China constrói rede de centros de dados de IA Stargate de 37 mil milhões para centralizar cálculo

Um centro neurais no rio Yangtzé

A China está a transformar uma ilha de 760 acres na cidade de Wuhu num vasto agrupamento de centros de dados, o núcleo de um plano nacional para centralizar o cálculo de inteligência artificial. O projeto, amplamente designado como o Stargate da China, junta servidores da Huawei, China Mobile, China Telecom e China Unicom. Visa consolidar instalações dispersas numa rede unificada que possa ser agendada e partilhada em larga escala, como resposta à procura crescente por IA e ao acesso limitado aos processadores mais avançados. As autoridades locais afirmam que o investimento associado a este esforço atingiu 270 mil milhões de yuans, cerca de 37 mil milhões de dólares.

O local em Wuhu, conhecido localmente como Ilha de Dados, situa-se ao alcance de Xangai, Hangzhou e Nanjing. A proximidade a esses densos mercados urbanos é importante para a inferência de IA, a fase em que os modelos treinados respondem a consultas ou geram conteúdo para os utilizadores. Distâncias mais curtas reduzem a latência, pelo que assistentes de voz, pesquisa, verificações de risco financeiro, recomendações de retalho e serviços municipais se tornam mais responsivos. A China está também a expandir ou reaproveitar instalações em Ulanqab, Guizhou e Qingyang para servir outras regiões. Esses centros remotos, muitos situados em áreas com terra mais barata e energia abundante, estão orientados para se concentrarem no treino de modelos, a fase mais exigente em termos de capacidade de cálculo do desenvolvimento de IA.

O que albergará a ilha de dados de 760 acres

Os operadores estão a construir grandes salas repletas de aceleradores, CPUs, memória, armazenamento e equipamento de comutação de alta velocidade. Os operadores de telecomunicações já instalam e gerem rotas de fibra em toda a região, pelo que o local pode ligar-se com elevada capacidade às cidades próximas e a outros agrupamentos no interior. A visão é a de que as cargas de trabalho possam deslocar-se pela rede em função da urgência, custo e disponibilidade, com recursos ociosos numa localização atribuídos para ajudar tarefas noutra. A Huawei está a promover o UB Mesh, uma tecnologia que afirma poder ligar processadores em múltiplas salas ou mesmo em cidades, com software que os trata como um único conjunto para treino e inferência.

Porque centralizar agora o cálculo de IA

Pequim pretende aumentar o retorno de cada chip dentro do país. Nos últimos anos, muitos aceleradores em províncias remotas ficaram subutilizados porque a procura local era reduzida, enquanto empresas costeiras que necessitavam de capacidade de cálculo não conseguiam aceder facilmente a essa capacidade. Uma rede nacional promete uma solução. Ao ligar agrupamentos, os planeadores esperam melhor redundância em caso de falhas, maior utilização ao longo de toda a frota e um mercado onde o excedente de capacidade de cálculo numa zona possa ser vendido a compradores noutra.

O impulso é também moldado pela geopolítica. Analistas estimam que laboratórios norte-americanos controlam cerca de três quartos da capacidade global de computação de IA, enquanto a China detém cerca de 15 por cento. Os controlos de exportação dos EUA limitam o acesso chinês às GPUs Nvidia mais avançadas e impedem os principais fabricantes contratados de produzir esses chips para clientes chineses. Isto torna uma melhor orquestração do hardware nacional uma prioridade. A centralização é a alavanca política disponível, enquanto os projetos nacionais de chips tentam acompanhar.

Como funcionará a rede

O plano demarca uma linha clara entre dois tipos de trabalho de IA. O treino é a fase de grande esforço em que os modelos aprendem a partir de dados. Favorece locais remotos que possam aceder a energia e terra mais baratas e onde trabalhos de longa duração possam ocupar milhares de aceleradores durante dias ou semanas. A inferência é a fase de resposta em que os modelos treinados servem os utilizadores. Desloca-se mais perto dos utilizadores finais nas grandes cidades, onde a velocidade e a fiabilidade importam mais do que o custo absoluto mais baixo de eletricidade.

Treino no oeste, inferência junto à costa

Regiões remotas como a Mongólia Interior e Gansu já albergam enormes fazendas de servidores que foram construídas para serviços de nuvem ou de Internet. Sob a nova abordagem, essas salas estão a ser reaproveitadas para treino de modelos, incluindo modelos de linguagem de grande escala (LLMs). Estão ligadas às cidades costeiras por fibra de alta capacidade, de modo a que modelos com pontos de controlo possam ser copiados rapidamente para agrupamentos de inferência perto de Xangai, Hangzhou, Guangzhou e outras metrópoles.

