•Seleção de GPUs para Centros de Computação de IA: 6 Indicadores Relevantes — H100/H200/B200/B300 vs. Ascend 910B/910C/950PR | ChangFan Industrial Computing

Introdução: a escolha da placa decide tudo, mas a «placa» não é o chip

Em 2026, o limiar de investimento dos centros de computação de IA passou de «conseguir placas» para «escolher as placas certas»: um único cluster custa centenas de milhões de yuans, e um erro de seleção significa ciclos de treinamento duplicados, gastos de inferência descontrolados e um roteiro tecnológico obsoleto em três anos. A maioria dos erros de seleção remonta a um mesmo gesto — usar a ficha técnica como base de decisão.

A ficha técnica não lhe dirá que um cluster de 10.000 GPUs interrompe o treinamento em média a cada 3 horas; que uma potência por placa 2,3 vezes maior apenas reduz o tempo de treinamento pela metade; que uma B300 com TDP de 1.400 W numa sala com refrigeração a ar é um enfeite caro; nem que a migração de CUDA para CANN pode absorver toda a margem de um projeto. Este artigo vai além da simples enumeração de parâmetros e compara de forma abrangente, através de seis indicadores-chave que determinam o ROI de um centro de computação de IA, as NVIDIA H100/H200/B200/B300 e as Ascend 910B/910C/950PR, com uma matriz de decisão por cenário pronta para uso e uma lista de verificação antierros.

Primeiro as conclusões: cinco julgamentos contraintuitivos

• A essência da escolha de uma placa é a escolha de um modelo de negócio, não de poder de computação. A unidade de custo do negócio de treinamento é «o tempo e a eletricidade para treinar um modelo grande»; a unidade de custo do negócio de inferência é «por milhão de tokens». Entenda primeiro que dinheiro você ganha, depois discuta que placa comprar.

• A capacidade da VRAM determina se o modelo pode rodar, a largura de banda determina a velocidade, a interconexão determina a escala. Os TFLOPS da ficha técnica só contam quando se consegue saturá-los — na prática, muitas GPUs operam com utilização efetiva (MFU) inferior à metade.

• Os chips representam apenas 30–40% do custo total. Eletricidade, refrigeração líquida, rede e cinco anos de operação absorvem os outros 60% — escolher uma placa é, em essência, escolher toda uma infraestrutura.

• Comprar uma B300 é comprar uma sala de máquinas com refrigeração líquida. Com ~1.400 W por placa, ultrapassa-se o limite da refrigeração a ar; se a eletricidade e a refrigeração das instalações não acompanharem, até a placa mais potente funcionará com estrangulamento térmico.

• Não existe a melhor placa — existe a placa mais adequada à sua carga de trabalho. A H100 está longe de estar obsoleta, a Ascend 910C é insubstituível nos cenários de conformidade Xinchuang, e a 950PR anuncia o próximo passo da computação doméstica — a resposta depende sempre do perfil da sua carga.

Sete chips, quatro posições de mercado

Antes de entrar nos indicadores, estabeleçamos uma compreensão básica: estes sete chips não têm uma relação linear de «mais ou menos rápido» — ocupam quatro posições de mercado completamente diferentes:

• O trono do treinamento: B200 / B300 (arquitetura Blackwell) — computação FP8 e interconexão NVLink 5 líderes em todos os aspectos; o único patamar para treinar modelos de um trilhão de parâmetros.

• O valor seguro comprovado: H100 / H200 (arquitetura Hopper) — o ecossistema e a cadeia de suprimentos mais maduros, a escolha de melhor custo-benefício para treinamento e inferência de 7B a 70B.

• O pilar doméstico: Ascend 910B / 910C — a única opção para cenários de conformidade Xinchuang; a inferência está quase pronta para produção, o treinamento está uma geração atrás.

• A variável de nova geração: Ascend 950PR (lançamento no 1º trimestre de 2026, otimizada para a fase prefill da inferência), que mostra o ritmo de alcance da computação doméstica.

Tabela 1: Especificações-chave dos sete principais chips de computação de IA (valores aproximados; verifique as especificações oficiais mais recentes)

Indicador 1: adequação treinamento/inferência — primeiro entenda qual é o seu negócio

Primeiro princípio de seleção: a sua carga principal é treinamento ou inferência? Não é o mesmo negócio. O treinamento é intensivo em computação e limitado pela comunicação do cluster — em clusters de milhares e até dezenas de milhares de placas, a sobrecarga de All-Reduce pode representar 30–50% do tempo total; a fase de decodificação da inferência é intensiva em largura de banda de memória, e nenhum poder de computação ajuda quando a GPU espera pelos dados. Projetar um cluster de inferência segundo os padrões das placas de treinamento, ou planejar uma plataforma de treinamento segundo os padrões das placas de inferência — em ambos os casos é um erro direcional de centenas de milhões de yuans.

