criador do framework dá sinais de que múltiplos backends importam, ferramentas ao redor se adaptam, bibliotecas seguem, integradores entram, provedores oferecem suporte, e a profecia começa a se autorrealizar.

Esse ponto conversa com outra peça do tabuleiro: não é só software. O Google também tem buscado expandir o negócio de TPUs para fora do seu “jardim murado”, com reportagens indicando oferta de TPUs para uso em data centers de clientes e interesse de grandes compradores. Quando você junta “hardware disponível” com “experiência de PyTorch mais nativa”, o obstáculo deixa de ser filosófico e vira operacional, e isso é o tipo de coisa que compras e infraestrutura entendem muito bem.

O que muda quando “sair” deixa de ser impensável

Aqui é onde o mercado às vezes erra o foco. O preço da ação pode reagir pouco no começo porque o mundo ama narrativas simples, e a narrativa simples é: “Nvidia continua líder, ponto”. Só que a ameaça verdadeira costuma ser lenta, silenciosa e burocrática. Ela nasce em comitê de arquitetura, em prova de conceito, em planilha de custo por inferência.

Quando existe alternativa real, acontecem mudanças bem específicas:

• Negociação: o cliente passa a negociar preço e condições com mais força, mesmo sem trocar nada no curto prazo.
• Planejamento: times começam a desenhar pipelines com portabilidade em mente, para não serem reféns.
• Padronização: ferramentas passam a assumir múltiplos backends como normal, e isso reduz a vantagem do “default histórico”.
• Margem: margens caem antes da participação de mercado cair, porque o poder de precificação é o primeiro a sofrer.

A Nvidia não precisa perder o trono para perder poder. Ela só precisa deixar de ser inevitável.

A parte difícil que quase todo mundo subestima

A história seria fácil se bastasse “rodar PyTorch na TPU” e pronto. Não é assim. Construir paridade prática com CUDA em ambientes corporativos é o tipo de trabalho ingrato que exige anos de engenharia, testes e acertos finos. A própria existência de discussões públicas sobre tornar o backend mais “nativo” mostra que ainda há estrada pela frente.

Alguns desafios que costumam aparecer nesse tipo de migração, mesmo quando o código do modelo não muda:

• cobertura completa de operadores e casos de borda,
• estabilidade e previsibilidade em produção, com observabilidade madura,
• desempenho consistente em modelos variados, não só em benchmarks “favoráveis”,
• suporte a treinamento distribuído e inferência em escala com ergonomia de engenharia,
• ecossistema ao redor, como quantização, kernels customizados, serving, compilação, profiling.

O detalhe é que essa lista não precisa ficar perfeita para ameaçar o lock-in. Ela precisa ficar boa o suficiente em um subconjunto valioso, por exemplo, inferência massiva de modelos populares, ou treinamento de certas famílias de arquitetura. Em infraestrutura, atacar um pedaço muito caro do custo já é suficiente para criar “saídas” na fortaleza.

E a Nvidia, fica parada?

Seria estranho imaginar a Nvidia olhando isso de braços cruzados. Ela tem recursos, talento e uma vantagem real: maturidade de ecossistema, ferramental e rede de parceiros.

O que tende a acontecer, como dinâmica de mercado, é uma corrida em duas frentes:

1. A Nvidia reforça o valor do seu ecossistema, com melhores ferramentas, melhor performance, melhores bibliotecas, mais integração com frameworks, mais facilidades que façam o custo de ficar parecer ainda menor.
2. O resto do mercado tenta reduzir o custo de sair, criando caminhos compatíveis, “nativos”, que façam a troca parecer só uma decisão de infraestrutura.

O segundo ponto é exatamente o que torna TorchTPU interessante, e por que a participação da Meta é um multiplicador, não um detalhe.

O cenário mais plausível, se essa peça encaixar

Em vez de imaginar um “colapso” da Nvidia, a visão mais realista é um deslocamento gradual do centro de gravidade:

• no começo, TPUs viram alternativa crível para alguns workloads, principalmente onde custo por inferência pesa mais que qualquer outra coisa,
• depois, empresas começam a adotar postura multi fornecedor, mesmo mantendo Nvidia como base,
• com o tempo, a pressão competitiva aparece em preços, prazos e contratos, antes de aparecer em manchetes dramáticas.

Esse é o tipo de mudança que, vista de perto, parece lenta. Vista de longe, parece inevitável.

Uma última observação, que vale ouro para não cair em torcida: nada disso é destino. É uma hipótese de engenharia e mercado. Se o TorchTPU virar uma integração meia boca, se a experiência continuar “especial”, se o desempenho for inconsistente, se o suporte corporativo for frágil, a Nvidia segue com o fosso cheio de crocodilos. Se o TorchTPU entregar uma experiência realmente banal, previsível e eficiente, aquela palavra que sustenta impérios, inevitável, começa a perder o sentido.

---

Referências

Exclusive: Google works to erode Nvidia's software advantage with Meta's help https://www.reuters.com/business/google-works-erode-nvidias-software-advantage-with-metas-help-2025-12-17/

Cloud Tensor Processing Units (Cloud TPUs) https://cloud.google.com/tpu

PyTorch/XLA https://github.com/pytorch/xla

Evolving PyTorch/XLA for a more native experience on TPU https://github.com/pytorch/xla/issues/9684

Cloud TPU release notes https://docs.cloud.google.com/tpu/docs/release-notes

Meta and Google could be about to sign a mega AI chip deal - and it could change everything in the tech space https://www.techradar.com/pro/meta-and-google-could-be-about-to-sign-a-mega-ai-chip-deal-and-it-could-change-everything-in-the-tech-space

Leia Mais

O desenvolvimento da tecnologia e economia

Um jeito para começar é admitir o óbvio que esquecemos: a economia global é, em grande parte, um gigantesco sistema de informação disfarçado de “mercado”. Dinheiro é informação. Preço é informação. Juros são informação. Estoque parado em um galpão é informação atrasada, quase sempre cara. Quando você olha por esse ângulo, tecnologia deixa de ser “um setor” e vira um tipo de infraestrutura cognitiva que permite que bilhões de decisões descentralizadas aconteçam com menos atrito.

E é aqui que a conversa fica interessante: o que chamamos de “desenvolvimento tecnológico” não é só a invenção de novas possibilidades, é a criação de meios para reduzir incerteza, coordenar ações e automatizar confiança. Parece abstrato? Vamos entender melhor isso.

Pensa num produtor de café no interior de Minas Gerais no Brasil, negociando com uma torrefadora na Europa. Décadas atrás, esse contrato dependia de telefonemas, intermediários, papelada, bancos correspondentes, prazos longos, taxas gordas e uma boa dose de fé. Hoje, ele pode acompanhar preço em tempo real, travar parte do risco com instrumentos financeiros acessíveis, emitir nota, rastrear logística e receber em prazos menores. A colheita é a mesma, o que mudou foi o “sistema nervoso” que conecta oferta e demanda.

Esse sistema nervoso é feito de tecnologias atuais que costumamos tratar como coisas separadas: computação em nuvem (infraestrutura sob demanda, paga conforme uso), redes móveis, plataformas, APIs (interfaces de programação de aplicações, “tomadas” digitais que conectam sistemas), aprendizado de máquina (modelos estatísticos que aprendem padrões a partir de dados), criptografia (técnicas matemáticas para proteger e validar informação). Só que o efeito econômico aparece quando elas se combinam e viram capacidade de coordenação.

Coordenação é uma palavra que soa burocrática, só que ela é uma das forças mais caras do mundo. Em economia, existe um conceito útil chamado custo de transação (o custo de buscar informação, negociar, fiscalizar, garantir cumprimento). Se um país inteiro consegue reduzir custos de transação, ele “ganha produtividade” mesmo sem descobrir um novo mineral, mesmo sem aumentar a área plantada, mesmo sem achar um motor mágico. Ele passa a fazer mais com o que já tem. Isso ajuda a explicar por que softwares e sistemas, que parecem etéreos, conseguem mexer em coisas tão materiais quanto inflação, emprego e crescimento.

