{"id":35457,"date":"2026-08-18T14:46:13","date_gmt":"2026-08-18T06:46:13","guid":{"rendered":"https:\/\/soeteck.com\/?p=35457"},"modified":"2026-08-18T14:46:15","modified_gmt":"2026-08-18T06:46:15","slug":"ai-data-center-design","status":"publish","type":"post","link":"https:\/\/soeteck.com\/pt\/news-and-insights\/blogs\/ai-data-center-design\/","title":{"rendered":"Conce\u00e7\u00e3o de Centros de Dados de IA: Um plano pr\u00e1tico para clusters de GPU com mais de 100 kW"},"content":{"rendered":"

Conce\u00e7\u00e3o de centros de dados de IA<\/a><\/strong> passou de um exerc\u00edcio de engenharia de instala\u00e7\u00f5es para uma disciplina centrada no desempenho computacional. Prev\u00ea-se que o mercado global de centros de dados de IA cres\u00e7a de 236,4 mil milh\u00f5es de d\u00f3lares em 2025 para 933,7 mil milh\u00f5es de d\u00f3lares at\u00e9 2030, o que representa uma taxa de crescimento anual composta de 31,6%, de acordo com uma an\u00e1lise publicada em agosto de 2025. As densidades de rack, que atingiam 2-10 kW em instala\u00e7\u00f5es tradicionais, ultrapassam agora os 100 kW nas implementa\u00e7\u00f5es da classe NVIDIA GB300, com os projetos de refer\u00eancia para 2025 a apontarem para racks de 600 kW.<\/p>\n\n\n\n

Por que raz\u00e3o o projeto de um centro de dados de IA difere do planeamento convencional de instala\u00e7\u00f5es?<\/h2>\n\n\n\n

As instala\u00e7\u00f5es convencionais foram constru\u00eddas tendo em conta uma infraestrutura de TI previs\u00edvel e de baixa densidade. Os servidores consumiam entre 2 e 10 kW por rack, a refrigera\u00e7\u00e3o por ar era suficiente e as cadeias de alimenta\u00e7\u00e3o 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 n\u00e3o conseguem dissipar. <\/p>\n\n\n\n

De acordo com Vladimir Galabov, diretor s\u00e9nior de investiga\u00e7\u00e3o da Omdia, as implementa\u00e7\u00f5es em hiperescala est\u00e3o a registar um aumento acentuado da densidade, o que leva a infraestrutura das instala\u00e7\u00f5es muito al\u00e9m dos padr\u00f5es hist\u00f3ricos. Um \u00fanico rack de IA de 600 kW pode consumir mais eletricidade em algumas horas do que uma casa familiar m\u00e9dia consome num m\u00eas. Consequentemente, a conce\u00e7\u00e3o dos centros de dados de IA dimensiona agora a alimenta\u00e7\u00e3o, a refrigera\u00e7\u00e3o, as redes e a disposi\u00e7\u00e3o a partir da carga de trabalho da GPU, e n\u00e3o a partir de normas gen\u00e9ricas de constru\u00e7\u00e3o.<\/p>\n\n\n\n

Que densidade de pot\u00eancia deve um projeto de centro de dados de IA ter como objetivo?<\/h2>\n\n\n\n

A densidade-alvo determina todas as decis\u00f5es posteriores, pelo que deve ser definida com base no plano de desenvolvimento real das GPUs, e n\u00e3o no marketing dos fornecedores. As pr\u00e1ticas de conce\u00e7\u00e3o de centros de dados de IA agrupam-se em torno de tr\u00eas n\u00edveis de densidade. Os racks empresariais tradicionais mant\u00eam-se na faixa dos 10-30 kW, e o inqu\u00e9rito \u00abUptime Institute Global Data Center Survey 2025\u00bb refere que a maioria das instala\u00e7\u00f5es ainda se mant\u00e9m abaixo dos 30 kW por rack. As f\u00e1bricas de IA constru\u00eddas especificamente para o efeito padronizam-se em racks de 50-100 kW com arrefecimento l\u00edquido direto ao chip. <\/p>\n\n\n\n