• Cenário de treinamento: a potência FP8 da B300 é cerca de 2,3 vezes a da H100, reduzindo o tempo de treinamento de um modelo de um trilhão de parâmetros para 40–50% do de um cluster H100; a potência FP16 da Ascend 910C é cerca de 40% da H100 e, considerando a lacuna de MFU (utilização da potência de computação do modelo), a lacuna de potência efetiva de treinamento é de cerca de 4,5 vezes.

• Cenário de inferência: os modelos pequenos de 7B–13B podem rodar em qualquer placa, portanto decide o custo-benefício; um modelo denso de 70B tem pesos FP16 de cerca de 140 GB — a H200 com 141 GB roda-o numa única placa, a B300 com 288 GB permite lotes muito grandes e a 910C com 96 GB exige paralelismo tensorial multiplacas; nos cenários MoE de nível 671B e de contexto longo de 128K+, as placas de grande memória esmagam a concorrência.

Uma frase para lembrar este indicador: para treinamento compra-se poder de computação, para inferência compra-se largura de banda.

Indicador 2: capacidade e largura de banda da VRAM — a capacidade define o teto, a largura de banda define o piso

A VRAM é o «celeiro» da inferência, a largura de banda é a «autoestrada». As três tendências dos grandes modelos — crescimento de parâmetros, alongamento do contexto e ascensão dos MoE — devoram a VRAM a grande velocidade. O contexto longo em particular é o novo buraco negro da memória: o cache KV de um contexto de 128K pode engolir mais dezenas de gigabytes, o que significa que «os pesos caberem» é apenas a nota de corte, e «a reserva para o cache KV» é o que determina o paralelismo.

A lacuna de capacidade de memória converte-se diretamente em dinheiro: para rodar um modelo de nível 405B (pesos FP16 de cerca de 810 GB), a B300 requer 4 placas em paralelismo tensorial, a H100 requer 11; a diferença não é apenas o preço de 7 placas a mais, mas também um servidor inteiro, cabos NVLink e cinco anos de eletricidade. O efeito da largura de banda é mais discreto: na fase de decodificação, cada token gerado exige uma leitura completa dos pesos do modelo; os pesos FP16 de um modelo de 70B são cerca de 140 GB, a H100 a 3,35 TB/s lê-os em cerca de 42 milissegundos, a B300 a 8 TB/s reduz isso para 17 milissegundos — é por isso que as placas de alta largura de banda esmagam a concorrência nos cenários sensíveis à latência.

Indicador 3: interconexão scale-up — uma placa potente que não pode ser interconectada vira uma ilha

O scale-up determina quantas placas você pode «virtualizar numa única placa grande». O NVLink 5 da NVIDIA (B300) oferece 1,8 TB/s por GPU e, com NVSwitch, permite interconectar totalmente 72 placas dentro de um rack — o paralelismo tensorial de um modelo de um trilhão de parâmetros é concluído dentro de um único rack; o NVLink 4 (H100/H200) a 900 GB/s é extremamente maduro. A interconexão HCCS da Ascend 910C é de cerca de 400 GB/s, 44% do NVLink 4; a Huawei compensa no nível do sistema com a interconexão totalmente óptica do supernó CloudMatrix.

Na seleção de placas, avalie simultaneamente dois níveis: a largura de banda de interconexão de um único nó, que determina a eficiência do paralelismo intra-rack; e a solução de supernó do fornecedor, que define o teto de expansão inter-racks. Olhar só para o primeiro subestima a capacidade de sistema da Ascend; olhar só para o segundo subestima a complexidade da operação em grande escala.

Indicador 4: disponibilidade do cluster — o indicador mais subestimado e mais determinante

Os dados reais da Meta sobre o treinamento do Llama 3 405B merecem ser relidos três vezes por todo responsável por compras: um cluster de 16.384 placas H100 sofreu 466 interrupções de trabalhos em 54 dias — em média uma a cada 3 horas, e a taxa de falhas das GPUs é 120 vezes a das CPUs. Faça as contas: um cluster de 10.000 placas tem teoricamente ~87,6 milhões de placas-hora de computação por ano; cada ponto percentual de disponibilidade perdido são cerca de 870.000 placas-hora de potência efetiva desperdiçada; 10% de perdas por inatividade significam milhões de dólares de computação evaporando.

