De infraestrutura elétrica à economia de tokens: a «sétima camada» da cadeia da indústria de IA

Título original: De Infraestrutura de Energia a Token Economy: O "Sétimo Camada" da Cadeia de Indústria de AI

Autor original:律动BlockBeats

Fonte original:

Reprodução: Mars Finance

A força motriz da era AI, já mudou de modelos para Tokens

Nos últimos dois anos, a narrativa da primeira metade da indústria de AI concentrou-se principalmente na "Guerra dos Grandes Modelos" iniciada pelas grandes empresas. O número de parâmetros passou de centenas de bilhões para trilhões, o custo de treinamento subiu de dezenas de milhões de dólares para centenas de milhões, e os clusters de GPU se expandiram de milhares para dezenas de milhares de cartões. Todos discutiam qual modelo era mais forte, qual se aproximava mais da AGI, como se o objetivo final da competição de AI fosse o desempenho do próprio grande modelo.

E agora, em 2026, a lógica de impulso da indústria de AI mudou. O mais recente relatório do JPMorgan afirma que, no futuro, o que realmente impulsionará a expansão contínua da infraestrutura de AI não será mais o treinamento de modelos, mas a demanda massiva por inferência de AI. O consumo de poder de processamento mais intenso no futuro não será mais apenas o treinamento de grandes modelos, mas os Agentes de AI espalhados pelo mundo. Cada chamada, cada interação, cada execução de tarefa, essencialmente consome Tokens. A indústria de AI está entrando de "Era dos Modelos" para a "Era da Indústria de Tokens".

Pois, no futuro, o que realmente fará a operação do mundo AI não será apenas o modelo em si, mas o sistema de produção, distribuição, orquestração e consumo em torno do Token. Especialmente após o início em larga escala dos Agentes de AI, como os Tokens serão gerados em tempo real, distribuídos entre regiões, orquestrados dinamicamente e consumidos de forma eficiente, se tornará a questão mais central da nova fase da indústria de AI.

Como recentemente sugerido por Huang Renxun, AI não é apenas uma indústria de software simples, mas um sistema de infraestrutura fundamental semelhante à energia elétrica e à internet. Em sua arquitetura de "cinco camadas", a indústria de AI é dividida em: energia, chips, infraestrutura, modelos e aplicações. E, à medida que a indústria de AI evolui do "Era do Treinamento" para o "Era da Inferência", a GoodVision AI prefere entender toda a cadeia econômica de AI como uma "estrutura de sete camadas" que gira em torno do Token:

Primeira camada: Energia — a base energética da era AI
Segunda camada: AIDC — Fábrica de Tokens
Terceira camada: GPU — Equipamento de produção de Tokens
Quarta camada: LLM — Motor de produção de Tokens
Quinta camada: Distribuição de Tokens — a "rede elétrica" da era AI
Sexta camada: Otimização e orquestração inteligente de Tokens — o cérebro da era AI
Sétima camada: Agente de AI — terminal de consumo de Tokens

De energia, GPU, até AIDC, nós, nós de borda, inferência de modelos e orquestração inteligente, a indústria de AI está formando um sistema de "Indústria de Tokens" sem precedentes.

Porém, neste estágio, esse sistema ainda está longe de ser maduro.

Há quem possua GPUs de ponta, mas seja limitado por energia; quem constrói grandes AIDC, mas carece de orquestração eficiente; quem desenvolve poderosos Agentes de AI, mas enfrenta custos elevados de inferência e latência; quem domina nós de borda, mas não consegue formar uma rede unificada e colaborativa. Embora toda a cadeia de indústria esteja se desenvolvendo rapidamente, ainda há muitos gargalos de fragmentação, redundância e eficiência entre as camadas.

E somente quando essas sete camadas de infraestrutura forem realmente conectadas, colaborando e operando em sinergia, a indústria de AI poderá deixar de ser apenas uma "ferramenta" e avançar para a "era de adoção em larga escala" do mundo inteligente.

Primeira camada: Energia — a base energética da era AI

A Revolução Industrial lutava por carvão e petróleo, a era da internet lutava por tráfego e servidores, e na era AI, a guerra mais fundamental está voltando para a energia.