As arquiteturas de refer\u00eancia da NVIDIA para 2025 v\u00e3o ainda mais longe, descrevendo arm\u00e1rios de rack com capacidade para mais de 500 GPUs e que consomem 600 kW cada, cerca de cinco vezes a pot\u00eancia dos racks de maior densidade atualmente em uso.<\/p>\n\n\n\n

\u00c9 importante definir desde cedo o n\u00edvel de densidade, porque a carga estrutural, o dimensionamento dos canais de distribui\u00e7\u00e3o, a capacidade de refrigera\u00e7\u00e3o e a disposi\u00e7\u00e3o do piso dependem todos desse valor. Os projetistas que planeiam com base em 30 kW e descobrem, a meio do projeto, que a necessidade \u00e9 de 100 kW, enfrentam uma adapta\u00e7\u00e3o muito mais dispendiosa do que construir corretamente desde o in\u00edcio. Num projeto maduro de um centro de dados de IA, cada posi\u00e7\u00e3o de rack tem um limite m\u00e1ximo de pot\u00eancia definido, aplicado atrav\u00e9s de PDUs inteligentes e de software de gest\u00e3o de capacidade.<\/p>\n\n\n

\n
\"Conce\u00e7\u00e3o<\/figure>\n<\/div>\n\n\n

Que arquitetura de refrigera\u00e7\u00e3o \u00e9 adequada para o projeto de um centro de dados de IA?<\/h2>\n\n\n\n

A refrigera\u00e7\u00e3o \u00e9 o primeiro subsistema em que os pressupostos tradicionais falham, e \u00e9 onde a conce\u00e7\u00e3o dos centros de dados de IA se afasta mais acentuadamente das pr\u00e1ticas tradicionais. A refrigera\u00e7\u00e3o por ar consegue suportar aumentos modestos, mas o inqu\u00e9rito do Uptime Institute revela que o PUE m\u00e9dio mal melhorou ao longo de seis anos consecutivos, limitado em parte pela infraestrutura tradicional. Os racks de IA de alta densidade requerem arrefecimento l\u00edquido. O arrefecimento l\u00edquido por placa fria abrange cerca de 80% do mercado de arrefecimento l\u00edquido, uma vez que funciona com as arquiteturas de servidores existentes e oferece o custo total de propriedade mais baixo.<\/p>\n\n\n\n

O arrefecimento por imers\u00e3o reduz o PUE para cerca de 1,05, e prev\u00ea-se que o segmento de arrefecimento por imers\u00e3o atinja 5,8 mil milh\u00f5es de d\u00f3lares at\u00e9 2030, com uma CAGR de 39%. A press\u00e3o regulat\u00f3ria acelera a transi\u00e7\u00e3o: a China exige que os novos mega-centros de dados constru\u00eddos ap\u00f3s 2025 atinjam um PUE n\u00e3o superior a 1,25, o que torna o arrefecimento por l\u00edquido efetivamente obrigat\u00f3rio. O arrefecimento direto no chip \u00e9 agora padr\u00e3o em implementa\u00e7\u00f5es de IA de alta densidade, coexistindo frequentemente com o arrefecimento por ar para equipamento que n\u00e3o seja GPU. Qualquer projeto de centro de dados de IA que dependa exclusivamente do ar para as salas de GPU atingir\u00e1 um limite t\u00e9rmico medido em megawatts.<\/p>\n\n\n\n

Que arquitetura de fornecimento de energia suporta cargas de trabalho de IA de forma fi\u00e1vel?<\/h2>\n\n\n\n

O fornecimento de energia \u00e9 o subsistema menos vis\u00edvel, mas mais dispendioso, na conce\u00e7\u00e3o de centros de dados de IA. O consumo de energia das GPUs n\u00e3o \u00e9 uma carga constante; oscila rapidamente \u00e0 medida que as etapas de treino come\u00e7am e terminam. A cadeia de alimenta\u00e7\u00e3o deve absorver essas oscila\u00e7\u00f5es sem ativar os dispositivos de prote\u00e7\u00e3o nem comprometer a estabilidade da rede. Os sistemas UPS tradicionais atingem uma efici\u00eancia de 90-94%, enquanto as arquiteturas de CC de alta tens\u00e3o 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 hist\u00f3ria: as prateleiras de alimenta\u00e7\u00e3o com armazenamento de energia melhorado reduziram a procura de pico da rede em 30% durante o treino do LLM Megatron.<\/p>\n\n\n\n