A disponibilidade depende de três coisas: tolerância a falhas de hardware RAS (a B300 introduz um motor RAS dedicado), estabilidade térmica (placas de alta potência exigem refrigeração líquida, e uma falha da refrigeração líquida para um rack inteiro) e estratégia de checkpoints (treinamento em 10.000 placas exige salvamento a cada 15–30 minutos, tornando a taxa de escrita do armazenamento o novo gargalo). Este indicador é precisamente o domínio onde os fabricantes de sistemas completos criam mais valor do que os fabricantes de chips: redundância de alimentação, projeto de fluxo de ar, gerenciamento fora de banda e testes de bancada — cada elemento garante a disponibilidade.

Indicador 5: custo de migração de software — hardware é custo afundado, software é custo permanente

O fosso do CUDA não é o número de mais de 10.000 operadores em si, mas a experiência de depuração, o ecossistema de código aberto e as respostas instantaneamente encontráveis acumulados por milhões de desenvolvedores em uma década — um fosso que nenhuma especificação de hardware pode fechar. Em comparação: o ROCm tem cerca de metade dos operadores do CUDA, e o Ascend CANN cerca de 2.000 operadores, que já cobrem os modelos comuns.

Regra prática: para treinamento e inferência de modelos padrão (GPT/Llama/Qwen/DeepSeek) servem os três ecossistemas; para pesquisa de ponta com mudanças frequentes de arquitetura de modelo, CUDA continua sendo a única escolha; onde a conformidade exige plataformas domésticas, CANN é a única escolha, mas orce 1–3 meses-pessoa de engenharia para operadores personalizados e ajuste da migração, inscrevendo-o no cronograma do projeto e no contrato de compra.

Indicador 6: tokens por dólar e tokens por watt — o exame final da comercialização

Assim que um centro de computação de IA entra em operação comercial, os clientes só se interessam por uma coisa: quanto custa um token. Medições de terceiros mostram que o custo de inferência do milhão de tokens na B200/B300 é cerca de 1/5 a 1/10 do da H100 — uma vantagem que não vem da potência de uma única placa, mas da eficiência do sistema: mais memória suporta lotes maiores, a precisão FP4 reduz a computação pela metade, o NVLink 5 reduz a sobrecarga de comunicação. Isso explica por que o preço de aluguel da «obsoleta» H100 continua caindo: ela não ficou mais lenta — simplesmente a conta dos tokens por dólar deixou de fechar.

No lado energético, o TDP por placa passou de 700 W na H100 para ~1.400 W na B300 — além do limite da refrigeração a ar; comprar uma B300 equivale na prática a comprar toda uma infraestrutura de refrigeração líquida (a refrigeração por placa fria permite PUE inferior a 1,15, com investimento inicial 30–50% maior que a refrigeração a ar). Mas o que deve ser comparado são os «tokens por watt», não o TDP: o rendimento de tokens por watt da B300 é mais de 3 vezes o da H100. A Ascend 910C, com TDP de cerca de 600 W, funciona com refrigeração a ar, com um limiar de infraestrutura notavelmente mais baixo — adequada para projetos com orçamento e condições de instalação limitados.

Matriz de decisão por cenário

Tabela 2: Matriz de seleção de GPU para cinco cenários típicos

Lista de verificação antierros: os cinco erros de seleção mais comuns

• Olhar apenas o preço unitário sem calcular o TCO do cluster — NVSwitch, placas de rede IB/RoCE e a configuração do cache NVMe de um sistema de 8 placas podem duplicar o custo total; um orçamento deve ser lido em dois níveis: sistema e cluster.

• Fazer o orçamento pela potência de pico — o MFU do setor costuma ser apenas 30–50%; recalcule em potência efetiva antes de discutir volumes de compra, senão o cluster já nasce superdimensionado ao dobro.

• Ignorar os pré-requisitos das instalações — nos projetos B300, verifique primeiro a potência elétrica, a capacidade de carga do piso e as condições para refrigeração líquida, depois fale de preço; se as instalações não atenderem, até o preço contratual mais baixo virará custo afundado.

• Subestimar o trabalho de migração — inscreva no orçamento o custo de ajuste da migração de CUDA para CANN (mínimo 1–3 meses-pessoa) e priorize parceiros de sistemas completos com experiência na implementação de plataformas domésticas.

• Usar um único modelo de placa para todas as cargas — compre treinamento e inferência por níveis e implante modelos grandes e pequenos separadamente, evitando desperdícios como «rodar um modelo de 7B numa B300».