Pois, o que a AI consome no final é eletricidade. O consumo de energia de um grande centro de dados de AI já se aproxima de uma cidade de porte médio. Em todo o mundo, novos AIDC (Centros de Dados de AI) enfrentam o mesmo problema: GPUs podem ser compradas, terrenos podem ser adquiridos, mas o fornecimento de energia não acompanha, e a gestão da rede elétrica também não.

Por isso, cada vez mais empresas de AI estão voltando sua atenção para infraestrutura energética. Na GTC 2026, Huang Renxun até definiu o futuro dos centros de dados como "Fábricas de Tokens". Sua fábrica no topo gerará uma superindústria de energia.

No mercado chinês, empresas como Yangtze Power, China Nuclear Power, China General Nuclear, Three Gorges Energy, Longyuan Power e Huadian New Energy representam as principais fontes de energia: hidrelétrica, nuclear, eólica e fotovoltaica. Entre elas, nuclear e hidrelétrica, devido à sua estabilidade de fornecimento, estão se tornando as principais fontes de energia básica para AIDC; enquanto eólica e solar se beneficiam do aumento na demanda por energia verde e ESG na indústria de AI. Com o avanço do projeto "East Data West Computing" e a construção de grandes centros de dados de AI, a colaboração entre bases de energia renovável e centros de computação está se fortalecendo rapidamente.

Nos EUA, gigantes tradicionais de energia como NextEra Energy, Dominion Energy, Duke Energy, Southern Co. e Exelon também se beneficiam da expansão de centros de dados de AI. Entre eles, NextEra lidera o mercado de energia verde na América do Norte; Dominion controla recursos essenciais de transmissão na "Corredor de Dados de Northern Virginia"; Exelon, com sua energia nuclear estável, é um grande beneficiário da demanda por energia "24/7 de alta estabilidade" na era AI. Globalmente, o setor de energia está evoluindo de uma utilidade pública tradicional para uma camada de recursos essenciais na infraestrutura de AI.

De modo geral, o cenário competitivo nesta camada está mudando de uma "competição de preços de energia" entre empresas tradicionais de energia para uma "competição de direitos de fornecimento de energia" entre centros de dados de AI, provedores de nuvem e empresas de energia. Quem conseguir garantir energia estável, de longo prazo e de baixo custo, terá a primeira joia de produção de Tokens.

Segunda camada: AIDC — Fábrica de Matérias-Primas de Tokens

Uma GPU isolada não faz sentido; o que importa é a escala do cluster. Assim surgiu a AIDC.

Ela funciona como as fábricas de aço, usinas de energia e linhas de montagem da era industrial, concentrando milhares de GPUs para formar uma capacidade estável de produção de Tokens. Mas os problemas também começaram a surgir: a construção de AIDC tradicional costuma levar de 18 a 36 meses, e a expansão da rede elétrica pode levar ainda mais tempo. Quando a demanda por AI cresce exponencialmente, a velocidade de construção dos antigos centros de dados não consegue mais atender à nova economia de Tokens.

Na bolsa americana, a Equinix é uma das maiores operadoras de centros de dados do mundo, com mais de 240 centros em mais de 30 países. Sua vantagem central não é apenas o número de data centers, mas sua capacidade de interconexão global e rede de baixa latência, tornando-se um nó fundamental na implantação de poder de computação de AI.

A Digital Realty, por sua vez, entrou na infraestrutura de AI através da plataforma PlatformDIGITAL, atendendo grandes provedores de nuvem e instituições financeiras.

No mercado chinês, a Runze Technology é uma das operadoras de AIDC mais representativas na B3. Sua principal atividade vem evoluindo de IDC tradicional para centros de computação de AI, com vantagem em grandes data centers, recursos de energia e operações de AIDC. Empresas como Aofei Data e Capital Online continuam expandindo em áreas de data centers regionais, infraestrutura de nuvem e hospedagem de poder de AI. A Sugon, por sua vez, foca em parcerias no setor governamental e de pesquisa na área de AIDC.