Aí aparece uma pergunta que incomoda: se tecnologia melhora produtividade, por que tantos sente a vida mais cara e mais instável? A resposta é bem mais complexa, é um conjunto de camadas. Ganhos de produtividade nem sempre viram salário, nem sempre viram preço mais baixo, às vezes viram concentração de mercado, às vezes viram novos custos (assinaturas, taxas, dependência), às vezes viram velocidade demais para instituições lentas. Tecnologia resolve problemas e cria outros, e os novos problemas costumam ser mais sutis.

Vamos falar de desenvolvimento de sistemas, porque é ali que a economia vira prática. “Sistema”, no mundo real, é uma rede de decisões automatizadas. Um ERP (Enterprise Resource Planning, software que integra finanças, estoque, compras e produção) não é só um programa, é um jeito de impor uma gramática à empresa: como se compra, como se registra, como se mede, como se audita. Quando uma empresa adota um ERP, ela está escolhendo um modelo de mundo. Essa escolha pode aumentar eficiência, mas também pode engessar processos ou esconder vieses, dependendo de como foi configurado.

Quem nunca ouviu alguém dizer “o sistema não deixa”? Esse “não deixa” é economia em ação. É governança (conjunto de regras e mecanismos de controle) codificada. E governança codificada pode ser maravilhosa quando reduz fraude e desperdício, pode ser péssima quando impede exceções humanas necessárias. Um hospital, por exemplo, precisa de protocolos; um protocolo rígido demais pode virar crueldade logística.

Essa ambivalência fica ainda mais forte quando sobemos para o nível global. Cadeias de suprimento modernas são sistemas distribuídos (partes independentes que cooperam por meio de comunicação e padrões). Distribuído aqui não é só “espalhado”, é um desenho em que cada nó toma decisões localmente, seguindo regras comuns. Isso dá resiliência, mas também abre portas para falhas sistêmicas: um porto congestionado, uma falta de semicondutores, um ataque cibernético, uma pandemia. O mundo fica eficiente e frágil ao mesmo tempo. Eficiência não é sinônimo de robustez; às vezes é o contrário.

A economia global vem buscando soluções justamente nesse dilema: como manter a produtividade sem aumentar a fragilidade? Uma resposta forte é observabilidade (capacidade de medir o que está acontecendo dentro de sistemas complexos a partir de dados e sinais). Observabilidade começou como um tema de engenharia de software, com logs, métricas e rastreamento. Hoje, ela virou peça econômica. Empresas querem enxergar seus fluxos quase como um organismo enxerga seus próprios batimentos.

E aqui aparece um ponto-chave: tecnologia não “cria riqueza” do nada; ela reorganiza informação, tempo e confiança. Quando você reorganiza esses três elementos, você altera o custo de coordenação e, por extensão, altera a produtividade. Esse é um dos motores discretos da economia digital.

Repara como esse ponto é menos glamouroso do que dizer “IA vai revolucionar tudo”. Só que ele explica mais. E por explicar mais, ele incomoda mais.

Falando em IA, o aprendizado de máquina não é “inteligência” no sentido humano; é uma coleção de técnicas para estimar funções a partir de dados, encontrando padrões úteis para previsão ou classificação. Um modelo pode prever inadimplência com boa precisão e ainda assim ser injusto, porque aprende padrões do passado, e o passado tem desigualdades. Se bancos automatizam crédito usando esses modelos, a economia ganha eficiência operacional, só que pode ampliar exclusão financeira se não houver governança e auditoria.

Auditoria algorítmica (processos para avaliar desempenho, vieses e impactos de modelos) vira um tema econômico porque crédito é energia do capitalismo. Crédito define quem investe, quem cresce, quem quebra. Um erro em escala não é um bug simpático, é uma força social.

Em desenvolvimento de sistemas, isso se traduz em uma mudança de mentalidade: não basta “funcionar”, precisa ser confiável, explicável em certo grau, seguro, compatível com leis, compatível com valores sociais. “Compatível com valores” pode soar moralista, só que é só realismo: sistemas moldam comportamento. Um aplicativo de transporte redefine como a cidade se move. Um marketplace redefine como pequenos vendedores competem. Uma plataforma de pagamentos redefine como informalidade vira formalidade, ou como novas taxas corroem margens.

Plataformas são outro conceito que merece definição, no sentido econômico, é uma estrutura que conecta grupos diferentes (por exemplo, compradores e vendedores) e cria efeitos de rede (quanto mais gente usa, mais valioso fica). Efeito de rede é poderoso porque gera concentração natural: as pessoas preferem onde já tem gente. Isso pode aumentar eficiência e reduzir custo de busca, mas também pode criar dependência e poder de mercado.

Você sente isso quando um pequeno negócio se torna refém de um app de entrega. O app resolve logística e acesso a clientes, só que cobra taxas, define regras, pode mudar o algoritmo de exposição. A empresa “ganha” mercado e “perde” autonomia. Economia digital é cheia dessas trocas: eficiência por controle.

E por falar em controle, a infraestrutura invisível do mundo atual é a nuvem. Nuvem não é “um lugar”; é um modelo de computação em que recursos são provisionados sob demanda, em data centers gigantes, com contratos e camadas de serviço. Isso permite que uma startup tenha poder computacional de corporação sem comprar servidores. É um choque de democratização produtiva. Só que também cria concentração: poucos provedores controlam a infraestrutura central de milhares de empresas. Um apagão na nuvem vira um mini-terremoto econômico.

Quando o tema é economia global, tecnologias que reduzem barreiras de entrada importam muito. Barreira de entrada é tudo aquilo que impede alguém de competir: capital inicial alto, necessidade de escala, regulação difícil, acesso a distribuição. Nuvem, ferramentas open source, pagamentos digitais e logística integrada baixam algumas barreiras. Isso explica por que tantos microempreendedores surgem e também explica por que a competição fica brutal. Se é mais fácil entrar, é mais fácil ser esmagado. O mercado vira um estádio com mais jogadores e regras mais rápidas.

Vamos dar um salto para um assunto que costuma passar: padrões. Padrão é chato, e exatamente por isso ele é revolucionário. Um padrão de dados (por exemplo, um formato de nota fiscal eletrônica, um protocolo de pagamento, um esquema de interoperabilidade) permite que sistemas “conversem” sem negociação individual. Interoperabilidade (capacidade de sistemas diferentes trocarem informação e operarem juntos) é uma forma de infraestrutura pública, mesmo quando é feita por consórcios privados.

Quando um país cria um sistema de pagamentos instantâneos, o efeito econômico não é só conveniência. Pagamentos instantâneos reduzem capital de giro necessário (dinheiro parado para cobrir prazo), reduzem risco de liquidação, permitem novos modelos de negócio e também aumentam rastreabilidade, o que muda a dinâmica de informalidade e arrecadação. A solução parece “tecnológica”, mas a consequência é macroeconômica.

Macroeconomia, aliás, vive sendo tratada como um bicho separado. Só que desenvolvimento de sistemas mexe com macroeconomia porque mexe com a velocidade do dinheiro, com a competição, com a formação de preços. Quando marketplaces comparam preços em milissegundos, o varejo muda. Quando algoritmos otimizam rotas, o custo logístico muda. Quando fintechs usam dados alternativos para crédito, o spread (diferença entre custo de captação e taxa cobrada) pode cair para alguns e subir para outros. Tudo depende de desenho, regulação e poder de mercado.

Regulação é outra palavra que costuma ser pintada como vilã ou heroína, quando ela é, na prática, um mecanismo de sincronização entre tecnologia e sociedade. Sem regulação, incentivos podem premiar o atalho perigoso: coletar dados demais, explorar trabalho, externalizar risco. Com regulação mal desenhada, você mata inovação e cria cartéis involuntários. O ponto difícil é calibrar.

E calibrar exige entender como inovação acontece. Existe uma visão ingênua de que inovação é um gênio inventando algo e pronto. No mundo real, inovação é uma cadeia: ciência básica, engenharia, produto, mercado, feedback, iteração, padronização, escala. Desenvolvimento de sistemas é o motor dessa iteração porque transforma hipótese em serviço operável. Operável significa rodar com milhões de usuários, com falhas previstas, com segurança, com monitoramento. Isso é uma ciência aplicada de altíssimo nível, mesmo quando é vendida como “um app”.

