22 jan. 2025 · Resumo de IA (24h): Microsoft tenta levar LPDDR5X ao data center, Google testa o limite com “data center de IA no espaço”, e Baidu lança ERNIE 5.0 multimodal nativo
As três notícias de hoje vivem em camadas diferentes — memória, teto de energia/infraestrutura e modelo multimodal — mas apontam para a mesma direção: a competição em IA está virando engenharia de sistemas. Memória muito mais eficiente, apostas extremas de infraestrutura e um loop completo de treino até deploy serão diferenciais reais no próximo ciclo.
1. Microsoft × Cadence: solução de sistema de memória LPDDR5X de alta velocidade para data centers de IA
Comentário:
LPDDR (DDR de baixo consumo) ficou historicamente no mobile por ser soldado e por não ter ECC padrão, o que dificulta atender RAS (confiabilidade, disponibilidade e manutenção) de data center. O RAIDDR ECC da Microsoft leva correção de erros para o host, mirando proteção próxima de SDDC com baixo overhead lógico, aproximando o comportamento de confiabilidade ao de DDR5 RDIMM e abrindo caminho para LPDDR5X em cenário enterprise.
O apelo de PPA é forte: o texto cita consumo de energia de memória até ~75% menor que DDR5 e largura de banda 30%+ maior. Com RAIDDR, a tese é manter o ganho de energia/bandwidth e fechar a lacuna de confiabilidade.
Mas adoção em massa depende de engenharia ponta a ponta: placa-mãe, empacotamento, térmica e serviceability. E, acima de tudo, dados reais em grande escala provando que falhas são controláveis e que a economia fecha. A pergunta: em qual plataforma a Microsoft vai usar isso primeiro?
2. Google Project Suncatcher: teste de lançamento em 2027 para um “data center de IA no espaço” (relatado)
Comentário:
No solo, data centers enfrentam escassez de energia, pressão hídrica, limites de terra e resistência comunitária. Olhar para o espaço abre uma nova imaginação. A proposta cita uma órbita sol-síncrona a ~650 km com quase 24h de luz, buscando vantagem energética, enquanto o ambiente de vácuo muda a equação térmica em teoria.
Mas física e economia são duras. Sem convecção, o resfriamento depende de radiação; compute de IA tem alta densidade térmica, então área/massa/complexidade de radiadores explodem, elevando custo de lançamento e risco. Se compute está em órbita e dados na Terra, banda, estabilidade do link e latência de ida e volta limitam workloads. Mesmo com energia “barata”, lançamento, manutenção em órbita, depreciação, seguro e risco de falha são caros.
Se o Suncatcher for real, parece mais uma exploração do “teto” de infraestrutura do que um produto de curto prazo. Você se anima com isso ou acha inviável?
3. Baidu ERNIE 5.0: compreensão e geração multimodal nativas
Comentário:
O ERNIE 5.0 afirma fazer modelagem conjunta desde o início do pré-treino com texto, imagem, áudio e vídeo, usando uma arquitetura autoregressiva unificada para alinhar e gerar modalidades num mesmo espaço semântico — “multimodal nativo”. A Baidu destaca ganhos em escrita criativa, seguir instruções complexas, QA factual e planejamento de agentes.
O ponto estratégico é o stack doméstico completo: PaddlePaddle + chips Kunlun + plataforma Qianfan, cobrindo treino → inferência → deploy → aplicações. Em um ambiente global mais competitivo, esse loop fim a fim tem peso.
Mas a disputa na China é intensa: Qwen, DeepSeek e Doubao pressionam em velocidade. Além do modelo, custo, estabilidade, produto e ecossistema de devs vão decidir se o ERNIE vira hábito. Você já usou o ERNIE?
Encerramento:
Microsoft tenta tornar “memória ultra eficiente” viável em data center, Google estica a imaginação de energia/infra até a órbita, e Baidu dobra a aposta em “multimodal + loop full-stack”. A próxima fase da IA parece cada vez mais guerra de engenharia de sistemas — da memória à térmica e ao deploy. O que você acha que entrega vantagem durável primeiro: arquiteturas de memória eficientes, apostas extremas de infraestrutura, ou plataformas multimodais full-stack?
Leitura extra (últimas 72 horas):