UB Mesh da Huawei e agendamento ao nível dos agrupamentos

Para que isto funcione, os operadores necessitam de interligações rápidas e de software capaz de coordenar milhares de processadores. O UB Mesh é apresentado como uma malha que reduz a sobrecarga de comunicação entre aceleradores em diferentes salas ou locais. Em termos práticos, isso significa técnicas semelhantes às usadas em computação de alto desempenho, como acesso remoto direto à memória e bibliotecas de comunicação coletiva que mantêm muitos chips sincronizados durante o treino de redes neurais muito grandes. Por cima da malha, os agendadores podem colocar tarefas onde existe energia disponível, onde os chips adequados estão ociosos ou onde a latência para o cliente final é mais baixa.

Subsídios e a pressão sobre os chips

Wuhu está a oferecer subsídios que podem cobrir até 30 por cento das faturas de aquisição de chips de IA. Subsídios locais como estes reduzem o custo inicial de preencher os racks de servidores, aceleram a implementação e ajudam os operadores a atingir mais cedo os objetivos de densidade. Também amortecem a lacuna entre os aceleradores nacionais e as peças estrangeiras mais recentes sujeitas a controlos de exportação.

Fornecedores nacionais como a Huawei e a Cambricon trabalham para colmatar essa lacuna com aceleradores e software de compiladores. Os operadores continuam a lidar com um mosaico de gerações de hardware que pode complicar os treinos, especialmente quando os modelos crescem para triliões de parâmetros. Esta pressão encorajou um mercado paralelo. Revendedores tentaram adquirir sistemas Nvidia restritos e encaminhá-los para a China apesar dos controlos. Um intermediário com sede em Wuhu foi associado a encomendas de servidores da geração Blackwell. A Nvidia rejeitou a ideia de que tal equipamento possa ser feito funcionar em grande escala na China sob as regras atuais, argumentando que as cadeias de fornecimento, as licenças e os requisitos de suporte tornam essas afirmações irreais.

Quem beneficiará

O objetivo de curto prazo é dar às empresas das grandes cidades acesso mais rápido à inferência de IA. Os bancos podem executar verificações de risco e deteção de fraude com latência mais baixa. Os retalhistas podem implementar modelos de recomendação que se atualizam quase em tempo real. Os serviços municipais podem utilizar visão computacional para controlo de tráfego e monitorização de inundações. Empresas de media e design podem renderizar imagens e vídeo com menos atrasos. Startups podem alugar capacidade de cálculo à hora em vez de comprar hardware de entrada. Ao ligar centros de treino no interior a agrupamentos de inferência costeiros, a rede tenta servir tanto a experimentação como as operações diárias.

Os operadores de telecomunicações também ganham um papel para além da conectividade. Os seus centros de dados tornam-se inquilinos de referência da era da IA, vendendo capacidade de cálculo e armazenamento a clientes de nuvem, enquanto fornecem largura de banda intermunicipal que mantém os modelos sincronizados. Para os governos locais, a expansão promete empregos durante a construção e uma base para serviços digitais que ancoram novas empresas de tecnologia na região.

Como se compara à construção do Stargate nos EUA

Enquanto a China se agrupa em torno de redes em fases que reúnem muitas salas já existentes, os Estados Unidos apoiam um conjunto de novos campus muito grandes num projeto designado Stargate. Investidores e operadores planeiam gastar até 500 mil milhões de dólares em todo o país. O roteiro prevê quase 7 gigawatts de capacidade de centros de dados, equivalente à produção de cerca de sete grandes reatores nucleares. Um campus em destaque em Abilene, Texas, está concebido para albergar mais de 400 000 GPUs. Os parceiros do projeto afirmam que a construção criará cerca de 25 000 empregos locais durante o pico da obra.

O diretor-executivo da OpenAI, Sam Altman, enquadrou as apostas em termos simples, destacando a ligação entre os futuros progressos da IA e o hardware necessário para os suportar. Antes de revelar novos locais com parceiros, disse em voz alta a parte silenciosa sobre a escala que será necessária.

A IA só pode cumprir a sua promessa se for construída a capacidade de computação necessária.

As duas estratégias diferem na postura. Os EUA apostam em novos campus muito grandes que agrupam centenas de milhares de aceleradores detrás de uma única muralha. A China está a costurar muitos agrupamentos, antigos e novos, e depois utiliza software de agendamento e novas interligações para os fazer comportar-se como um todo mais vasto. A abordagem norte-americana testa os limites do fornecimento de energia, da terra e da água em poucos locais. O plano chinês dispersa o risco e o custo, ao mesmo tempo que aceita a sobrecarga de gerir muitos locais como um único sistema.

Energia, arrefecimento e redes

Os agrupamentos modernos de IA consomem vastas quantidades de energia e produzem calor que tem de ser removido as 24 horas. O local da ilha de Wuhu exigirá novas subestações, linhas de transmissão e capacidade de reserva para manter os sistemas críticos ativos durante falhas. A maioria das salas de treino depende de arrefecimento líquido para remover calor diretamente dos chips e da memória, uma mudança em relação ao arrefecimento por ar comum em salas de servidores mais antigas. Os operadores procurarão fontes de água próximas ou sistemas de circuito fechado que reduzam captações, e pressionarão os fornecedores para maior eficiência ao nível do rack.