Outro grupo de players vem da "transformação de fazendas de mineração". Empresas como CoreWeave, IREN, Applied Digital e Cipher Mining, que originalmente atuavam na mineração de criptomoedas, rapidamente migraram para infraestrutura de computação de AI devido ao aumento na demanda por GPUs de AI. A IREN aposta em um modelo de "energia verde + poder de AI", construindo data centers de alta densidade com energia renovável. Applied Digital e Cipher Mining também estão se transformando de fazendas de mineração tradicionais para infraestrutura de computação de alto desempenho de AI.

Além disso, a tendência de fábricas de AI menores, modulares e de borda começa a ganhar força. Assim como na era da internet, de mainframes para computação em nuvem, a capacidade de computação de AI está se espalhando de centros gigantes para nós de borda regionais.

Por isso, a GoodVision AI escolheu um caminho diferente: construir fábricas de AI mais leves, modulares e de rápida replicação. Em comparação com as grandes AIDC tradicionais, a GoodVision AI enfatiza a implantação regional, alta eficiência de clusters de GPU de alta densidade e a integração de energia e computação.

Seu núcleo não é construir um único centro de dados gigante, mas implantar rapidamente nós de fábrica de AI em regiões densamente povoadas globalmente, geralmente com capacidade de 2-4MW, pequenos centros de inferência. Este modelo permite acesso mais rápido aos recursos energéticos locais e é mais adequado para a tendência de expansão da inferência de AI para a borda.

Se as AIDC tradicionais se assemelham às grandes fábricas de aço da era industrial, a estrutura da GoodVision AI é mais parecida com uma "fábrica de tokens regional" na era AI — mais leve, flexível, próxima do usuário e mais adequada ao futuro de redes de inferência distribuídas globalmente.

Terceira camada: GPU — Equipamento de produção de Tokens

Se energia é a fonte, então a GPU é o equipamento de produção. Nos primeiros anos do boom de AI, as GPUs eram usadas principalmente para treinamento; mas no futuro, a maior demanda virá da inferência. Pois, o treinamento é feito por algumas poucas empresas líderes, enquanto a inferência se infiltrará em cada aplicação, dispositivo e terminal. Robôs precisam de inferência, condução autônoma precisa de inferência, óculos de AI precisam de inferência, e até a colaboração entre Agentes de AI será uma atividade que consome Tokens em tempo real.

A NVIDIA ainda é o núcleo absoluto da indústria global de chips de AI. Seus produtos GPU como H100, B200, Blackwell quase definem os padrões atuais de treinamento e inferência de AI globalmente. Mais importante, a NVIDIA não vende apenas chips, mas constrói um ecossistema completo com CUDA, TensorRT, DGX, HGX, etc., o que faz com que seus concorrentes precisem desafiar não só o desempenho da GPU, mas todo o ecossistema de software de AI.

A AMD é atualmente a principal concorrente de GPUs, com produtos como MI300X. Em comparação com a NVIDIA, a AMD enfatiza um ecossistema aberto e a plataforma de software ROCm, tentando atrair desenvolvedores e clientes corporativos com maior abertura.

A Broadcom e a Marvell representam uma rota diferente — ASICs e interconexões de alta velocidade. Com a crescente complexidade dos cenários de inferência de AI, mais empresas estão tentando desenvolver chips ASIC personalizados para obter maior eficiência energética e menor custo.

A Intel entra no mercado de AI com CPUs de servidores e placas aceleradoras Gaudi, tentando reentrar na competição de infraestrutura de AI usando seu ecossistema de CPUs.

No mercado chinês, Cambricon é uma das empresas mais representativas de chips de AI nacionais, promovendo a série S Yuan de chips de AI e construindo seu próprio framework de AI, Neuware. A Hygon possui licença da arquitetura AMD Zen, focando em DCU e mercado de inferência de AI.

Moore Threads, Sauro Technologies, Muxi Co., Bairun Technology, entre outras empresas de GPU nacionais, representam a direção de "substituição doméstica" na indústria de chips de AI na China. Geralmente, enfatizam compatibilidade com o ecossistema CUDA e tentam construir clusters de GPU nacionais.

