Conceção de centros de dados de IA passou de um exercício de engenharia de instalações para uma disciplina centrada no desempenho computacional. Prevê-se que o mercado global de centros de dados de IA cresça de 236,4 mil milhões de dólares em 2025 para 933,7 mil milhões de dólares até 2030, o que representa uma taxa de crescimento anual composta de 31,6%, de acordo com uma análise publicada em agosto de 2025. As densidades de rack, que atingiam 2-10 kW em instalações tradicionais, ultrapassam agora os 100 kW nas implementações da classe NVIDIA GB300, com os projetos de referência para 2025 a apontarem para racks de 600 kW.
Por que razão o projeto de um centro de dados de IA difere do planeamento convencional de instalações?
As instalações convencionais foram construídas tendo em conta uma infraestrutura de TI previsível e de baixa densidade. Os servidores consumiam entre 2 e 10 kW por rack, a refrigeração por ar era suficiente e as cadeias de alimentação eram dimensionadas com margens generosas. As cargas de trabalho de IA contrariam esses pressupostos. Os clusters de GPU consomem energia em picos intensos, dependentes da carga de trabalho, em vez de cargas constantes, e geram densidades de calor que os sistemas de tratamento de ar não conseguem dissipar.
De acordo com Vladimir Galabov, diretor sénior de investigação da Omdia, as implementações em hiperescala estão a registar um aumento acentuado da densidade, o que leva a infraestrutura das instalações muito além dos padrões históricos. Um único rack de IA de 600 kW pode consumir mais eletricidade em algumas horas do que uma casa familiar média consome num mês. Consequentemente, a conceção dos centros de dados de IA dimensiona agora a alimentação, a refrigeração, as redes e a disposição a partir da carga de trabalho da GPU, e não a partir de normas genéricas de construção.
Que densidade de potência deve um projeto de centro de dados de IA ter como objetivo?
A densidade-alvo determina todas as decisões posteriores, pelo que deve ser definida com base no plano de desenvolvimento real das GPUs, e não no marketing dos fornecedores. As práticas de conceção de centros de dados de IA agrupam-se em torno de três níveis de densidade. Os racks empresariais tradicionais mantêm-se na faixa dos 10-30 kW, e o inquérito «Uptime Institute Global Data Center Survey 2025» refere que a maioria das instalações ainda se mantém abaixo dos 30 kW por rack. As fábricas de IA construídas especificamente para o efeito padronizam-se em racks de 50-100 kW com arrefecimento líquido direto ao chip.
As arquiteturas de referência da NVIDIA para 2025 vão ainda mais longe, descrevendo armários de rack com capacidade para mais de 500 GPUs e que consomem 600 kW cada, cerca de cinco vezes a potência dos racks de maior densidade atualmente em uso.
É importante definir desde cedo o nível de densidade, porque a carga estrutural, o dimensionamento dos canais de distribuição, a capacidade de refrigeração e a disposição do piso dependem todos desse valor. Os projetistas que planeiam com base em 30 kW e descobrem, a meio do projeto, que a necessidade é de 100 kW, enfrentam uma adaptação muito mais dispendiosa do que construir corretamente desde o início. Num projeto maduro de um centro de dados de IA, cada posição de rack tem um limite máximo de potência definido, aplicado através de PDUs inteligentes e de software de gestão de capacidade.
Que arquitetura de refrigeração é adequada para o projeto de um centro de dados de IA?
A refrigeração é o primeiro subsistema em que os pressupostos tradicionais falham, e é onde a conceção dos centros de dados de IA se afasta mais acentuadamente das práticas tradicionais. A refrigeração por ar consegue suportar aumentos modestos, mas o inquérito do Uptime Institute revela que o PUE médio mal melhorou ao longo de seis anos consecutivos, limitado em parte pela infraestrutura tradicional. Os racks de IA de alta densidade requerem arrefecimento líquido. O arrefecimento líquido por placa fria abrange cerca de 80% do mercado de arrefecimento líquido, uma vez que funciona com as arquiteturas de servidores existentes e oferece o custo total de propriedade mais baixo.