Segurança merece um parágrafo inteiro, porque ela é uma variável econômica. Cibersegurança (proteção de sistemas contra acesso indevido e ataques) custa dinheiro, e ataques também custam dinheiro, só que o custo aparece em lugares diferentes. Quando uma empresa economiza em segurança, ela reduz despesa hoje e aumenta risco sistêmico amanhã. Em escala global, isso é parecido com poluição: o incentivo individual pode produzir dano coletivo. A diferença é que o dano pode ser instantâneo e invisível. Um ransomware em hospital não é um incidente “digital”, é um incidente humano.

Aí volta a pergunta: tecnologia está “dando soluções” para a economia global? Sim, em vários sentidos mensuráveis: reduz custos de coordenação, amplia acesso, acelera inovação, melhora eficiência energética em alguns setores, otimiza recursos escassos. Só que ela também cria dilemas novos: concentração, precarização em alguns modelos, dependência de infraestrutura, assimetrias de informação ainda mais sofisticadas, e uma espécie de ansiedade sistêmica, porque o mundo fica mais rápido do que nossa capacidade de deliberar.

Talvez a parte mais delicada seja a assimetria de informação. Assimetria de informação é quando uma parte sabe muito mais do que a outra numa transação. A economia clássica já sabia que isso gera problemas: seleção adversa, moral hazard. No mundo digital, assimetria de informação vira uma arte. Plataformas sabem padrões de consumo, elasticidade de preço (o quanto a demanda muda quando o preço muda), propensão a compra, horários, renda provável. Isso permite personalização, o que pode ser ótimo, e também permite discriminação de preços, o que pode ser abusivo se não houver transparência.

E é aqui que dá para reforçar aquele ponto-chave: o eixo oculto dessa história é confiança automatizada. Quando sistemas conseguem registrar, validar e prever, eles substituem partes do tecido social que antes dependiam de instituições lentas ou relações pessoais. Essa substituição reduz fricção e aumenta produtividade, só que muda o poder de quem controla os mecanismos de validação. Quem decide o que conta como “verdade” no sistema? Quem tem o botão de desligar? Quem audita o auditor?

A economia global, hoje, é uma disputa por governança de infraestrutura digital. Não é só sobre gadgets. É sobre camadas: camada de dados, camada de computação, camada de pagamento, camada de identidade, camada de logística, camada de reputação. Reputação é especialmente interessante. Sistemas de reputação (notas, avaliações, histórico) resolvem um problema antigo: como confiar em estranhos. Eles fazem isso transformando comportamento em números. Só que números viram incentivos, e incentivos mudam comportamento. O motorista corre para manter nota, o vendedor implora avaliação, o consumidor usa a avaliação como arma.

Esse detalhe puxa outro: inovação técnica frequentemente resolve um gargalo e empurra o gargalo para outro lugar. Se você otimiza logística, o gargalo pode virar embalagem. Se você otimiza crédito, o gargalo pode virar inadimplência em crise. Se você otimiza produção, o gargalo pode virar descarte e sustentabilidade. Solução local, problema global. Um olhar científico pede que a gente trate isso como sistema dinâmico (sistema que muda no tempo com feedbacks). Feedback é quando uma saída do sistema volta como entrada e altera o comportamento. Mercados estão cheios de feedbacks: preço sobe, demanda cai, produção ajusta, preço cai. Tecnologia acelera esses loops.

A aceleração pode ser saudável ou caótica. Em mercados financeiros, por exemplo, automação e alta frequência tornaram o sistema mais eficiente em condições normais e mais propenso a eventos rápidos em condições extremas. Eficiência média e risco de cauda (eventos raros, muito danosos) podem andar juntos. Economia global vive tentando colher eficiência sem pagar a conta das caudas.

E o que isso tem a ver com desenvolvimento de sistemas? Tudo, porque sistemas são a forma concreta como esses loops são implementados. Um bug num sistema de precificação pode gerar uma cascata. Um erro num sistema de estoque pode causar desperdício em massa. Um erro num modelo de previsão pode gerar falta de produto, inflação localizada, perda de confiança. Quando tudo é conectado, pequenos erros ganham alavanca.

É por isso que engenharia de software moderna fala tanto de capacidade de continuar operando sob falhas e de testes intencionais de falhas para entender comportamento. Parece papo de dev, só que é economia aplicada. Uma empresa aguenta choques sem quebrar, uma cadeia resiliente reduz risco de desabastecimento; um setor resiliente evita que um incidente local vire crise macro.

O desafio prático, para quem constrói sistemas e para quem pensa economia, é reconhecer que “solução” raramente é um objeto, solução é um arranjo. Arranjo de incentivos, de padrões, de governança, de auditoria, de infraestrutura e de cultura. Quando esse arranjo é bem desenhado, tecnologias atuais viram ferramentas de prosperidade distribuída. Quando é mal desenhado, viram amplificadores de desigualdade e fragilidade.

Leia Mais

Engenharia de software moderna

Software virou infraestrutura social. Ele está no banco, no hospital, no transporte, no comércio, na escola, no governo, no entretenimento, na logística, na indústria, no celular que acorda você e no sistema que decide se uma transação deve ser bloqueada. Essa presença ubíqua cria uma exigência dupla: de um lado, velocidade de entrega e adaptação a mudanças; de outro, confiabilidade, segurança e previsibilidade. O ponto central da engenharia de software, como disciplina, é lidar com essa tensão sem cair em dois extremos igualmente perigosos: improviso permanente (que reduz custo hoje e multiplica custo amanhã) e burocracia rígida (que dá sensação de controle, mas entrega pouco valor real).

Um modo de organizar o tema é pensar que engenharia de software não é “programar melhor”, e sim projetar, construir, verificar, medir, operar e evoluir sistemas com métodos que reduzam risco. Programação é parte do processo, mas o problema real é sistêmico: requisitos mudam, ambientes variam, integrações falham, pessoas interpretam de formas diferentes, a complexidade cresce, o produto envelhece por mudança e pressão de prazo produz atalhos. A disciplina existe para transformar esse cenário em um trabalho mais controlável, repetível e auditável.

Teste em aplicações Web: variabilidade, estado e integração contínua

Aplicações para Web têm um conjunto de características que ampliam o espaço de falhas possíveis. Primeira característica: heterogeneidade do ambiente. Um mesmo sistema precisa funcionar em navegadores distintos, versões diferentes, sistemas operacionais variados, tamanhos de tela diversos, conexões instáveis e contextos de uso imprevisíveis. Segunda: composição por camadas, tipicamente interface, serviços, banco de dados, cache, autenticação, mensageria, serviços externos. Terceira: alta dependência de rede, o que inclui latência, perda de pacotes, variações de banda e indisponibilidades parciais. Quarta: ritmo frequente de atualização, com deploys contínuos e mudanças incrementais.

Do ponto de vista prático, o teste em Web precisa ser visto como um conjunto de estratégias complementares. Testes de unidade ajudam a validar funções e componentes isolados; testes de integração verificam a interação entre módulos e serviços; testes de sistema avaliam o comportamento do produto como um todo; testes de regressão protegem contra efeitos colaterais de mudanças. Em Web, um desafio recorrente é o estado: sessão, cookies, tokens, armazenamento local, cache, filas, idempotência e concorrência. Falhas aparecem quando uma sequência de ações cria um estado raro, que não foi antecipado. Por isso, testes baseados em cenários (ou roteiros) têm relevância: eles simulam fluxos reais do usuário, incluindo caminhos de erro, expiração de sessão, reautenticação, interrupção de rede, repetição de requisições e comportamento sob latência.

Outro aspecto didático é separar testes funcionais (o sistema faz o que deve fazer) de testes não funcionais (o sistema atende propriedades como desempenho, disponibilidade, segurança, usabilidade). Em aplicações Web, ignorar não funcionais costuma ser caro, porque a percepção do usuário é dominada por tempo de resposta, clareza de erros e confiabilidade. Um sistema que “funciona” mas trava sob carga, ou retorna mensagens confusas, é percebido como defeituoso. Essa percepção tem impacto direto em adoção, conversão, suporte e reputação.

