Data center vira pauta eleitoral nos EUA, TorchTPU derruba muro do PyTorch e agentes ganham prova de origem

A expansão da inteligência artificial sempre foi contada como uma história de chips, capital e energia. Nesta semana, ela virou uma história de urnas. Segundo levantamento do Axios divulgado nesta quarta-feira (4), eleitores norte-americanos aprovaram dezenas de restrições a data centers e elegeram uma leva de candidatos que defendem desacelerar a construção dessas instalações — com destaque para Texas, Ohio e Geórgia, três estados onde a infraestrutura de IA aterrissou em força nos últimos dois anos.

O sinal é claro: a conta de luz, o barulho dos geradores e o uso de água deixaram de ser detalhes técnicos e entraram no debate público. E isso muda o cálculo de quem planeja a próxima década da nuvem.

O freio agora vem de baixo

Até aqui, o freio à expansão vinha de cima: licenças, regras de exportação de semicondutores, exigências ambientais. O movimento observado nas urnas inverte a direção. Quando prefeituras e condados passam a limitar potência conectada, ruído e consumo hídrico, o cronograma de um data center deixa de depender apenas do fornecedor de GPU e passa a depender de assembleia pública.

Para o leitor brasileiro, o paralelo é direto. Estados e municípios com vocação para hospedar infraestrutura de IA discutem hoje os mesmos três temas — energia firme, água e rede elétrica —, e a lição que os resultados norte-americanos trazem é simples: projeto que chega sem contrato social não passa do papel. A diferença é que, aqui, o debate tende a ser menos eleitoral e mais regulatório, travado em licenciamento ambiental e em leilões de transmissão.

TorchTPU: a TPU deixa de ser ilha de software

No campo da engenharia, a notícia de maior impacto prático veio do trio Google, Meta e PyTorch. Também nesta quarta, as duas empresas lançaram o TorchTPU , um backend PyTorch de código aberto para TPUs que exige mudanças mínimas no código do desenvolvedor.

Até então, programar para TPU significava sair do ecossistema mais popular de treinamento do mundo e conviver com XLA, compilação própria e idioms específicos. O TorchTPU encurta esse caminho:

Quem já treina em PyTorch pode migrar com poucos ajustes, sem reescrever o modelo.

Nos testes divulgados, uma única TPUv7 sustentou 25,7 mil tokens por segundo de inferência com um modelo de 30 bilhões de parâmetros.

O ganho real não é o número isolado, e sim a portabilidade : o mesmo código roda em GPU e em TPU, o que reduz a dependência de um único fornecedor.

A leitura estratégica é direta: abrir o software é como se conquista participação em um mercado onde a oferta de aceleradores finalmente deixou de ser monopólio. É o mesmo movimento que a IBM fez com o Spyre ao publicar o Torch-Spyre — e que agora chega ao silício do Google em escala de nuvem.

Agentes de IA: prova de origem, compra estratégica e modelos pequenos que rendem

O terceiro bloco do dia mostra a corrida dos agentes saindo da fase do entusiasmo e entrando na fase da contabilidade.

A Anthropic apresentou o FlashProve , ferramenta de pesquisa que usa provas criptográficas (zkSNARKs) para demonstrar qual modelo gerou uma determinada resposta sem expor os pesos secretos. Nos testes, o sistema gerou provas a 110 tokens por segundo em uma única GPU H100, validando um modelo de 400 bilhões de parâmetros. O uso prático é direto: acabar com o "trocadilho de modelos", em que um provedor anuncia um modelo caro e serve, por baixo, uma versão barata.

Na mesma janela:

OpenAI anunciou a compra da Pierre Computer Company, startup cujas ferramentas de navegação de arquivos e visualização de diferenças já rodam dentro do app Codex. O objetivo é construir controle de versão pensado para agentes de código. Valor não divulgado; o negócio depende de aprovação regulatória.

Tencent lançou o Hy4 , modelo descrito como capaz de "ver" e operar um computador — a variante mais literal do agente que usa mouse e teclado.

webAI publicou o TwIL-8B , modelo de raciocínio de 8,8 bilhões de parâmetros derivado do IBM Granite 4.2 8B, com nota 98,2 no MATH-500 e build de 4 bits de 4,98 GiB. O discurso de lançamento não é escala bruta, e sim custo por tarefa — o modelo cabe em CPU ou GPU modesta.

A OpenAI também liberou o Images 2.6 no ChatGPT e no Codex, que passou a gerar animações em loop a partir de um prompt ou de uma foto, com edição quadro a quadro.

O que fica desta quinta-feira

Duas forças caminham em sentidos opostos e vão se encontrar. De um lado, o software está ficando mais barato, mais portátil e mais verificável: rodar um modelo em qualquer acelerador e provar de onde veio uma resposta são condições que ainda faltavam. Do outro, o mundo físico onde esses modelos vivem está ficando mais caro de expandir, porque agora precisa de aprovação de vizinhos, prefeitos e eleitores.

A próxima vantagem competitiva provavelmente não estará em quem treina o maior modelo, mas em quem consegue entregar capacidade computacional com licença social . E, para isso, a transparência que ferramentas como o FlashProve começam a oferecer pode virar moeda de troca com o público.

E você: sua cidade ou seu setor já sente o efeito dessa nova infraestrutura — na conta de luz, no trânsito, na água ou nas oportunidades de trabalho? Deixe sua experiência nos comentários e compartilhe este giro com quem precisa entender o que está em jogo.

Fontes