CEO da Intel (INTC.US), Pat Gelsinger, elogia os modelos de IA avançados da China e reafirma forte apoio ao código aberto para impulsionar a eficiência

O aplicativo da Zhitong Finance informou que o CEO da Intel (INTC.US), Pat Gelsinger, declarou nesta segunda-feira que os modelos de inteligência artificial (AI) de ponta da China têm um custo por token menor e já começaram a ser aplicados “muito rapidamente”. Segundo relatos, Gelsinger afirmou que modelos como DeepSeek, Kimi e GLM já apresentam desempenho “bom o suficiente”. Ele também declarou: “Sou um defensor ferrenho do código aberto. É a melhor maneira de impulsionar a eficiência.” Gelsinger acrescentou ainda que, no fim das contas, quais modelos são adequados para quais cenários de aplicação será definido pelo mercado.

O ponto de vista de Pat Gelsinger está alinhado com o de Jensen Huang, CEO da Nvidia (NVDA.US). Huang já defendeu os modelos open source chineses diversas vezes. Em julho deste ano, Huang afirmou que os modelos DeepSeek, Alibaba e Moonshot AI são “excelentes” e merecem ser utilizados. Ele acrescentou ainda que os modelos de código aberto podem expandir o alcance da AI, em vez de reduzir a demanda por chips Nvidia.

Uma característica importante dos modelos open source de AI é o custo de utilização relativamente baixo. Para a Intel, a adoção mais ampla de modelos de AI de baixo custo pode impulsionar o uso generalizado da tecnologia, o que, por sua vez, aumenta a demanda de CPUs, servidores e infraestrutura de centros de dados necessários para rodar essas cargas de trabalho — justamente a área em que a Intel está focando seus esforços atualmente.

Ao mesmo tempo, Gelsinger posicionou o negócio de centros de dados da Intel como um beneficiário da AI de agentes inteligentes. Dados mostram que a receita da Intel no segundo trimestre cresceu 25% em relação ao mesmo período do ano anterior, chegando a US$ 16,13 bilhões — o crescimento mais rápido desde 2011, superando a expectativa do mercado de US$ 14,42 bilhões. Dentre isso, a receita do segmento de centros de dados e AI atingiu US$ 6,3 bilhões, um aumento expressivo de 59% ano a ano, mais que o dobro do crescimento da receita total da empresa, e acima das expectativas do mercado de US$ 5,37 bilhões.

À medida que o setor migra do treinamento de grandes modelos para a implantação em larga escala de agentes inteligentes capazes de executar tarefas de forma autônoma, a demanda por CPUs aumenta drasticamente. Agentes inteligentes podem realizar tarefas em múltiplos passos e, por isso, exigem grande capacidade computacional. A inferência tradicional de AI depende muito da GPU para calcular matrizes, mas os fluxos de trabalho dos agentes dividem uma tarefa em etapas como planejamento, recuperação, leitura e escrita de arquivos, validação de regras, execução de código, chamada de ferramentas e verificação de resultados. Estes processos dependem, naturalmente, mais de CPUs, acesso à memória, I/O e agendamento do sistema. No cenário tradicional de inferência de AI, a proporção de demanda de GPU versus CPU é de cerca de 7:1, mas no fluxo de trabalho dos agentes pode chegar a 1:1, ou até favorecer mais a CPU. Isso não significa que a GPU perdeu importância, mas que os centros de dados de AI estão entrando na era dos sistemas heterogêneos, baseados em “CPU+GPU+ASIC+infraestrutura de rede óptica+armazenamento”, e não mais em “ilhas de GPU”.

Além disso, alguns analistas acreditam que a evolução dos modelos open source pode ajudar a Intel a diminuir a dependência de um único ecossistema de AI. Atualmente, o mercado de infraestrutura de AI está muito baseado no ecossistema CUDA da Nvidia. O desenvolvimento dos modelos de código aberto pode permitir que as empresas adotem infraestruturas de AI mais diversificadas. Por exemplo, pode-se optar por Nvidia GPU+Intel CPU, ou Intel CPU+outros aceleradores de AI, ou CPUs para computação geral e aceleradores dedicados para inferência AI. Para a Intel, o mais importante não é ser “a segunda Nvidia”, mas tornar-se, tanto quanto possível, o fornecedor indispensável de infraestrutura de computação geral para centros de dados de AI.