Automação torna-se quase obrigatória em Web quando há ciclos curtos de release. Testes manuais têm valor exploratório e ajudam a descobrir comportamentos inesperados, mas não escalam como barreira de regressão. Uma abordagem robusta combina: suíte automatizada rápida (executada a cada commit), suíte mais abrangente (executada em pipeline), testes de aceitação automatizados para fluxos críticos e monitoramento pós-deploy com métricas e alertas. Essa combinação não elimina falhas, só desloca o sistema para um regime mais controlado de detecção e resposta.

Teste de aplicativos móveis: fragmentação, sensores e condições reais

Aplicativos móveis adicionam complexidades próprias. O ecossistema é fragmentado: fabricantes, modelos, versões do sistema operacional, restrições de energia, gerenciamento agressivo de processos, permissões que variam por versão, políticas de armazenamento, APIs que mudam. O app também conversa com hardware: câmera, GPS, microfone, acelerômetro, biometria, Bluetooth, NFC. Há ainda o contexto de mobilidade: o usuário alterna de rede Wi-Fi para 4G/5G, atravessa áreas sem sinal, troca de orientação de tela, recebe notificação, muda de app, volta, bloqueia a tela, reabre, reinicia o aparelho.

Essa realidade cria uma regra prática: testar em emulador é necessário, mas insuficiente. Emuladores aceleram desenvolvimento e cobrem parte do espaço, só que diferenças de desempenho, sensores e políticas de energia fazem bugs aparecerem apenas em dispositivos reais. Um programa de testes minimamente científico para mobile precisa considerar amostras representativas de dispositivos e versões, além de testes voltados a interrupções: chamadas, notificações, perda de rede, mudança de permissões, falta de espaço, atualização do sistema, reinício forçado do processo. Também se torna importante avaliar consumo de bateria, uso de memória e impacto térmico, porque essas dimensões influenciam diretamente estabilidade e avaliação do usuário.

No mobile, a disciplina de qualidade se beneficia de uma separação clara entre lógica de negócio e camadas de interface. Quanto mais o núcleo do sistema é testável de forma isolada, menor a dependência de testes de interface “frágeis” (que quebram com pequenas mudanças visuais). A arquitetura influencia testabilidade. Arquiteturas com boa modularidade favorecem testes unitários e testes de integração bem focados, reduzindo o custo de regressão.

Engenharia de segurança: ameaça, vulnerabilidade e controle contínuo

Segurança não é um evento, é um processo. Em sistemas conectados, a superfície de ataque é permanente: credenciais, tokens, APIs, dependências, configurações de nuvem, armazenamento, logs, integrações, dispositivos. Um erro de permissão, uma biblioteca vulnerável, um segredo exposto, uma validação ausente ou uma configuração permissiva pode ser suficiente para comprometer dados. Isso vale tanto para Web quanto para mobile, sistemas corporativos e aplicações públicas.

Um modelo didático útil é separar ameaça (o que pode atacar), vulnerabilidade (o que pode ser explorado), impacto (o dano potencial) e probabilidade (o quão viável é a exploração). Esse raciocínio estrutura gestão de risco em segurança. Em engenharia, fala-se também em princípios como menor privilégio, defesa em profundidade, validação de entrada, auditoria, criptografia adequada, segmentação, rotação de segredos, política de atualização e resposta a incidentes.

Há uma nuance relevante: segurança precisa ser tratada desde requisitos e projeto, não apenas no fim. O motivo é simples. Certas propriedades não podem ser “coladas” depois com baixo custo. Se a arquitetura não prevê isolamento de dados, rastreabilidade de ações e controle de acesso consistente, a correção tardia tende a ser invasiva e cara. Abordagens formais de modelagem de ameaças e revisão de projeto ajudam a reduzir surpresas. Em termos práticos, a disciplina se manifesta em pipeline (análise de dependências, varredura de vulnerabilidades, verificação de configuração), em código (revisão, padrões seguros), em operação (monitoramento, alertas, resposta a incidentes) e em governança (políticas, treinamento, auditoria).

Modelagem formal e verificação: quando testar não basta

Testes demonstram a presença de defeitos, não provam sua ausência. Em sistemas críticos, essa limitação é mais séria. Modelagem formal e verificação entram como ferramentas para reduzir incerteza em propriedades específicas: correção lógica, invariantes, ausência de certos tipos de falha, consistência de protocolos. Em termos simples, métodos formais constroem modelos matemáticos do comportamento do sistema e permitem provar propriedades sob hipóteses definidas.

Essas técnicas não são uma substituição universal para teste. O custo de modelagem, a complexidade do domínio e o grau de formalização necessário podem ser altos. O uso mais comum e eficaz é em partes onde o risco é elevado: algoritmos de consenso, controle de acesso, protocolos de autenticação, lógica de segurança, mecanismos de concorrência, sistemas embarcados críticos. Em contextos não críticos, técnicas formais ainda podem aparecer como verificações pontuais, contratos, tipos mais expressivos, análise estática e provas parciais. O objetivo é o mesmo: reduzir o espaço de comportamentos inesperados onde um defeito é caro demais para ser descoberto apenas em produção.

Gestão de configuração: controlar mudança para preservar integridade

Em software, a mudança é inevitável. A disciplina que permite mudar sem perder controle é a gestão de configuração. Ela envolve versionamento, rastreabilidade, controle de builds, gerenciamento de branches, estratégia de releases, controle de artefatos, política de merge, revisão de código e gestão de dependências. O objetivo é manter o sistema reprodutível: conseguir responder “o que foi entregue?”, “qual versão está em produção?”, “quais mudanças entraram neste release?”, “como reproduzir o build?”, “qual dependência mudou e por quê?”.

Sem gestão de configuração, a organização entra em uma zona de risco operacional: builds não reproduzíveis, correções que se perdem, regressões que reaparecem, divergência entre ambientes, dependências inconsistentes, hotfixes aplicados “direto em produção”. A complexidade moderna, com microserviços, múltiplas pipelines e infra como código, torna a disciplina ainda mais importante. Controle de mudança não significa impedir mudança; significa torná-la observável e reversível.

Métricas de produto: medir para decidir

Métricas existem para apoiar decisão. Métricas de produto podem olhar para tamanho, complexidade, qualidade e comportamento em operação. Medidas como densidade de defeitos, complexidade ciclomática, cobertura de testes, acoplamento, coesão, duplicação e taxa de falhas em produção podem orientar ações de melhoria. Métricas operacionais como latência, taxa de erro, disponibilidade, consumo de recursos e tempo de recuperação também entram na avaliação.

Há um cuidado metodológico: toda métrica é um modelo simplificado. Se ela vira alvo, tende a ser manipulada, consciente ou inconscientemente. Medir linhas de código como produtividade, por exemplo, distorce comportamento: incentiva verbosidade e reduz refatoração. Uma prática mais madura liga métricas a objetivos claros: reduzir incidentes, aumentar confiabilidade, melhorar previsibilidade, diminuir tempo de ciclo, reduzir custo de manutenção. Métrica deve ser contextualizada por domínio e risco. O que é aceitável em um protótipo não é aceitável em um sistema financeiro. O que é suficiente em um produto interno pode não bastar em escala pública.

Métricas de processo e projeto: capacidade, estabilidade e melhoria contínua

Métricas de processo observam como o trabalho flui: lead time, throughput, taxa de retrabalho, frequência de deploy, tempo de correção, taxa de falhas pós-release. Métricas de projeto procuram entender esforço, custo, prazos e aderência a planos, sempre reconhecendo incerteza. Em termos didáticos, processo não é “como deveria ser”, é “como realmente acontece”. Se a organização mede com honestidade, consegue identificar gargalos, desperdícios e causas de variabilidade.

