A Sungrow, um gigante mundial em inversores solares e sistemas de armazenamento de energia, lançou no mercado transformadores sólidos comerciais destinados a centros de processamento de dados (data centers) com inteligência artificial. Esses transformadores utilizam a arquitetura de corrente contínua de 800V, o que permite reduzir a área de distribuição de energia em 50% e atingir uma eficiência de pico de 98,5%.
O lançamento desta solução ocorreu em 9 de julho, e o evento atraiu representantes de grandes empresas de tecnologia, incluindo Microsoft, AWS, Alibaba Cloud, Tencent, ByteDance e Baidu, o que demonstra o amplo interesse do setor. À medida que os clusters de computação de IA se expandem para níveis de consumo de gigawatts, os esquemas tradicionais de distribuição de energia enfrentam três limitações sérias.
Em primeiro lugar, a proporção de área de piso entre equipamentos de alimentação e equipamentos de TI mudou de menos de 1:1 para 10:1, aumentando significativamente os custos de infraestrutura. Em segundo lugar, as contas anuais de eletricidade para data centers em escala de gigawatt podem atingir bilhões de yuans. Em terceiro lugar, o tempo de comissionamento de instalações de centenas de megawatts frequentemente excede um ou dois meses, o que afeta negativamente o retorno sobre o investimento (ROI).
A arquitetura tradicional de corrente alternada, baseada em transformadores de frequência de rede, sistemas de alimentação ininterrupta (UPS) e múltiplas etapas de conversão, sofre com perdas excessivas de cobre, grandes dimensões e complexidade de coordenação de equipamentos de diferentes fornecedores. A abordagem Sungrow SST substitui isso por conexão direta de média tensão e conversão de alta frequência, oferecendo uma arquitetura de 800V DC. Essa arquitetura garante uma eficiência de pico de 98,5% e reduz a área ocupada pela distribuição de energia pela metade. A densidade de potência atinge 312 kW por metro quadrado, cobrindo potências de 1,5 MW a 4,5 MW por unidade.
Espera-se que 2026 seja o primeiro ano de comercialização do SST. Concorrentes, como Delta Electronics, Wei Guang Energy e Tgood, também apresentaram produtos SST. Analistas preveem que o mercado global de SST pode atingir 100 bilhões de yuans até 2030. A vantagem da Sungrow reside em seu ecossistema completo, que vai além dos próprios SST e inclui fontes de alimentação de 800V DC, conversores DC-DC para interfaces de bateria e inversores DC-AC para carga de corrente alternada, todos operando na mesma arquitetura de 800V.
A empresa firmou acordos de compra estratégica com Dongyunguang para uma capacidade de 30 MW e com Zhonglian Data Group para 100 MW. A Sungrow planeja iniciar testes e validação em pequena escala com hyperscalers da América do Norte em 2026, com pedidos volumosos esperados em 2027 e implementação em larga escala planejada para 2028, alinhado com a expansão dos chips de IA de próxima geração. As bases de produção na China, Tailândia, Índia e Polônia já estão prontas para a produção de SST, e modelos com certificação UL, versões externas e produtos SST de 35 kV estão em desenvolvimento.
Os agentes de inteligência artificial (IA) são considerados uma das promessas mais significativas da área, contudo, seu avanço para tarefas mais complexas levanta preocupações sérias sobre o consumo de energia. Pesquisadores descobriram que esses novos sistemas podem demandar até 136,5 vezes mais eletricidade por consulta quando comparados à IA generativa tradicional, forçando a eficiência energética a se tornar um foco central nas futuras discussões tecnológicas.
Os agentes de IA representam um salto evolutivo em relação aos grandes modelos de linguagem (LLMs). Diferentemente de apenas fornecer respostas, eles possuem a capacidade de planejar atividades, utilizar recursos externos, rodar códigos e tomar decisões sequenciais ao longo de múltiplas fases. Foi este comportamento avançado que motivou pesquisadores do Instituto Avançado de Ciência e Tecnologia da Coreia (KAIST) a realizar a primeira medição do custo computacional e energético desses sistemas sob condições operacionais reais.
A investigação demonstrou que o dispêndio energético pode ser até 136,5 vezes superior ao registrado em sistemas convencionais de perguntas e respostas. Este aumento ocorre porque um agente de IA precisa consultar repetidamente os LLMs durante a execução de uma única tarefa, o que exige um processamento muito mais intenso. Os achados principais incluem um consumo de energia até 136,5 vezes maior por consulta, um aumento na latência de até 153,7 vezes, e o fato de que as GPUs ficam ociosas por até 54,5% do tempo de execução. Além disso, foi registrado um consumo médio de 348,41 watt-hora por consulta em um modelo que possui 70 bilhões de parâmetros.
Este estudo pioneiro oferece uma quantificação clara não só de como a IA está se tornando mais sofisticada, mas também de quanta eletricidade e quais custos são inerentes à implementação e manutenção dessa inteligência. Minsoo Rhu, professor da Escola de Engenharia Elétrica do KAIST, comentou sobre os resultados.
Os pesquisadores também simularam um cenário hipotético envolvendo 13,7 bilhões de requisições diárias de agentes de IA, um volume comparável às pesquisas realizadas atualmente no Google. Nesta projeção, os data centers consumiriam aproximadamente 198,9 gigawatts, o que equivale a cerca de metade do consumo médio de energia dos Estados Unidos. O estudo também apontou outro ponto crítico: enquanto as ferramentas externas realizam certas etapas, as GPUs de alta performance permanecem inativas em parte do tempo, o que diminui a eficiência geral do sistema.
Para a equipe do KAIST, o progresso da IA dependerá de uma evolução coordenada entre os modelos, os chips de IA, os data centers e a infraestrutura energética. Minsoo Rhu enfatizou a necessidade de adotar uma estratégia integrada de design conjunto (codesign) para otimizar tanto a infraestrutura de data centers para IA quanto os próprios modelos de agentes de IA e a rede de energia, à medida que os agentes de IA se espalham.
Adicionalmente, os pesquisadores disponibilizaram em código aberto as implementações dos agentes de IA e os benchmarks utilizados no estudo, o que deve impulsionar novas investigações e auxiliar no desenvolvimento de uma infraestrutura mais sustentável.