Para as suas pr\u00f3prias instala\u00e7\u00f5es, isto significa optar por prateleiras de alimenta\u00e7\u00e3o com baterias de reserva integradas, em vez de transformadores sobredimensionados. As unidades de baterias de reserva e os conjuntos de supercondensadores est\u00e3o a tornar-se padr\u00e3o ao n\u00edvel dos racks, com tempos de resposta inferiores a um milissegundo para a compensa\u00e7\u00e3o de pot\u00eancia de impulso exigida pelo treino de GPUs. A sala el\u00e9trica tamb\u00e9m deve ser dimensionada para o n\u00edvel de redund\u00e2ncia efetivamente operado, e n\u00e3o para a classifica\u00e7\u00e3o de N\u00edvel III declarada no papel. Um projeto resiliente de um centro de dados de IA trata a alimenta\u00e7\u00e3o como um problema de controlo, e n\u00e3o como um problema de dimensionamento.<\/p>\n\n\n\n

Que topologia de rede exigem os clusters de GPU?<\/h2>\n\n\n\n

A conce\u00e7\u00e3o de centros de dados de IA falha mais frequentemente na camada de rede do que na camada de alimenta\u00e7\u00e3o, porque o treino distribu\u00eddo tem requisitos extremamente exigentes em termos de largura de banda e lat\u00eancia. As redes tradicionais do tipo \u00ableaf-and-spine\u00bb, otimizadas para o tr\u00e1fego web norte-sul, n\u00e3o conseguem suportar os padr\u00f5es de tr\u00e1fego leste-oeste da comunica\u00e7\u00e3o coletiva. As tarefas de treino transferem gradientes, ativa\u00e7\u00f5es e estados do otimizador entre GPUs, e a satura\u00e7\u00e3o da rede prolonga diretamente o tempo de treino. Os clusters de GPU modernos separam as redes de expans\u00e3o vertical (scale-up) e horizontal (scale-out): a expans\u00e3o vertical liga as GPUs dentro de um n\u00f3 atrav\u00e9s de estruturas de alta largura de banda, como o NVLink, enquanto a expans\u00e3o horizontal liga os n\u00f3s atrav\u00e9s de estruturas InfiniBand ou Ethernet de 400G\/800G.<\/p>\n\n\n\n

A McKinsey estima que os centros de dados ir\u00e3o necessitar de 6,7 bili\u00f5es de d\u00f3lares em despesas de capital acumuladas at\u00e9 2030 para satisfazer a procura de capacidade computacional, sendo que uma parte significativa desse or\u00e7amento se destina \u00e0 infraestrutura de comuta\u00e7\u00e3o. A regra: simular os padr\u00f5es de comunica\u00e7\u00e3o antes de adquirir switches e nunca permitir que a sobre-subscri\u00e7\u00e3o da rede se torne um gargalo oculto. A conce\u00e7\u00e3o de centros de dados com IA deve, por isso, tratar a arquitetura de rede como um elemento de primeira import\u00e2ncia, com r\u00e1cios de sobre-subscri\u00e7\u00e3o definidos explicitamente em cada camada.<\/p>\n\n\n\n

Por que raz\u00e3o o projeto de centros de dados de IA d\u00e1 prioridade ao \u00abespa\u00e7o cinzento\u00bb em detrimento do \u00abespa\u00e7o branco\u00bb?<\/h2>\n\n\n\n