Melhoria de processo é um tema que tende a ser mal interpretado como “implantação de um framework”. A parte científica é outra: identificar problema, coletar evidências, propor mudança, medir resultado, ajustar. Processo é um sistema socio­técnico: pessoas, ferramentas, comunicação, cultura, incentivos, restrições. A mesma prática pode funcionar bem em um time e falhar em outro por motivos de contexto. Melhorar processo exige experimentação controlada e feedback.

Estimativas: lidar com incerteza de modo explícito

Estimativa em software não é adivinhação, é modelagem sob incerteza. O problema é que software envolve descoberta. Muitas vezes não se sabe, no início, o que será necessário para satisfazer necessidades reais do usuário. Mesmo quando o requisito é claro, a solução pode ser incerta por causa de integrações, desempenho, migrações, dados legados, variabilidade de ambiente, dependências externas.

Estimativas robustas costumam decompor o trabalho, identificar riscos e construir faixas, não números únicos. Elas se beneficiam de histórico (dados de projetos anteriores), de modelos paramétricos (quando aplicáveis) e de revisão iterativa conforme o entendimento melhora. Em termos de gestão, uma estimativa madura vem acompanhada de premissas: o que está dentro do escopo, o que está fora, quais dependências existem, qual nível de qualidade é exigido, quais incertezas permanecem, quais critérios definem “pronto”. Sem premissas, estimativa vira promessa, e promessa vira conflito quando a realidade muda.

Cronograma: coordenação, dependências e visibilidade de progresso

Cronogramas em software têm utilidade quando refletem dependências reais e quando incorporam margens para incerteza. O erro recorrente é tratar cronograma como instrumento de pressão, não de coordenação. Quando o prazo vira dogma, o time tende a sacrificar teste, refatoração, revisão e documentação. O resultado costuma ser uma entrega rápida que cria custo elevado de manutenção e regressão, com efeito líquido negativo no médio prazo.

Um cronograma didático e racional liga atividades a entregas verificáveis: protótipos, incrementos, releases, validações. Ele mapeia dependências externas (por exemplo, aprovação regulatória, integração com fornecedor, dados disponíveis, infraestrutura pronta). Ele descreve marcos que podem ser auditados por evidência, não por sensação. Em engenharia, progresso não é “percentual”, é capacidade de demonstrar comportamento funcionando em condições definidas.

Gestão de riscos: antecipar, mitigar e preparar resposta

Risco é a combinação de probabilidade e impacto. Em projetos de software, riscos comuns incluem: requisitos instáveis, subestimação de esforço, dependências externas, dívida técnica acumulada, falta de dados de produção, falhas de segurança, indisponibilidade de pessoal-chave, complexidade arquitetural, mudanças de prioridade, limitações de infraestrutura, ausência de testes, migrações mal planejadas.

Gestão de risco não é pessimismo, é engenharia. Identificar riscos cedo permite mitigação com custo menor. Mitigar pode significar prototipar cedo uma integração crítica, criar ambientes de teste realistas, automatizar regressão, endurecer segurança, reduzir escopo, fatiar entregas, treinar equipe, revisar arquitetura, criar planos de rollback. Também envolve monitorar sinais. Um risco não some porque foi escrito em um documento; ele exige acompanhamento.

Manutenção e reengenharia: o ciclo de vida real do software

A maior parte do custo de um sistema, ao longo do tempo, está na manutenção. Manutenção inclui correção de defeitos, adaptação a mudanças externas, melhoria de desempenho, evolução funcional, refatoração e ajustes de segurança. O motivo é estrutural: sistemas vivem em ambientes que mudam. Não é realista imaginar que um software possa ser “finalizado” e permanecer estável. A engenharia madura planeja manutenção como parte do produto.

Reengenharia aparece quando o custo de manutenção cresce demais, ou quando há necessidade de modernizar tecnologia, migrar arquitetura, separar componentes, reduzir complexidade, extrair serviços, reestruturar dados. Reengenharia não é reescrever “do zero” por impulso. Uma abordagem responsável avalia risco de migração, preservação de regras de negócio, compatibilidade com dados, continuidade operacional. Muitas organizações fracassam ao reescrever porque subestimam conhecimento incorporado no sistema antigo: exceções, detalhes de domínio, comportamentos emergentes, dependências não documentadas.

Um programa de evolução sustentável combina refatoração contínua, melhoria incremental, testes robustos, observabilidade e decisões arquiteturais com base em evidência. Quando essas práticas faltam, a organização entra em um ciclo de “remendos” que aumentam complexidade e reduzem previsibilidade.

Tendências emergentes: escala, automação e sistemas inteligentes

Tendências em engenharia de software costumam intensificar a complexidade: distribuição em microserviços, computação em nuvem, infraestrutura como código, automação de pipelines, observabilidade avançada, segurança integrada ao ciclo de desenvolvimento, uso de modelos de aprendizado de máquina, arquiteturas orientadas a eventos. A disciplina evolui para lidar com sistemas mais dinâmicos, com atualizações frequentes e maior interação com terceiros.

Uma consequência dessa tendência é a centralidade de dados e telemetria. Sistemas modernos precisam ser observáveis: logs estruturados, métricas, rastreamento distribuído, auditoria, alertas significativos. Sem isso, problemas se tornam longos e caros para diagnosticar. Outra consequência é o fortalecimento de práticas de confiabilidade: testes de carga, engenharia de caos, análise de falhas, planos de continuidade, exercícios de incidentes. Em ambientes complexos, falha não é hipótese distante; é evento esperado, cujo impacto deve ser controlado.

Síntese: disciplina como redução sistemática de incerteza

Engenharia de software pode ser entendida como um conjunto de métodos para reduzir incerteza em um domínio que muda continuamente. Testes em Web e mobile enfrentam variabilidade de ambiente e estado; segurança exige pensamento orientado a ameaça e controle contínuo; métodos formais reduzem incerteza em propriedades críticas; gestão de configuração controla mudança e preserva reprodutibilidade; métricas apoiam decisões e melhoria; estimativas e cronogramas precisam reconhecer descoberta e risco; manutenção e reengenharia representam o ciclo de vida real; tendências emergentes aumentam a importância de automação, observabilidade e confiabilidade.

A disciplina não elimina falhas, prazos apertados ou mudanças de requisito. Ela cria um terreno onde essas forças deixam de ser pura improvisação e passam a ser fenômenos administráveis, com evidências, estratégias e mecanismos de controle. Quando aplicada com rigor e adaptação ao contexto, a engenharia de software transforma o desenvolvimento em uma prática tecnicamente consistente, verificável e sustentável — exatamente o que sistemas críticos e produtos de longo prazo exigem.

Leia Mais

Por dentro de Machine Learning

Quando se diz que “a máquina aprendeu sozinha”, isso parece quase uma frase de ficção científica. Só que, na prática, é exatamente isso que está acontecendo em coisas bem concretas: o filtro de spam do e-mail, o sistema que sugere filmes, o carro que freia sozinho, o chatbot que conversa com você. Tudo isso tem um mesmo coração tecnológico: machine learning, ou aprendizado de máquina.

Mas o que exatamente significa uma máquina “aprender”? E como isso se diferencia de simplesmente programar um monte de regras “se acontecer X, faça Y”?

---

O que é, de fato, machine learning?

Machine learning é um ramo da inteligência artificial focado em algoritmos que conseguem reconhecer padrões em dados e, a partir disso, fazer previsões ou tomar decisões sem que alguém precise programar todas as regras explicitamente.

Em vez de escrever um código cheio de regras do tipo “se tal coisa acontecer, então faça tal outra”, o que se faz é:

1. escolher um tipo de modelo (o “jeito” matemático de olhar para os dados)
2. mostrar muitos exemplos desse problema para o modelo (o chamado conjunto de treinamento)
3. ajustar o modelo até que ele consiga acertar bem nesses exemplos
4. depois, colocar esse modelo para trabalhar em dados novos, do mundo real

Esse processo de aprendizado em cima de dados é o que faz o machine learning ser a base da maioria dos sistemas de IA atuais: modelos de previsão, carros autônomos, grandes modelos de linguagem (LLMs), ferramentas de IA generativa, sistemas de recomendação em plataformas de streaming e por aí vai.

