O que Meta Muse significa para GPU e CPU?

Com o lançamento de agentes de IA pessoais como Meta Muse, a IA está evoluindo de chatbots que apenas respondem passivamente para agentes inteligentes que operam de forma autônoma e ininterrupta, o que pode aumentar significativamente o consumo de CPU, GPU, memória e infraestrutura de rede.

De acordo com o relatório de pesquisa mais recente do Citi divulgado em 6 de outubro, aplicações de agentes inteligentes representadas pelo Meta Muse estão elevando as expectativas de mercado para o hardware de computação a novos patamares. O banco projeta que, até 2030, o volume total de mercado potencial (TAM) global de CPUs irá se expandir de US$ 29 bilhões em 2025 para US$ 300 bilhões, com uma taxa composta de crescimento anual de impressionantes 60%.

No caso das GPUs, os agentes inteligentes também estão trazendo uma demanda incremental estrutural. O Citi estima que, se Meta Muse atingir 100 milhões de usuários ativos diários, serão necessárias aproximadamente entre 200 mil e 390 mil GPUs do nível Blackwell, o que pode resultar em uma receita única de US$ 7 bilhões a US$ 19 bilhões para a Nvidia.

Essa tendência beneficia diretamente os principais fornecedores de poder computacional. O relatório ressalta que, como a Meta é um dos maiores clientes da divisão de servidores da AMD, a AMD será uma das principais beneficiárias do ressurgimento das CPUs, tendo seu preço-alvo elevado para US$ 800; ao mesmo tempo, a Nvidia também continuará se beneficiando do aumento exponencial na demanda por GPUs.

A ascensão dos agentes inteligentes e a CPU como novo gargalo

Antes da explosão dos agentes de IA, a CPU estava principalmente limitada a cargas de trabalho tradicionais e a funcionar como "Head Node" (nó principal) em aplicações de IA. Nesse papel, a CPU ficava responsável apenas pela “gestão”, encaminhando solicitações dos usuários para a GPU e retornando os resultados, enquanto as operações pesadas de multiplicação de matrizes e inferência eram executadas pela GPU.

Contudo, os agentes inteligentes mudaram essa divisão de tarefas. O Citi aponta em seu relatório que “em comparação com os chatbots tradicionais, acreditamos que os agentes de IA são um motor potencial de crescimento exponencial na demanda por computação.” Os agentes precisam lidar com orquestração, loops de inferência, processamento de dados e componentes de segurança, fazendo com que a CPU se torne o novo gargalo.

Com a transição da IA do treinamento de modelos para a inferência e, em seguida, para fluxos de trabalho autônomos de agentes inteligentes, a proporção entre CPU e GPU está mudando significativamente. Na fase de treinamento do modelo, essa proporção era de 1:8; na fase de inferência, 1:4; já em IA baseada em agentes, ela está evoluindo para 1:1 ou até níveis mais altos. O Citi estima que, até 2030, as CPUs dedicadas aos agentes inteligentes crescerão a uma taxa composta anual de 247%, ocupando 52% de todo o mercado de CPUs.

O “balanço” da capacidade de GPU do Meta Muse

O Meta Muse é o primeiro agente de IA para consumidores lançado em escala real de rede social, e seu consumo computacional é atualmente uma das variáveis mais relevantes na infraestrutura de IA. Diferente dos chatbots convencionais, o Muse funciona de maneira autônoma e contínua, o que resulta em um consumo muito maior de GPU devido à sua lógica operacional.

O Citi desenvolveu um modelo de demanda de GPU bottom-up. Em um cenário base, assumiu-se que o usuário típico faz 4 pedidos simples e 12 tarefas de agente por dia (como buscar restaurantes, conferir a agenda e redigir convites), sendo que cada tarefa de agente envolve cerca de 8 chamadas de modelo. Como o modelo não retém memória entre as chamadas, é necessário reler todo o contexto da conversa, que cresce continuamente.

Com base nisso, o Citi estima que cada usuário do Muse necessita de aproximadamente 0,0020 GPU de nível GB200. Em termos simples, cada GPU pode atender cerca de 500 usuários. O banco ressalta: “Os agentes possuem, estruturalmente, uma carga de trabalho de inferência muito mais intensa que os chatbots.” Sob o mesmo escopo, o consumo de GPU de um usuário ‘chatbot’ é de apenas 12,5% a 25% do de um usuário agente.

Efeito dominó em memória e rede

O fluxo de trabalho dos agentes não somente exige mais dos chips lógicos, mas também desencadeia efeitos em cadeia nas áreas de memória e rede. No aspecto de memória, a CPU demanda altas taxas de acoplamento com LP, DDR e SSD. Recentemente, a Micron destacou que fluxos de trabalho de agentes como o Meta Muse estão permitindo aos consumidores extrair mais valor, ao mesmo tempo em que as CPUs impõem maiores restrições sobre o DRAM.

No lado da rede, a IA baseada em agentes aumenta substancialmente o tráfego de rede. Segundo um executivo da Nvidia em conversa com o Citi: “Os agentes podem funcionar por horas contínuas ou de forma ininterrupta... o que gera muito mais tokens em cargas de trabalho de consumidores e empresas.”

Essa operação contínua significa que é cada vez mais comum que os agentes, e não humanos, acessem a infraestrutura. Isso impulsiona o crescimento do tráfego chamado "norte-sul" dentro dos data centers (como acessos a armazenamento, segurança, configuração e outros serviços), criando novas oportunidades de aceleração para o uso de DPUs (como o BlueField 4) e redes Ethernet Spectrum-X.