O arrefecimento por imersão reduz o PUE para cerca de 1,05, e prevê-se que o segmento de arrefecimento por imersão atinja 5,8 mil milhões de dólares até 2030, com uma CAGR de 39%. A pressão regulatória acelera a transição: a China exige que os novos mega-centros de dados construídos após 2025 atinjam um PUE não superior a 1,25, o que torna o arrefecimento por líquido efetivamente obrigatório. O arrefecimento direto no chip é agora padrão em implementações de IA de alta densidade, coexistindo frequentemente com o arrefecimento por ar para equipamento que não seja GPU. Qualquer projeto de centro de dados de IA que dependa exclusivamente do ar para as salas de GPU atingirá um limite térmico medido em megawatts.
Que arquitetura de fornecimento de energia suporta cargas de trabalho de IA de forma fiável?
O fornecimento de energia é o subsistema menos visível, mas mais dispendioso, na conceção de centros de dados de IA. O consumo de energia das GPUs não é uma carga constante; oscila rapidamente à medida que as etapas de treino começam e terminam. A cadeia de alimentação deve absorver essas oscilações sem ativar os dispositivos de proteção nem comprometer a estabilidade da rede. Os sistemas UPS tradicionais atingem uma eficiência de 90-94%, enquanto as arquiteturas de CC de alta tensão a 800 V atingem 97% ou mais e reduzem as despesas de capital em cerca de 20%. A plataforma GB300 da NVIDIA revela o resto da história: as prateleiras de alimentação com armazenamento de energia melhorado reduziram a procura de pico da rede em 30% durante o treino do LLM Megatron.
Para as suas próprias instalações, isto significa optar por prateleiras de alimentação com baterias de reserva integradas, em vez de transformadores sobredimensionados. As unidades de baterias de reserva e os conjuntos de supercondensadores estão a tornar-se padrão ao nível dos racks, com tempos de resposta inferiores a um milissegundo para a compensação de potência de impulso exigida pelo treino de GPUs. A sala elétrica também deve ser dimensionada para o nível de redundância efetivamente operado, e não para a classificação de Nível III declarada no papel. Um projeto resiliente de um centro de dados de IA trata a alimentação como um problema de controlo, e não como um problema de dimensionamento.
Que topologia de rede exigem os clusters de GPU?
A conceção de centros de dados de IA falha mais frequentemente na camada de rede do que na camada de alimentação, porque o treino distribuído tem requisitos extremamente exigentes em termos de largura de banda e latência. As redes tradicionais do tipo «leaf-and-spine», otimizadas para o tráfego web norte-sul, não conseguem suportar os padrões de tráfego leste-oeste da comunicação coletiva. As tarefas de treino transferem gradientes, ativações e estados do otimizador entre GPUs, e a saturação da rede prolonga diretamente o tempo de treino. Os clusters de GPU modernos separam as redes de expansão vertical (scale-up) e horizontal (scale-out): a expansão vertical liga as GPUs dentro de um nó através de estruturas de alta largura de banda, como o NVLink, enquanto a expansão horizontal liga os nós através de estruturas InfiniBand ou Ethernet de 400G/800G.
A McKinsey estima que os centros de dados irão necessitar de 6,7 biliões de dólares em despesas de capital acumuladas até 2030 para satisfazer a procura de capacidade computacional, sendo que uma parte significativa desse orçamento se destina à infraestrutura de comutação. A regra: simular os padrões de comunicação antes de adquirir switches e nunca permitir que a sobre-subscrição da rede se torne um gargalo oculto. A conceção de centros de dados com IA deve, por isso, tratar a arquitetura de rede como um elemento de primeira importância, com rácios de sobre-subscrição definidos explicitamente em cada camada.
Por que razão o projeto de centros de dados de IA dá prioridade ao «espaço cinzento» em detrimento do «espaço branco»?
Os layouts tradicionais dos centros de dados destinavam a maior parte da área útil ao «espaço branco» — as salas de equipamento de TI — e encaixavam os equipamentos de refrigeração e elétricos no espaço que restava. O design dos centros de dados de IA inverte essa proporção. Os racks densos de GPU exigem mais tratamento de energia, maior dissipação de calor e maior distribuição de líquido por metro quadrado, pelo que o espaço cinzento destinado aos sistemas de refrigeração e elétricos agora rivaliza ou excede o espaço branco em instalações dedicadas à IA.