O objetivo principal não é “decorar” o conjunto de treinamento. O grande desafio é generalizar: ir bem em dados que o modelo nunca viu antes. Treinar é um meio; o fim é acertar no desconhecido. Quando o modelo sai do laboratório e começa a ser usado de verdade, essa etapa de uso recebe o nome de inferência.

IA, machine learning e um termostato simples

Muitos misturam “IA” e “machine learning” como se fossem sinônimos, mas não são.

• Inteligência artificial é qualquer sistema que toma decisões ou faz previsões sem intervenção humana o tempo todo, usando informação de entrada.
• Machine learning é um subconjunto disso: são os métodos em que a lógica não é explicitamente programada, mas aprendida a partir dos dados.

Um exemplo simples de IA que não usa machine learning é um termostato. Ele pode funcionar com regras bem diretas, por exemplo:

• SE temperatura do ambiente < 21 ºC, LIGAR o aquecedor
• SE temperatura do ambiente > 24 ºC, LIGAR o ar-condicionado

É um sistema de decisão sem ninguém apertar botão o tempo todo. Isso já é uma forma de IA baseada em regras fixas, escritas à mão. Machine learning entra quando essas regras não são tão óbvias.

Imagine filtrar spam de e-mail. Em um sistema baseado em regras, alguém teria de escrever manualmente uma grande lista de critérios: “se tiver mais de X links”, “se citar muito determinada palavra”, “se vier de tal domínio” e assim por diante. Isso tende a ficar frágil, difícil de manter e cheio de exceções.

Com machine learning, o raciocínio muda, em vez de escrever as regras, alguém coleta milhares (ou milhões) de e-mails rotulados como “spam” ou “não spam”, escolhe um algoritmo adequado, alimenta o modelo com esses exemplos e deixa o treinamento ajustar automaticamente os parâmetros. No final, o modelo aprende, de forma implícita, “o que tem cara de spam”.

À medida que as tarefas vão ficando mais complexas, os modelos baseados em regras duras vão se quebrando. Nem sempre é possível listar manualmente tudo o que importa. É nesse ponto que machine learning se torna muito mais flexível e escalável.

Como a máquina “enxerga” os dados?

Apesar de toda a aura de mistério, machine learning é matemática aplicada. Para que um modelo “entenda” um dado, esse dado precisa ser traduzido para números.

Cada exemplo é transformado em um vetor, uma lista de valores numéricos que representam características relevantes daquele exemplo, as chamadas features.

• Em dados financeiros, isso pode ser algo direto: preço, volume, data.
• Em coordenadas geográficas, também: latitude, longitude, altitude.

O desafio começa quando o dado não é naturalmente numérico:

• Um texto de e-mail
• Uma foto
• Um grafo de conexões de uma rede social
• O comportamento de um usuário dentro de um app

Aí entra a engenharia de atributos (feature engineering), que é o conjunto de técnicas para transformar esses dados brutos em algo que o modelo consegue usar:

• Seleção de atributos (feature selection): escolher quais aspectos dos dados são relevantes.
• Extração de atributos (feature extraction): criar representações mais compactas que preservem o que importa.

Deep learning muda bastante tudo isso, porque muitas redes neurais conseguem receber dados relativamente brutos (texto, imagens) e “aprender sozinhas” quais abstrações são importantes nas camadas internas. Isso torna o processo mais escalável, mas também costuma deixar o modelo menos transparente: fica difícil explicar, em detalhes, o porquê de certas decisões.

Parâmetros, otimização e o exemplo da casa

Para deixar menos abstrato, imagine um problema comum: prever o preço de venda de um imóvel.

Suponha que alguém construa um modelo simples, uma regressão linear, que considera três variáveis:

• metragem do imóvel
• número de quartos
• idade da casa

Cada casa é transformada num vetor, por exemplo:
[metragem, quartos, idade] = [1900, 4, 30]

O modelo pode ter uma função do tipo:

Preço = (A × metragem) + (B × número de quartos) – (C × idade) + Preço_base

Os valores A, B, C e o Preço_base são os parâmetros do modelo. Ajustar esses parâmetros é o coração do processo de aprendizado. O que se quer é encontrar aqueles valores que fazem o modelo acertar melhor os preços, em média, no conjunto de treinamento.

Em casos reais, o número de variáveis e de parâmetros explode: dezenas, centenas, milhares ou milhões de parâmetros. Mesmo assim, a ideia central continua a mesma: ajustar esses valores para que as previsões fiquem mais próximas da realidade.

Para medir “o quão ruim” o modelo está, usa-se uma função de perda (loss function), que compara a previsão com o valor real. O treinamento tenta minimizar essa perda, ajustando os parâmetros de forma iterativa com algoritmos de otimização, como variantes de gradiente descendente.

Três grandes “jeitos” de aprender: supervisionado, não supervisionado e por reforço

De forma bem ampla, o aprendizado de máquina costuma ser agrupado em três paradigmas:

1. Aprendizado supervisionado
2. Aprendizado não supervisionado
3. Aprendizado por reforço

E, em muitos casos práticos, modelos combinam mais de uma dessas abordagens ao longo do ciclo de vida.

Aprendizado supervisionado

Aqui, o modelo aprende a partir de exemplos em que já se conhece a resposta “correta” para cada entrada. Esse rótulo verdadeiro é a chamada ground truth.

Dois grandes tipos de tarefa aparecem nesse paradigma:

• Regressão: prever valores contínuos (preço, tempo, temperatura).
• Classificação: escolher uma categoria ou decisão (spam / não spam, doença A / doença B / saudável, “aprovar” ou “negar” um crédito).

Algoritmos tradicionais de regressão incluem regressão linear e variantes mais sofisticadas; para classificação, há métodos como máquinas de vetor de suporte (SVM), Naïve Bayes, regressão logística etc.

O processo é algo assim:

1. O modelo recebe um lote de exemplos com rótulos.
2. Faz previsões para cada exemplo.
3. A função de perda mede a diferença entre previsão e rótulo.
4. Um algoritmo de otimização ajusta os parâmetros para diminuir essa diferença.
5. O ciclo se repete até chegar a um desempenho aceitável.

Historicamente, associava-se “supervisionado” apenas a dados rotulados manualmente. Hoje, o termo ganhou um sentido um pouco mais amplo: supervisionar é fornecer algum tipo de sinal de “correto”, seja ele produzido por humanos, por outro modelo ou extraído dos próprios dados.

Daí surgem duas variações importantes:

Self-supervised learning

Rotular dados à mão é caro e demorado, especialmente quando se trata de textos longos, imagens complexas ou vídeos.

No self-supervised learning, o próprio dado bruto gera a supervisão. Um exemplo clássico é o de autoencoders: o modelo recebe uma entrada, comprime essa informação em uma representação mais compacta e depois tenta reconstruir o original. O objetivo é minimizar o erro de reconstrução, usando o dado original como “gabarito”.

Grandes modelos de linguagem também se apoiam fortemente nessa ideia: recebem textos com algumas palavras mascaradas e são treinados para adivinhar as palavras ocultas. O próprio texto fornece a resposta correta.

Semi-supervised learning

Já o semi-supervised learning combina dados rotulados e não rotulados.

Em vez de ignorar completamente os exemplos sem rótulo, o modelo tenta se aproveitar deles. Técnicas diversas usam o pouco que se sabe (os rótulos disponíveis) para inferir algo sobre o restante dos dados, incorporando essas pistas no treinamento supervisionado. Isso é útil quando rotular 100% do conjunto é inviável.

Aprendizado não supervisionado

No aprendizado não supervisionado, não há “gabarito”. O modelo não recebe instruções sobre qual é a saída correta; ele precisa descobrir, por conta própria, padrões, grupos, correlações.

Algumas tarefas típicas:

• Clusterização: agrupar dados semelhantes em “clusters”. Isso pode servir para segmentar clientes, detectar padrões suspeitos em transações financeiras ou agrupar documentos parecidos.
• Associação: achar correlações, como “clientes que compram X tendem a comprar Y”. Esse tipo de técnica aparece em sistemas de recomendação.
• Redução de dimensionalidade: condensar dados muito complexos (com centenas de variáveis) em representações mais compactas que preservem o que é mais importante. Isso ajuda tanto na visualização quanto no pré-processamento.