De CUDA a memórias HBM e núcleos Tensor, o núcleo de toda a indústria de AI está na constante melhoria da "eficiência de geração de Tokens por unidade de tempo". Ao mesmo tempo, infraestrutura de GPU e seus componentes — servidores, módulos ópticos, resfriamento líquido, switches — também estão fortemente ligados à eficiência de produção de Tokens.

Esses componentes, embora não tão visíveis quanto a NVIDIA ou a OpenAI, que lideram as aplicações de AI, determinam se o mundo de AI pode realmente funcionar. Como na Revolução Industrial, que precisou de locomotivas, ferrovias, redes elétricas e portos, a revolução de AI também não será apenas uma revolução de software. É uma atualização global na cadeia de indústria que cobre energia, chips, redes, computação em nuvem e infraestrutura.

A Vertiv é líder mundial em UPS e gerenciamento de energia para data centers, fornecendo energia, distribuição em racks e sistemas de ar condicionado de precisão.

A InvenSense é líder na China em sistemas de resfriamento líquido e controle de temperatura, atendendo grandes empresas de internet como BAT. Com o aumento do consumo de energia de GPUs, o resfriamento líquido está se tornando padrão importante em AIDC.

Empresas como Zhongheng Electric, Kehua Data e Kstar são importantes no setor de UPS, sistemas de energia e fornecimento de energia para IDC.

No setor de rede e módulos ópticos, Zhongji Xuchuang, New Easpring e Tenda Communications se beneficiam do aumento na demanda por comunicação de alta velocidade dentro de clusters de AI.

No setor de servidores completos, empresas como Dell, HPE, Supermicro, Lenovo e Inspur assumem a montagem e entrega em larga escala de servidores de AI.

Embora essa camada não seja diretamente voltada ao usuário final, ela decide se a infraestrutura de AI pode operar de forma estável. Resfriamento líquido, UPS, módulos ópticos, switches, armazenamento de energia e servidores — como ferrovias, redes elétricas e portos na Revolução Industrial — estão se tornando os verdadeiros "negócios de venda de ferramentas" no mundo de AI.

Quarta camada: LLM — Motor de produção de Tokens

Os LLMs (Modelos de Linguagem de Grande Escala) determinam como os Tokens são entendidos, gerados e organizados. Nos últimos dois anos, empresas como OpenAI, Anthropic, Google, Meta, xAI, DeepSeek iniciaram uma corrida global por "Grandes Modelos". O número de parâmetros passou de centenas de bilhões para trilhões, e as capacidades do modelo evoluíram de geração de texto para multimodalidade, raciocínio, código, colaboração de agentes e memória de longo prazo.

Mas, à medida que a indústria evolui, o mercado também percebe que: o que realmente importa no futuro não é mais "quem possui o maior modelo", mas quem consegue rodar modelos de forma contínua, com menor custo e maior eficiência. Pois, o valor não vem do próprio modelo, mas do processo de inferência após múltiplas chamadas ao modelo.

Isso também significa que os LLMs estão evoluindo de uma fase de "demonstração de capacidade" para uma "fábrica de Tokens" no mundo de AI.

Modelos fechados e abertos como OpenAI, Anthropic, Google Gemini, Meta Llama competem pelo futuro acesso ao ecossistema de AI; enquanto novos players como DeepSeek, com custos menores e maior eficiência de inferência, começam a remodelar o cenário competitivo. A competição na camada de LLMs já não se resume mais ao tamanho do parâmetro, mas a múltiplos critérios de avaliação:

Custo por Token, Eficiência de Inferência, Capacidade de Contexto, Multi-Agentes, Colaboração, Memória de Longo Prazo, Capacidade de Integração entre Modelo e Infraestrutura

Pois, o que realmente importa na era AI não é apenas se o grande modelo é "inteligente", mas se ele pode ser rodado de forma contínua, em larga escala, com baixo custo globalmente. A GoodVision AI também tem suas próprias soluções de otimização nesta camada: colaborando com fornecedores de grandes modelos, implantando-os em fábricas de tokens, evoluindo de aluguel de capacidade tradicional para fornecimento direto de Tokens; isso aumenta a margem de lucro e melhora a experiência do usuário.

Quinta camada: Distribuição de Tokens — a "rede elétrica" da era AI

Quando a AIDC é construída, surge a próxima questão: como esses recursos computacionais podem ser utilizados globalmente?