Os layouts tradicionais dos centros de dados destinavam a maior parte da \u00e1rea \u00fatil ao \u00abespa\u00e7o branco\u00bb \u2014 as salas de equipamento de TI \u2014 e encaixavam os equipamentos de refrigera\u00e7\u00e3o e el\u00e9tricos no espa\u00e7o que restava. O design dos centros de dados de IA inverte essa propor\u00e7\u00e3o. Os racks densos de GPU exigem mais tratamento de energia, maior dissipa\u00e7\u00e3o de calor e maior distribui\u00e7\u00e3o de l\u00edquido por metro quadrado, pelo que o espa\u00e7o cinzento destinado aos sistemas de refrigera\u00e7\u00e3o e el\u00e9tricos agora rivaliza ou excede o espa\u00e7o branco em instala\u00e7\u00f5es dedicadas \u00e0 IA.<\/p>\n\n\n\n

Implica\u00e7\u00f5es pr\u00e1ticas: pisos estruturais mais altos para suportar circuitos de refrigera\u00e7\u00e3o l\u00edquida, maior carga nas lajes para racks de 600 kW e m\u00f3dulos de alimenta\u00e7\u00e3o el\u00e9trica implementados de forma incremental. Se o espa\u00e7o cinzento for subdimensionado na fase de conce\u00e7\u00e3o, a instala\u00e7\u00e3o atinge um limite m\u00e1ximo, independentemente do n\u00famero de racks de GPU que o espa\u00e7o branco possa fisicamente acomodar. Um erro comum no projeto de centros de dados de IA \u00e9 copiar plantas baixas antigas e limitar-se a substituir as unidades de refrigera\u00e7\u00e3o, o que n\u00e3o deixa espa\u00e7o para a tubagem, as bombas e a dissipa\u00e7\u00e3o de calor que a refrigera\u00e7\u00e3o l\u00edquida requer.<\/p>\n\n\n\n

Que passos devem ser seguidos na conce\u00e7\u00e3o de um centro de dados de IA?<\/h2>\n\n\n\n

Uma sequ\u00eancia disciplinada evita os erros mais dispendiosos. Em primeiro lugar, definir a carga de trabalho alvo: treino, infer\u00eancia ou ambos, uma vez que o treino exige muita rede e armazenamento, enquanto a infer\u00eancia \u00e9 sens\u00edvel \u00e0 lat\u00eancia. Em segundo lugar, fixar o plano de desenvolvimento das GPUs e calcular o n\u00edvel de densidade dos racks, o envelope de pot\u00eancia e o m\u00e9todo de refrigera\u00e7\u00e3o para cada sala. Em terceiro lugar, dimensiona a cadeia el\u00e9trica com base na carga de pico com reserva e especifica as prateleiras de pot\u00eancia para armazenamento de energia. Em quarto lugar, concebe a estrutura de rede com base nos padr\u00f5es de comunica\u00e7\u00e3o medidos, separando a expans\u00e3o vertical da expans\u00e3o horizontal. Cada uma destas decis\u00f5es deve ser tomada na fase inicial de conce\u00e7\u00e3o do centro de dados de IA, antes de se deitar o bet\u00e3o.<\/p>\n\n\n\n

Em quinto lugar, reserve espa\u00e7o cinzento para a distribui\u00e7\u00e3o de l\u00edquidos, a dissipa\u00e7\u00e3o de calor e as salas el\u00e9tricas antes de finalizar os layouts do espa\u00e7o branco. Em sexto lugar, verifique a conformidade com a norma ASHRAE 90.4, que estabelece requisitos m\u00ednimos de efici\u00eancia para sistemas de refrigera\u00e7\u00e3o e de energia e que, nas suas adendas de 2022, aborda agora as infraestruturas de TI refrigeradas a \u00e1gua. Em s\u00e9timo lugar, planeie uma implementa\u00e7\u00e3o gradual, de modo a que as primeiras alas estejam operacionais enquanto as seguintes s\u00e3o constru\u00eddas, um padr\u00e3o cada vez mais comum na conce\u00e7\u00e3o de centros de dados de IA. Seguir esta sequ\u00eancia mant\u00e9m todo o projeto alinhado com o plano de desenvolvimento inform\u00e1tico e evita a armadilha da adapta\u00e7\u00e3o posterior.<\/p>\n\n\n\n