Implicações práticas: pisos estruturais mais altos para suportar circuitos de refrigeração líquida, maior carga nas lajes para racks de 600 kW e módulos de alimentação elétrica implementados de forma incremental. Se o espaço cinzento for subdimensionado na fase de conceção, a instalação atinge um limite máximo, independentemente do número de racks de GPU que o espaço branco possa fisicamente acomodar. Um erro comum no projeto de centros de dados de IA é copiar plantas baixas antigas e limitar-se a substituir as unidades de refrigeração, o que não deixa espaço para a tubagem, as bombas e a dissipação de calor que a refrigeração líquida requer.
Que passos devem ser seguidos na conceção de um centro de dados de IA?
Uma sequência disciplinada evita os erros mais dispendiosos. Em primeiro lugar, definir a carga de trabalho alvo: treino, inferência ou ambos, uma vez que o treino exige muita rede e armazenamento, enquanto a inferência é sensível à latência. Em segundo lugar, fixar o plano de desenvolvimento das GPUs e calcular o nível de densidade dos racks, o envelope de potência e o método de refrigeração para cada sala. Em terceiro lugar, dimensiona a cadeia elétrica com base na carga de pico com reserva e especifica as prateleiras de potência para armazenamento de energia. Em quarto lugar, concebe a estrutura de rede com base nos padrões de comunicação medidos, separando a expansão vertical da expansão horizontal. Cada uma destas decisões deve ser tomada na fase inicial de conceção do centro de dados de IA, antes de se deitar o betão.
Em quinto lugar, reserve espaço cinzento para a distribuição de líquidos, a dissipação de calor e as salas elétricas antes de finalizar os layouts do espaço branco. Em sexto lugar, verifique a conformidade com a norma ASHRAE 90.4, que estabelece requisitos mínimos de eficiência para sistemas de refrigeração e de energia e que, nas suas adendas de 2022, aborda agora as infraestruturas de TI refrigeradas a água. Em sétimo lugar, planeie uma implementação gradual, de modo a que as primeiras alas estejam operacionais enquanto as seguintes são construídas, um padrão cada vez mais comum na conceção de centros de dados de IA. Seguir esta sequência mantém todo o projeto alinhado com o plano de desenvolvimento informático e evita a armadilha da adaptação posterior.
Que métricas permitem validar o projeto de um centro de dados de IA?
A qualidade do projeto reflete-se em indicadores mensuráveis, e todos os projetos de centros de dados de IA devem ser avaliados em relação a esses indicadores antes do início da construção. O PUE continua a ser a principal métrica de eficiência, mas o inquérito do Uptime Institute revelou que uma em cada dez interrupções ainda causa perturbações graves ou muito graves, pelo que a engenharia de disponibilidade merece igual atenção. É possível atingir valores de PUE inferiores a 1,25 com refrigeração líquida, mas é necessário que os componentes de carga mecânica e de perdas elétricas da norma ASHRAE 90.4 se mantenham dentro dos limites da zona climática.
A utilização do rack, medida como o rendimento computacional alcançado por dólar de investimento em ativos fixos da instalação, indica se o projeto está efetivamente a dar resposta às cargas de trabalho de IA. O «tempo até à entrada em funcionamento», ou seja, o atraso entre a instalação do rack e o funcionamento a pleno da GPU, revela pontos de estrangulamento no sistema de barramento, na refrigeração e na transmissão de rede.
Conclusão: Como deverá evoluir, daqui para a frente, a conceção dos centros de dados de IA?
A conceção de centros de dados com IA já não é uma otimização marginal de um modelo existente; é uma ruptura estrutural com três décadas de práticas no setor das infraestruturas. As metas de densidade, a arquitetura de refrigeração, o fornecimento de energia, a topologia de rede e a alocação de espaço devem derivar, na totalidade, da carga de trabalho da GPU, e a margem de erro é medida em milhões de dólares de capacidade computacional não utilizada. As instalações que têm sucesso definem antecipadamente os níveis de densidade, padronizam o arrefecimento líquido, criam reservas na cadeia de alimentação e validam os seus parâmetros com base nos dados da ASHRAE e da Uptime. Comece o projeto do centro de dados de IA a partir da carga de trabalho, e não do edifício, e o resto encaixar-se-á naturalmente.