Métodos como k-means, modelos de mistura gaussiana, PCA, autoencoders e t-SNE são exemplos desse universo.

Como não há rótulo, o foco deixa de ser “acertar o gabarito” e passa a ser configurar bem o processo de aprendizado, escolher quantos clusters faz sentido, ajustar taxa de aprendizado, decidir como normalizar os dados, entre outros hiperparâmetros. Em certo sentido, os modelos “se organizam sozinhos”, mas só funcionam bem quando a base de dados e as configurações estão bem pensadas.

Aprendizado por reforço (reinforcement learning)

Reinforcement learning (RL) trabalha com uma lógica diferente. Em vez de exemplos com entradas e saídas independentes, o modelo é visto como um agente que interage com um ambiente ao longo do tempo.

A ideia é parecida com treinar um animal ou uma pessoa em uma tarefa: a cada ação, vem uma consequência, que pode ser positiva, negativa ou neutra. O agente tenta aprender uma estratégia que maximize o recompensa acumulada.

Os elementos básicos são:

• Estado: o que o agente “enxerga” naquele momento (posição em um jogo, dados de sensores de um robô, trecho já gerado de um texto).
• Ação: o conjunto de opções disponíveis naquele estado (movimentar para esquerda/direita, acelerar/frear, produzir uma próxima palavra).
• Recompensa: um número que indica se a ação foi boa ou ruim, definida por regras, função de recompensa ou outro modelo.
• Política: o “modo de pensar” do agente, isto é, uma função que, dado um estado, escolhe uma ação.

Dá para treinar diretamente essa política (métodos policy-based, como PPO), ou treinar uma função de valor que estima o quão bom é estar em cada estado (métodos value-based, como Q-learning), ou ainda combinar as duas coisas (métodos actor-critic).

Em deep RL, essa política é representada por uma rede neural. É esse tipo de abordagem que aparece em robótica, em jogos complexos e em técnicas como o reinforcement learning from human feedback (RLHF), usadas para refinar o comportamento de grandes modelos de linguagem.

Deep learning: redes neurais e a ideia de “aproximar qualquer coisa”

Dentro do universo de machine learning, o deep learning se destaca. Ele se baseia em redes neurais artificiais com muitas camadas – por isso o “deep”.

Numa visão simplificada:

• cada neurônio faz uma operação matemática (a ativação)
• o resultado dessa ativação vai para os neurônios da próxima camada
• esse processo se repete até a camada final, que gera a previsão

O ponto-chave é que essas ativações são não lineares, o que permite modelar padrões muito complexos. Cada conexão entre neurônios tem um peso, que multiplicará o sinal, e cada neurônio tem um viés, um valor extra somado. Pesos e vieses são os parâmetros a serem ajustados no treinamento.

O algoritmo de backpropagation calcula o quanto cada peso contribuiu para o erro total (a perda) e ajusta esses pesos via gradiente descendente. Quando falamos de modelos modernos, estamos falando de milhões ou bilhões de pesos sendo atualizados o tempo todo.

Daí vem a ideia famosa de que redes neurais são “aproximadores universais”: existe, teoricamente, uma configuração de pesos capaz de aproximar qualquer função que se queira. Na prática, isso não significa que qualquer problema será resolvido facilmente; treinar um modelo bom o bastante ainda depende de muito dado, muito poder computacional e escolhas de arquitetura bem feitas.

Arquiteturas importantes: CNNs, RNNs, transformers, Mamba

Ao longo dos anos, surgiram várias arquiteturas de rede neural, cada uma explorando uma ideia específica.

• CNNs (Convolutional Neural Networks):
  Trazem camadas convolucionais que usam filtros deslizantes para extrair padrões locais. São muito usadas em visão computacional: reconhecimento de imagens, detecção de objetos, segmentação, mas também aparecem em áudio e outras áreas.

• RNNs (Recurrent Neural Networks):
  Foram projetadas para lidar com sequências. Em vez de olhar para cada entrada isolada, elas mantêm um estado interno que carrega informações sobre o que veio antes. Isso permitiu, por exemplo, trabalhar com texto, séries temporais e fala de forma mais contextual.

• Transformers:
  Introduzidos em 2017, transformaram o campo. Baseiam-se em um mecanismo de atenção que permite ao modelo focar nas partes mais relevantes da entrada em cada momento. Embora tenham sido criados para texto, acabaram dominando várias modalidades de dados. São a base dos LLMs e de boa parte da IA generativa atual.

• Mamba models:
  Uma arquitetura mais recente, baseada em variações de modelos de espaço de estado (SSMs). Assim como os transformers, Mamba busca maneiras eficientes de priorizar as informações mais relevantes ao longo de sequências longas, e vem sendo explorada como alternativa em tarefas de linguagem.

Todas essas variações continuam dentro do guarda-chuva do deep learning, mas enfatizam maneiras diferentes de lidar com estrutura, contexto e escala.

Onde o machine learning aparece na prática

Quase toda grande área de aplicação de IA hoje tem machine learning no centro. Alguns exemplos:

• Visão computacional:
  Sistemas que “veem” imagens e vídeos, como diagnósticos médicos por imagem, inspeção de qualidade em fábricas, vigilância inteligente, reconhecimento facial, carros autônomos.

• Processamento de linguagem natural (NLP):
  Chatbots, tradução automática, resumo de textos, análise de sentimento, sistemas de atendimento, assistentes pessoais e, claro, grandes modelos de linguagem que geram texto, código ou explicações.

• Séries temporais e previsão:
  Modelos que olham para dados ao longo do tempo para detectar anomalias, prever vendas, antecipar falhas em máquinas, analisar mercado financeiro.

• Geração de imagens e conteúdo:
  Modelos generativos, como difusão, VAEs e GANs, criam imagens novas a partir de padrões aprendidos no treinamento. Isso aparece em criação artística, design, simulações e até em ferramentas de edição avançada.

Ao redor de tudo isso, existe uma disciplina inteira dedicada ao “como fazer isso funcionar no mundo real”: MLOps (Machine Learning Operations).

MLOps trata o ciclo de vida de modelos como uma espécie de linha de montagem:

• cuidar da coleta, limpeza e preparação de dados
• escolher modelos e arquiteturas adequadas
• treinar e validar com métricas bem definidas
• implantar o modelo em produção
• monitorar desempenho, detectar drift, ajustar quando o mundo muda
• garantir governança, segurança e conformidade regulatória

Não basta treinar um modelo bom, é preciso mantê-lo útil e confiável ao longo do tempo.

Ferramentas, linguagens e bibliotecas

Na prática, o ecossistema de machine learning é fortemente baseado em código aberto e gira em torno de algumas tecnologias centrais.

• Para deep learning: PyTorch, TensorFlow, Keras, bibliotecas como Transformers (da Hugging Face).
• Para machine learning mais tradicional e análise de dados: Pandas, Scikit-learn, XGBoost, NumPy, SciPy, Matplotlib, entre outras.

Quase tudo conversa com Python, que virou uma espécie de língua franca da área por ser flexível, ter sintaxe simples e um número enorme de bibliotecas.

Grandes empresas de tecnologia mantêm tutoriais, exemplos e coleções de código para diferentes níveis, de iniciantes a especialistas, ajudando a diminuir a barreira de entrada.

Um campo poderoso, mas que pede responsabilidade

Machine learning saiu dos laboratórios de pesquisa e passou a rodar em celulares, hospitais, carros, fazendas, redes de energia e em praticamente qualquer setor que lide com dados em volume. A mesma técnica que ajuda a detectar doenças também pode ser usada para manipular opinião pública, o algoritmo que gera imagens incríveis pode ser usado para desinformação sofisticada.

No centro de tudo ainda está uma ideia simples: aprender padrões a partir de dados e aplicar o que foi aprendido a novos casos. O impacto real depende das escolhas humanas: que dados usar, que objetivo otimizar, como medir sucesso, que limites impor, que mecanismos de supervisão criar.