A rede é igualmente crítica. Ligar fazendas de treino distantes a agrupamentos de inferência costeiros exige rotas de fibra com muitos terabits de capacidade, transponders óticos capazes de transmitir dados ao longo de centenas de quilómetros e comutadores que consigam lidar com tráfego este-oeste dentro do centro de dados sem gargalos. Os operadores com espinhas dorsais nacionais detêm uma vantagem. Podem provisionar rotas redundantes e gerir a engenharia de tráfego de modo a que as atualizações de modelos e pontos de controlo cheguem a tempo, mesmo durante manutenção ou eventos meteorológicos.

Riscos, segurança e governação

A centralização melhora o controlo e a visibilidade, mas concentra o risco. Se demasiada capacidade depender de poucos corredores de rede, falhas ou ciberataques poderão propagar-se por várias regiões. Os planeadores afirmam que a redundância está integrada ao ligar muitos locais e ao conceber rotas de failover. As equipas de cibersegurança terão de proteger os pesos dos modelos, os dados dos clientes e a própria camada de agendamento, que se torna um alvo cobiçado assim que controla grandes pools de capacidade de cálculo.

Existem restrições práticas. A utilização de muitas salas mais pequenas ou antigas pode reduzir a eficiência do treino em comparação com um novo campus único concebido em torno de uma geração de hardware. Os contratos de energia e a estabilidade da rede têm de acompanhar o crescimento. As decisões de uso do solo, incluindo a conversão de terrenos agrícolas, podem atrair escrutínio se as comunidades locais se sentirem deslocadas ou se a produção alimentar for reduzida. A transparência sobre a compensação, o impacto ambiental e o planeamento da rede determinará a aceitação pública.

O que se segue

O trabalho concentra-se agora em expandir as primeiras salas em Wuhu, ligá-las às fazendas de treino no interior e reforçar o software que agenda trabalhos entre locais. Os governos locais estão a alinhar os ciclos de aquisição com as janelas de subsídio para incentivar os primeiros inquilinos a comprometer capacidade. Os operadores de telecomunicações estão a ativar novas rotas de fibra e a atualizar espinhas dorsais de modo a que os pontos de controlo de modelos possam deslocar-se rapidamente do treino para os agrupamentos de inferência junto às cidades costeiras.

Os engenheiros acompanharão de perto três variáveis. Primeiro, se o UB Mesh e malhas semelhantes entregam os ganhos apregoados quando estendidos a múltiplas salas. Segundo, se os aceleradores, compiladores e frameworks nacionais conseguem treinar e servir os modelos mais recentes com eficiência aceitável. Terceiro, se o fornecimento de energia e arrefecimento consegue acompanhar a densidade crescente dos racks sem provocar cortes de energia ou stress hídrico. O progresso nessas frentes determinará a rapidez com que a rede nacional escala e o quanto contribui para o crescimento dos serviços de IA em todo o país.

Pontos Principais

• A China está a construir uma rede centralizada de cálculo de IA ancorada numa Ilha de Dados de 760 acres em Wuhu, com um investimento de cerca de 37 mil milhões de dólares.
• A rede liga instalações em Wuhu a agrupamentos no interior, em lugares como Ulanqab, Guizhou e Qingyang, para separar treino e inferência.
• Huawei, China Mobile, China Telecom e China Unicom são operadores centrais, com a Huawei a promover o UB Mesh para conectividade entre agrupamentos.
• Wuhu oferece subsídios que cobrem até 30 por cento das compras de chips de IA para acelerar a implementação, apesar dos controlos de exportação sobre GPUs estrangeiras avançadas.
• A China procura aumentar a utilização dos aceleradores existentes e vender capacidade de cálculo excedente entre regiões através de uma camada unificada de agendamento.
• Analistas estimam que os EUA detêm cerca de 75 por cento da capacidade global de cálculo de IA, enquanto a China tem cerca de 15 por cento.
• O programa Stargate dos EUA visa quase 7 gigawatts de capacidade e até 500 mil milhões de dólares em despesas, incluindo um campus no Texas concebido para 400 000 GPUs.
• O diretor-executivo da OpenAI, Sam Altman, afirma que construir capacidade de cálculo suficiente é essencial para a IA cumprir as expectativas.
• A centralização promete latência mais baixa para utilizadores nas grandes cidades costeiras e redundância em muitos locais interligados.
• Os desafios incluem o fornecimento de energia e arrefecimento, a cibersegurança, a diversidade de hardware entre locais e o escrutínio público sobre o uso de terra e água.