Assim, plataformas de aluguel de poder de processamento começaram a surgir. Elas funcionam como a "rede elétrica" da era AI, fragmentando e distribuindo recursos de GPU centralizados, alugando sob demanda para desenvolvedores, empresas e aplicações de AI.

AWS, Azure, Google Cloud, Alibaba Cloud e Tencent Cloud continuam sendo os maiores players nesta camada. Possuem a maior infraestrutura de nuvem do mundo e estão integrando gradualmente recursos de GPU de AI em seus sistemas IaaS.

Ao mesmo tempo, novas "nuvens nativas de AI" estão emergindo rapidamente. CoreWeave, Nebius, Nscale, entre outras, construíram plataformas de GPU específicas para treinamento e inferência de AI. Em comparação com provedores tradicionais, são mais flexíveis, focadas em tarefas de AI e mais eficientes na otimização de clusters de GPU.

A CoreWeave é uma das empresas mais representativas da NeoCloud. Inicialmente focada na mineração de Ethereum, ela se transformou completamente em uma provedora de serviços de GPU para AI, apoiada por NVIDIA como uma infraestrutura de AI de destaque.

Plataformas leves como DigitalOcean e Vultr atendem desenvolvedores de pequeno e médio porte, enfatizando implantação rápida e baixo custo de serviços de GPU.

No mercado chinês, além dos gigantes, empresas como UCloud, Kingsoft Cloud e Capital Online são principais fornecedoras de nuvens de GPU e aluguel de poder de AI. A competição nesta camada é muito parecida com a da rede elétrica inicial: como distribuir eficientemente recursos computacionais dispersos.

Sexta camada: Otimização e orquestração inteligente de Tokens — o cérebro da era AI

Talvez essa seja a camada mais subestimada, mas também a mais crucial. Com a explosão no uso de Agentes de AI, percebe-se que nem todas as tarefas valem a pena usar o modelo mais caro. Muitas tarefas simples podem ser feitas por modelos locais; tarefas em tempo real são mais adequadas para inferência na borda; tarefas que envolvem privacidade não podem ser enviadas à nuvem. Além da questão de "disponibilidade de poder de processamento", surge a questão de "como usar esse poder de forma mais inteligente".

Com a demanda por Tokens crescendo exponencialmente, "fazer com que o modelo adequado processe a tarefa certa no poder de processamento adequado" é a chave para o uso racional e eficiente de Tokens. Essa é uma das direções que a GoodVision AI está explorando, além de montar fábricas de Tokens de AI.

Assim como no sistema de energia atual: algumas demandas vêm da rede elétrica principal; outras, do painel solar no telhado. O que realmente importa é a camada intermediária — o "sistema inteligente de orquestração".

O futuro da AI também seguirá essa estrutura: tarefas simples serão feitas por pequenos modelos locais, tarefas complexas chamarão grandes modelos na nuvem, tarefas de alta privacidade serão processadas na borda, tarefas de alta concorrência serão orquestradas dinamicamente por uma nuvem híbrida.

Além da GoodVision AI, empresas como QingCloud, Lambda, OpenRouter e Fireworks AI também lideram em otimização de Tokens e orquestração inteligente.

E essa camada "de bolo" tem alta sobreposição com as duas anteriores — AIDC e plataformas de GPU. Quando os recursos de GPU, os nós regionais e a escala de tarefas de inferência aumentam, simplesmente "possuir poder de processamento" já não é suficiente para criar uma barreira de longo prazo. Cada vez mais, provedores de AIDC e plataformas de nuvem de GPU percebem que o que realmente determina eficiência e margem de lucro não é apenas a quantidade de GPU, mas como orquestrar dinamicamente modelos, poder de processamento e fluxo de Tokens.

Por isso, muitas plataformas que já atuam em AIDC e nuvem de GPU estão expandindo para a camada de "orquestração inteligente". Por exemplo, empresas como UCloud, Capital Online e Sugon na China estão tentando integrar suas infraestruturas de GPU, recursos multi-nuvem e capacidades de inferência, evoluindo de "vender capacidade de processamento" para "otimizar capacidade de processamento".