Que m\u00e9tricas permitem validar o projeto de um centro de dados de IA?<\/h2>\n\n\n\n

A qualidade do projeto reflete-se em indicadores mensur\u00e1veis, e todos os projetos de centros de dados de IA devem ser avaliados em rela\u00e7\u00e3o a esses indicadores antes do in\u00edcio da constru\u00e7\u00e3o. O PUE continua a ser a principal m\u00e9trica de efici\u00eancia, mas o inqu\u00e9rito do Uptime Institute revelou que uma em cada dez interrup\u00e7\u00f5es ainda causa perturba\u00e7\u00f5es graves ou muito graves, pelo que a engenharia de disponibilidade merece igual aten\u00e7\u00e3o. \u00c9 poss\u00edvel atingir valores de PUE inferiores a 1,25 com refrigera\u00e7\u00e3o l\u00edquida, mas \u00e9 necess\u00e1rio que os componentes de carga mec\u00e2nica e de perdas el\u00e9tricas da norma ASHRAE 90.4 se mantenham dentro dos limites da zona clim\u00e1tica.<\/p>\n\n\n\n

A utiliza\u00e7\u00e3o do rack, medida como o rendimento computacional alcan\u00e7ado por d\u00f3lar de investimento em ativos fixos da instala\u00e7\u00e3o, indica se o projeto est\u00e1 efetivamente a dar resposta \u00e0s cargas de trabalho de IA. O \u00abtempo at\u00e9 \u00e0 entrada em funcionamento\u00bb, ou seja, o atraso entre a instala\u00e7\u00e3o do rack e o funcionamento a pleno da GPU, revela pontos de estrangulamento no sistema de barramento, na refrigera\u00e7\u00e3o e na transmiss\u00e3o de rede. <\/p>\n\n\n\n

Conclus\u00e3o: Como dever\u00e1 evoluir, daqui para a frente, a conce\u00e7\u00e3o dos centros de dados de IA?<\/h2>\n\n\n\n

A conce\u00e7\u00e3o de centros de dados com IA j\u00e1 n\u00e3o \u00e9 uma otimiza\u00e7\u00e3o marginal de um modelo existente; \u00e9 uma ruptura estrutural com tr\u00eas d\u00e9cadas de pr\u00e1ticas no setor das infraestruturas. As metas de densidade, a arquitetura de refrigera\u00e7\u00e3o, o fornecimento de energia, a topologia de rede e a aloca\u00e7\u00e3o de espa\u00e7o devem derivar, na totalidade, da carga de trabalho da GPU, e a margem de erro \u00e9 medida em milh\u00f5es de d\u00f3lares de capacidade computacional n\u00e3o utilizada. As instala\u00e7\u00f5es que t\u00eam sucesso definem antecipadamente os n\u00edveis de densidade, padronizam o arrefecimento l\u00edquido, criam reservas na cadeia de alimenta\u00e7\u00e3o e validam os seus par\u00e2metros 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 n\u00e3o do edif\u00edcio, e o resto encaixar-se-\u00e1 naturalmente. <\/p>","protected":false},"excerpt":{"rendered":"

AI data center design has shifted from a facility-engineering exercise into a compute-performance discipline. The global AI data center market is projected to grow from USD 236.4 billion in 2025 to USD 933.7 billion by 2030, a 31.6% compound annual growth rate, according to analysis published in August 2025. Rack densities that reached 2-10 kW […]<\/p>\n","protected":false},"author":5,"featured_media":35461,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pgc_sgb_lightbox_settings":"","footnotes":""},"categories":[630,629],"tags":[],"class_list":["post-35457","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blogs","category-news-and-insights"],"acf":[],"_links":{"self":[{"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/posts\/35457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/comments?post=35457"}],"version-history":[{"count":5,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/posts\/35457\/revisions"}],"predecessor-version":[{"id":35464,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/posts\/35457\/revisions\/35464"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/media\/35461"}],"wp:attachment":[{"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/media?parent=35457"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/categories?post=35457"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/soeteck.com\/pt\/wp-json\/wp\/v2\/tags?post=35457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}