Poder computacional é tudo de bom: CPUs, GPUs e IA nas empresas

Artigo publicado originalmente no Channel360 em 19 de novembro de 2022. Revisado em 2026.

“Poder computacional é tudo de bom!” era o título da coluna de Waldir Saboia, diretor de Tecnologias de Alto Crescimento (dados, inteligência artificial e IoT) da distribuidora TD SYNNEX para a América Latina e Caribe, publicada no Channel360 e depois reproduzida no blog da própria empresa. O texto explicava, para o canal de revendas, por que as GPUs passaram a dominar o processamento de dados e de IA e o que isso exige dos parceiros de negócio. Este artigo retoma o raciocínio e o atualiza.

O argumento original

A coluna abre com uma pergunta retórica que resume o tema: “Quem não gostaria de ter à sua disposição equipamentos com alto poder de processamento, aqueles em que você dá um ‘Enter’ e a resposta aparece quase que imediatamente?” A premissa é que, quando se trata de analisar grandes volumes de dados, capacidade de processamento não é luxo, e sim pré-requisito, porque o que interessa às empresas é o resultado da análise, não o dado bruto.

O ponto central é a mudança de protagonista. Nas palavras do autor, os processadores tradicionais (CPUs) continuam evoluindo, mas literalmente “sucumbiram” diante do desempenho das placas de processamento gráfico, as GPUs, em determinadas cargas de trabalho.

CPU e GPU: qual é a diferença

A explicação dada na coluna é a mesma usada em qualquer curso introdutório de arquitetura de computadores. A CPU foi projetada para processamento sequencial: executa uma instrução após a outra, com poucos núcleos muito rápidos e flexíveis. A GPU nasceu para renderizar gráficos, tarefa em que milhões de pixels precisam ser calculados ao mesmo tempo; por isso tem milhares de núcleos mais simples que executam a mesma operação em paralelo sobre dados diferentes.

Acontece que boa parte da matemática por trás da inteligência artificial, sobretudo as multiplicações de matrizes das redes neurais, tem exatamente essa forma: muitas operações iguais e independentes. Migrar esses algoritmos da CPU para a GPU trouxe, como diz o texto original, “um aumento muito expressivo do poder de processamento”. Servidores com várias GPUs passaram a se comportar, na expressão de Saboia, como “(quase que) supercomputadores”.

	CPU	GPU
Núcleos	Poucos, complexos e rápidos	Milhares, simples
Modelo de execução	Sequencial, com ramificações	Paralelo, mesma operação em muitos dados
Melhor para	Sistemas operacionais, bancos de dados transacionais, lógica de negócio	Gráficos, treinamento e inferência de IA, simulações numéricas

Onde o ganho aparece

A coluna cita dois setores como exemplo. No financeiro, novos algoritmos rodando em GPU permitem avaliações complexas em tempo real para evitar fraudes. Na indústria farmacêutica, a análise de novos medicamentos e a criação de novas moléculas, que levavam meses, passaram a ser feitas em dias ou horas. O autor não indica a fonte desses exemplos; eles são coerentes com casos divulgados por fabricantes de GPU e laboratórios, mas devem ser lidos como ilustrações, não como medições.

Um ponto técnico relevante que o texto destaca é a camada de software. Os fabricantes de GPU criaram bibliotecas e plataformas que isolam o hardware dos algoritmos, de modo que a aplicação evolui sem se preocupar com a placa e a placa evolui sem quebrar a aplicação. O exemplo mais conhecido dessa camada é a plataforma CUDA, da Nvidia, embora a coluna não cite nomes. É essa abstração que permitiu à indústria de IA crescer sobre gerações sucessivas de hardware, e é também ela que explica a dependência de um fornecedor dominante. Os grandes modelos de linguagem, como os da família GPT, são o caso mais visível de software que só existe por causa dessa combinação de paralelismo massivo e software de apoio; para uma visão dessa linha de modelos, veja os modelos GPT da OpenAI.

O que isso tem a ver com o canal de revendas

A segunda metade da coluna é dirigida aos parceiros de negócio da TD SYNNEX. O argumento é que conhecer essas tecnologias permite ao revendedor apoiar o cliente na jornada de decisão baseada em dados e, mais concretamente, ajudar no dimensionamento, na escolha e na implantação da solução. Como manter-se atualizado em um mercado que muda rápido é caro, entra o papel do distribuidor de valor: acesso aos principais fornecedores, capacitação técnica e comercial, geração de demanda, serviços complementares e até soluções financeiras. O autor conclui que cabe ao parceiro escolher o distribuidor que complemente sua oferta, “sob pena de perder competitividade e espaço no mercado”. Trata-se, portanto, de um texto de opinião com interesse comercial declarado, o que não tira a validade da explicação técnica.

O que mudou até 2026

A tese da coluna se confirmou de forma mais intensa do que o texto sugeria. Poucos dias após sua publicação, em 30 de novembro de 2022, a OpenAI lançou o ChatGPT, e a demanda por GPUs para treinar e operar modelos de linguagem passou a ditar o ritmo dos data centers. A Nvidia, principal fornecedora dessas placas, tornou-se em 9 de julho de 2025 a primeira empresa a alcançar US$ 4 trilhões de valor de mercado, segundo a Al Jazeera e a Bloomberg. A coluna foi republicada no blog em português da TD SYNNEX para a América Latina em agosto de 2024, com a indicação “Artigo publicado no Channel360”. Até onde apuramos, o autor não publicou uma atualização do texto.

Fontes

Nota de revisão (2026): texto original reescrito e ampliado; a versão anterior era um resumo genérico que omitia o autor e o argumento da coluna; fatos verificados em 16 de setembro de 2026 na republicação da TD SYNNEX; citações marcadas como trechos do texto original; acrescentados quadro comparativo CPU/GPU e contexto de 2022 a 2025.