Sétima camada: Modelos e Agentes — Consumidores de Tokens

Embora essa camada seja a mais próxima do usuário e a mais fácil de atrair fluxo, a competição também é a mais acirrada. Na GTC 2026, Huang Renxun afirmou que: "No futuro, toda empresa será um produtor e consumidor de Tokens."

Um Agente de AI pode chamar múltiplos modelos, ferramentas e APIs simultaneamente, realizando inferência, planejamento e execução contínuos. Isso significa que, no futuro, o consumo de Tokens por AI será muito maior do que nas atuais interações humanas com AI. Alguns usuários intensivos de AI já constroem sistemas com múltiplos Agentes em paralelo, que se comunicam e consomem bilhões de Tokens por dia.

O futuro não será mais 1 bilhão de pessoas usando AI, mas 10 bilhões, ou até 100 bilhões de Agentes de AI operando simultaneamente, trocando chamadas. E o verdadeiro gargalo mudará de "capacidade do modelo" para "eficiência na orquestração de Tokens".

Gigantes de tecnologia como Microsoft, Google, Meta e Amazon estão integrando capacidades de AI em seus produtos de escritório, busca, redes sociais e nuvem.

Empresas de software corporativo como Adobe, Salesforce, ServiceNow e Palantir estão avançando rapidamente em Agentes de AI corporativos e automação de fluxos de trabalho. Ao mesmo tempo, a Hugging Face está se tornando o "GitHub" da era de AI, sendo uma comunidade de modelos e uma infraestrutura fundamental para o ecossistema global de desenvolvimento de AI.

No mercado chinês, empresas como iFlytek, Kunlun Wanshi, 360, Kingsoft Office e SenseTime estão focadas em assistentes de AI, escritórios inteligentes e Agentes de AI.

Quando a "estrutura de sete camadas" estiver realmente formada, o mundo de AI começará de fato.

Hoje, a indústria de AI ainda está em uma infraestrutura que não é totalmente madura.

Há quem possua GPUs de ponta, mas seja limitado por energia; quem constrói grandes AIDC, mas carece de orquestração eficiente; quem desenvolve modelos e Agentes poderosos, mas enfrenta custos altos de inferência e latência; quem domina nós de borda, mas não consegue formar uma rede colaborativa unificada.

De energia, AIDC, GPU, até LLM, distribuição de Tokens, orquestração inteligente e Agentes de AI, toda a cadeia de indústria de AI está se desenvolvendo rapidamente, mas ainda há muitos gargalos de fragmentação, redundância e eficiência.

E somente quando essa "estrutura de sete camadas" for realmente completa e começar a operar de forma eficiente, a indústria de AI sairá do "Era das Ferramentas" e entrará na "Era da Adoção em Massa" do mundo inteligente.

O futuro do mundo de AI não será mais apenas algumas grandes empresas treinando grandes modelos, mas bilhões de Agentes de AI continuamente online, colaborando, chamando recursos e Tokens de forma incessante. Cada diálogo, cada raciocínio, cada chamada de ferramenta, cada execução automática de tarefas, envolverá energia, GPU, rede, orquestração e nós de inferência trabalhando em harmonia.

E isso também significa que a indústria de AI está evoluindo de uma lógica de software para uma infraestrutura industrial superdimensionada, que cobre energia, chips, nuvem, redes de borda e orquestração inteligente.

Assim como a Revolução Industrial precisou de locomotivas, ferrovias, redes elétricas e portos, a revolução da AI não será apenas uma revolução de software. É uma atualização global na cadeia de indústria que abrange energia, chips, redes, computação em nuvem e infraestrutura.

O marco de maturidade da revolução de AI não será apenas uma aplicação de sucesso, mas o surgimento de uma rede de infraestrutura inteligente capaz de produzir, distribuir, orquestrar e consumir Tokens de forma contínua em escala global.

Quando essa infraestrutura de sete camadas estiver totalmente conectada, a lógica de competição na indústria de AI será completamente reformulada. As empresas mais importantes do futuro talvez não sejam mais aquelas que possuem os maiores modelos, mas aquelas capazes de conectar energia, poder de processamento, redes, modelos e fluxo de Tokens.