Das neoclouds ao “edge móvel”

Atualmente, uma parte dessa infraestrutura, mais centralizada, concentra-se em instalações desenhadas para juntar dezenas ou centenas de milhares de aceleradores; paralelamente, no chamado “edge”, existe cada vez mais infraestrutura descentralizada em equipamentos industriais, automóveis e robots, onde os modelos trabalham junto dos dados e, em alguns casos, tomam decisões que não podem esperar por uma viagem a um data center remoto — ou trabalham em conjunto com a infraestrutura centralizada.

É neste contexto de mudança que têm vindo a surgir as chamadas “neoclouds”. Empresas como CoreWeave, Nebius, Lambda ou Crusoe não foram construídas para reproduzir de forma exata as centenas de serviços da Amazon Web Services, Microsoft Azure ou Google Cloud. O negócio nasceu muito mais concentrado: fornecer grandes quantidades de GPU, redes de alto débito e armazenamento suficientemente rápido para as alimentar, sobretudo a empresas que treinam ou executam modelos de inteligência artificial. A IA é, neste momento, o motor de crescimento das neoclouds, com tudo o que isto tem de bom e, paralelamente, com o que tem de preocupante.

A CoreWeave dá uma medida da escala que este mercado atingiu. No final do segundo trimestre deste ano operava 51 datacenters, com 1,5 GW de potência ativa, e tinha já cerca de 3,7 GW contratados. Estas instalações são construídas em torno de clusters extremamente densos de GPU, refrigeração líquida, redes especializadas e software cuja função é manter hardware muito caro ocupado durante o maior tempo possível. A própria rede começa a ter outro comportamento: há transferências sustentadas entre armazenamento e clusters de computação que podem chegar a centenas de gigabits por segundo e, em alguns casos, à escala do terabit.

No edge, parte da inferência começa a deslocar-se precisamente para junto dos dados. Numa fábrica, uma câmara pode ter de identificar imediatamente uma peça; um veículo autónomo dentro de um armazém tem de decidir se deve parar; um robot que está a agarrar um objeto precisa de corrigir o movimento enquanto o executa. Estas são tarefas em que quer a latência, quer a necessidade de autonomia e, até mesmo, o volume de dados e o custo de os transportar continuamente tornam pouco razoável depender permanentemente de um data center remoto.

A robótica torna particularmente visível esta separação entre o lugar onde um modelo é treinado e aquele onde é usado. A China tinha já, no final de 2024, mais de dois milhões de robots industriais em funcionamento e recebeu nesse ano 295 mil novas instalações, 54% do total mundial. Pela primeira vez, os fabricantes chineses venderam mais robots no seu próprio mercado do que os fornecedores estrangeiros. Os humanoides ganharam entretanto enorme visibilidade — AgiBot, Unitree ou UBTech —, mas são apenas uma parte de um território muito maior, onde continuam a dominar braços industriais, plataformas móveis e máquinas desenhadas para funções específicas. A robótica atual, cada vez mais com mobilidade alargada, redefine o que era até agora a prevalência sobretudo estática do edge.

A expansão destes sistemas esbarra, contudo, numa escassez muito concreta: dados físicos. Os grandes modelos de linguagem foram treinados com quantidades imensas de texto, código, imagens e vídeo já existentes. Um robot precisa também de aprender o que acontece quando um objeto escorrega, quando uma peça está ligeiramente fora do lugar, quando a superfície oferece mais resistência do que o previsto ou quando uma tentativa falha a meio. A simulação resolve parte do problema, mas não substitui toda a experiência do mundo real.

Na Europa — que noutros aspetos parece tão afastada desta conversa — já está a aparecer infraestrutura dedicada precisamente a produzir essa experiência. A NEURA Robotics e a Universidade Técnica de Munique estão a criar junto ao aeroporto de Munique um RoboGym com 2.300 metros quadrados e um investimento inicial de cerca de 17 milhões de euros. Uma frota de robots deverá executar tarefas em condições reais e produzir dados de treino que serão depois disponibilizados através do Neuraverse. A NEURA afirma estar a desenvolver dez centros deste tipo, cinco dos quais deverão estar operacionais até ao final do ano.

Instalações como estas transformam a experiência física em dados. Parte dessa informação será armazenada, outra combinada com simulação e enviada para clusters de GPU onde os modelos são treinados; quando uma nova versão fica pronta, regressa às máquinas que trabalham na fábrica, no armazém ou noutro ambiente real. Essa circulação exige, contudo, mais do que uma ligação entre o data center e a máquina. Uma organização precisa de saber que versão de um modelo está em produção, onde corre, quando foi atualizada e que telemetria está a devolver. Em fábricas e armazéns, servidores locais e gateways podem assumir parte desse trabalho, distribuindo novas versões e recolhendo informação sem transformar cada robot ou câmara num sistema isolado.

Modelos e novas versões “descem” para as máquinas; vídeo, telemetria, trajetórias, demonstrações humanas, erros e correções regressam aos sistemas de armazenamento e treino. Quanto mais inteligência existir no terreno, maior pode ser também a procura de computação centralizada, porque cada máquina deixa de ser apenas um ponto de execução e passa igualmente a produzir matéria-prima para a geração seguinte.

A nível empresarial, isto complica uma decisão que durante anos pareceu relativamente simples. Um mesmo sistema pode recolher dados num robot, guardá-los numa cloud empresarial, recorrer a uma neocloud para treino e executar localmente a decisão final. O custo, a latência ou a sensibilidade dos dados podem empurrar partes diferentes do mesmo workload para lugares diferentes; depois, alguém terá de manter coerentes as versões, as permissões e as atualizações ao longo dessa cadeia. Em boa verdade, já não basta decidir onde corre a aplicação: é preciso decidir onde corre cada parte do seu ciclo de vida.