Por que escolher a ChangFan Industrial Computing

Voltemos à estrutura de custos da fig. 1: os chips representam apenas 30–40% do custo de um centro de computação de IA — eletricidade, refrigeração, rede e operação constituem o resto, e é aí que os fabricantes de plataformas de sistemas criam valor. A ChangFan Industrial Computing fornece a centros de computação de IA e empresas de IA servidores GPU completos e personalização da camada de infraestrutura:

• Plataformas de sistemas para todos os cenários: de estações de trabalho de inferência a servidores GPU de 8 placas, com configuração sob demanda de plataformas NVIDIA e plataformas de computação domésticas, e ajuste integral da proporção CPU/GPU, do cache NVMe e da rede de alta velocidade.

• Projeto térmico e elétrico para altas potências: para consumo acima de 1.000 W por placa, oferecemos otimização do fluxo de ar do chassi, alimentação redundante e chassis prontos para refrigeração líquida, para que GPUs potentes funcionem a plena potência de forma duradoura.

• Genes de confiabilidade industrial: toda a linha de produtos segue padrões de projeto 7×24, com fontes de alimentação redundantes, gerenciamento fora de banda (IPMI/BMC) e testes completos de bancada e sob carga — mirando diretamente os custos ocultos da disponibilidade do cluster.

• Capacidades profundas de OEM/ODM: estrutura do chassi, serigrafia do painel, BIOS/BMC, disposição de portas, drivers pré-instalados e imagens de ambiente de inferência — tudo personalizável, ajudando integradores a entregar rapidamente sistemas de IA com sua própria marca.

• Certificações completas e entrega global: produtos certificados segundo 3C, CE, FCC, RoHS e outras normas, fichas técnicas e relatórios de teste fornecidos em chinês e inglês, suporte à logística global e à entrega de projetos no exterior.

Esteja você planejando um cluster de treinamento de mil placas ou construindo uma plataforma de inferência corporativa, a ChangFan Industrial Computing fornece o hardware de sistemas adequado e suporte profissional à seleção. Entre em contato com os engenheiros de vendas da ChangFan Industrial Computing para testes de amostras e um orçamento.

Perguntas frequentes (FAQ)

P: Ainda vale a pena comprar a H100 em 2026? R: Sim. Graças à cadeia de suprimentos madura e à ausência de custos de migração de ecossistema, a H100 continua sendo a escolha ótima em preço para treinamento e inferência de 7B a 70B; mas para treinamento de ponta com orçamento suficiente, a B300 é o melhor investimento de longo prazo.

P: A refrigeração líquida é obrigatória para a B300? R: Sim. Com TDP de ~1.400 W por placa, a B300 ultrapassa o limite da refrigeração a ar, e a refrigeração líquida por placa fria é o padrão; a implantação da B300 exige planejamento integral de eletricidade, refrigeração e capacidade de carga das instalações.

P: A Ascend 910C pode substituir a H100? R: Nos cenários de inferência (modelos 7B–13B) é uma substituição quase total, com eficiência real de cerca de 70–82% da H100; no treinamento, a lacuna de potência efetiva é de cerca de 4,5 vezes, mas sob as restrições de conformidade Xinchuang é a única escolha independente e controlável.

P: Quando a Ascend 950PR será lançada? R: Segundo o roteiro publicado pela Huawei, a 950PR sai no primeiro trimestre de 2026 com otimização para cenários prefill da inferência, e a 950DT no quarto trimestre de 2026; as especificações e entregas concretas devem ser confirmadas conforme os anúncios oficiais da Huawei.

P: Qual configuração mínima é necessária para a inferência de um modelo de 70B? R: Os pesos FP16 são cerca de 140 GB: uma única placa H200 (141 GB) basta; para lotes paralelos grandes, escolha a B300 (288 GB); com orçamento limitado, serve o paralelismo tensorial multi-H100.

P: Construir um centro de computação de IA próprio ou alugar computação em nuvem? R: Tudo se resume à utilização: com carga estável e utilização anual acima de 60–70%, um cluster de sistemas próprio geralmente vence o aluguel de nuvem de longo prazo em TCO; com carga variável ou em fase de validação, é mais prudente alugar primeiro e construir depois.

P: Os servidores GPU da ChangFan Industrial Computing suportam personalização de refrigeração líquida? R: Sim. A ChangFan Industrial Computing oferece chassis prontos para refrigeração líquida, otimização de fluxo de ar e alimentação redundante, além de um ciclo completo de OEM/ODM do chassi ao BIOS e aos ambientes pré-instalados.