Mais do que uma caixa-preta mágica, machine learning é um conjunto de ferramentas matemáticas e computacionais poderoso, que pode ser usado de modos muito diferentes. A discussão que importa não é apenas “o que os modelos conseguem fazer”, mas “como, onde e por que estamos colocando esses modelos para decidir coisas no nosso lugar”.

Leia Mais

CPU e GPU de computadores

Se você já montou ou pelo menos configurou um PC na vida, provavelmente tem essa imagem na cabeça:

• CPU: aquela parte pequena e quadrada, onde se encaixa direto na placa-mãe, no soquete, coloca pasta térmica e prende o cooler em cima.

• GPU: uma placa de vídeo, cheia de componentes, que vai enfiada de lado no slot PCI Express (PCIe) da placa-mãe.

À primeira vista, parece que CPU e GPU são coisas totalmente diferentes em termos de instalação, uma é “chip no soquete”, a outra é “placa separada”. Mas, por baixo das camadas, elas são bem mais parecidas do que parece.

Neste texto, a ideia é justamente desmistificar essa diferença e mostrar como CPU e GPU se parecem no nível de chip, por que no PC doméstico a GPU costuma vir em forma de “placa de vídeo”, o que são essas GPUs em formato SXM que aparecem em servidores e se faz sentido imaginar “GPU top de linha soldada na placa-mãe” para usuários comuns.

Por trás da placa de vídeo: GPU é um chip, assim como a CPU

Quando olhamos para uma placa de vídeo vemos são conector PCIe, conectores de energia, saídas HDMI/DisplayPort, um monte de componentes, um cooler enorme. Dá a impressão de que “a GPU é aquela placa inteira”. Na prática, não é bem assim, ela é formada em si como, um chip de silício (o die), encapsulado em um substrato, que é soldado na placa de vídeo. Ou seja, em estrutura básica, ela é muito parecida com uma CPU moderna, ambas são circuitos integrados complexos, com bilhões de transistores, montadas em uma peça que depois é conectada a uma placa (seja placa-mãe, seja placa de vídeo, seja módulo específico).

A placa de vídeo é, digamos, o “ecossistema” ao redor da GPU como, VRAM (memória dedicada), fases de alimentação, reguladores de tensão, trilhas de comunicação, conectores físicos, sistema de resfriamento. A CPU passa por algo semelhante: ela também é um chip de silício num encapsulamento, só que encaixado em um soquete específico. A diferença é mais de fator de forma (como isso chega até você) do que de “natureza física”.

No mundo do PC doméstico, praticamente toda GPU dedicada vem na forma de placa PCIe. Mas, em servidores e data centers, isso não é uma regra.

Para cargas de trabalho como inteligência artificial, machine learning, simulação científica, renderização em escala, a NVIDIA, por exemplo, oferece GPUs em formatos diferentes de uma placa de vídeo “tradicional”. É aí que entram os módulos SXM (como SXM2, SXM3, SXM4, usados em famílias como Tesla/V100, A100, H100, etc.). O que muda? Em vez de vir como uma placa PCIe comprida que você enfia num slot da placa-mãe, a GPU vem em um módulo próprio, que é acoplado em uma baseboard ou placa mãe específica, tem conectores e interface otimizados, permite alimentação elétrica mais robusta, e usa interconexões de altíssima velocidade como NVLink para conversar com outras GPUs.

Você não vai encontrar isso numa máquina gamer de escritório. Esse tipo de hardware aparece em servidores em rack para IA e HPC, em sistemas prontos (como NVIDIA DGX, HGX e afins), ou máquinas que custam dezenas de milhares de dólares.

CPU e GPU: consumo, calor e forma física

Outro ponto importante é que tanto CPUs quanto GPUs altamente potentes, ambas consomem muita energia (centenas de watts, nos modelos topo de linha), geram bastante calor, dependem de sistemas de refrigeração elaborados.Isso vale para uma CPU de alto desempenho num desktop, ou também uma GPU de jogo de última geração, ou uma GPU de data center em formato SXM ou PCIe e também uma CPU/GPU de notebook (com TDP reduzido, mas mesmo princípio). A diferença é a forma como isso tudo é organizado fisicamente. No PC gamer, a CPU em soquete + placa de vídeo PCIe com seu próprio cooler. Em notebook gamer ou console, a CPU e GPU muitas vezes são chips soldados diretamente na placa, com um sistema de dissipadores e heatpipes compartilhado.

Em servidor com SXM, como módulos de GPU encaixados numa base, com um sistema de ventilação forçada pensado para fluxo de ar em rack. Nada disso muda o fato de que, lá dentro, estamos falando de chips de lógica complexa que precisam de energia e refrigeração. A “embalagem” varia conforme o uso.

Gráficos integrados: quando CPU e GPU moram (quase) juntos

No mundo do consumidor, a gente também convive com outro tipo de GPU: a integrada. É o caso de de processadores Intel com gráficos integrados (UHD Graphics, Iris Xe etc.), APUs da AMD (linha Ryzen com gráficos integrados) e SoCs de celulares, consoles, smart TVs.

Nesse cenário, as CPU e GPU estão no mesmo chip ou no mesmo pacote físico, a placa-mãe oferece as portas de vídeo (HDMI, DisplayPort, etc.), você não precisa instalar uma placa de vídeo dedicada para ter imagem na tela. Isso é suficiente para navegar, trabalhar, estudar, consumo de mídia, jogar títulos leves ou bem otimizados, vários usos de dia a dia.

Mas, em geral, a GPU integrada não atinge o desempenho de uma placa de vídeo dedicada de alto nível, porque compartilha o orçamento de energia com a CPU, muitas vezes usa a memória RAM do sistema em vez de ter VRAM dedicada, o foco é eficiência e custo, não máximo desempenho gráfico possível.

Faz sentido imaginar uma GPU high-end soldada direto na placa-mãe para o usuário comum?

Essa é a parte que gera mais curiosidade: se já existem GPUs em formato SXM para servidor e GPUs soldadas em notebooks, faria sentido ter, no desktop comum, uma GPU topo de linha diretamente na placa-mãe, em vez de uma placa de vídeo PCIe?

Do ponto de vista técnico, é possível. Do ponto de vista prático e de mercado, hoje não faz muito sentido. Por quê?No PC de mesa, o formato “GPU como placa PCIe” dá muita flexibilidade porque você pode trocar só a placa de vídeo e manter o resto do sistema, pode vender a antiga com facilidade, fabricantes podem lançar novas linhas de GPUs sem precisar redesenhar todas as placas-mãe.

Se a GPU estivesse soldada na placa, fazer upgrade seria bem mais caro (trocaria a placa-mãe inteira), o produto ficaria mais “fechado”, menos atraente para quem gosta de montar e atualizar o próprio PC, o estoque e a logística para fabricantes também ficariam mais complicados.

2. O SXM é otimizado para outro cenário

O formato SXM brilha nas situações em que você tem, várias GPUs trabalhando juntas, interconexão de alta capacidade (NVLink) entre elas, cargas de trabalho massivas (IA, simulação, processamento paralelo intenso), servidores com dezenas ou centenas de GPUs. Ou seja, é um formato pensado para clusters de computação, não para um desktop com uma única GPU dedicada para jogos ou edição de vídeo.

Para quem vai usar uma GPU só, conectada a um monitor, jogando ou trabalhando com criação de conteúdo, o formato placa PCIe modular continua sendo o mais prático.

E no futuro?

Nunca dá para dizer “nunca” em tecnologia. Consoles e notebooks já mostram que faz sentido, em alguns casos, integrar CPU e GPU de forma muito mais rígida, sacrificando a modularidade em troca de tamanho compacto, custo ou consumo menor. Desktops “tudo em um” e mini PCs também seguem um pouco essa lógica. Mas, para o público que compra peças separadas, gosta de montar a própria máquina, quer flexibilidade de upgrade, o modelo CPU em soquete + GPU em placa PCIe continua muito forte, exatamente porque ele equilibra bem desempenho, custo, facilidade de manutenção, liberdade de escolha.

Leia Mais