1/ 🧠 Por que os futuros computadores pessoais de IA (como o NVIDIA DGX Spark) realmente podem competir com data centers?

Não porque o desktop se tornou forte o suficiente para substituir a nuvem, mas porque a "estrutura de demanda" da IA está se dividindo —
o treinamento fica na nuvem, a inferência volta para o local.

2/ Avanço chave 1: FP4 reescreve as regras do jogo
Um modelo de 70B parâmetros, com FP16 precisa de 140 GB de memória;
trocando para FP4 → apenas 35 GB.
Um desktop com 128 GB de memória unificada consegue rodar modelos que antes exigiam 8 GPUs H100.
Perda de precisão? Com QAT (treinamento consciente de quantização), é quase desprezível.

3/ Avanço chave 2: O Memory Wall está sendo quebrado
Largura de banda do LPDDR5X insuficiente?
• Apple M4 Ultra alcança ~800 GB/s com largura de bits ultra-ampla
• LPDDR6 (2027) dobra a largura de banda
• NVIDIA DGX Spark usa GB10 + arquitetura de memória coerente
Os desktops não são mais "GPUs capadas", mas "novas espécies otimizadas para inferência".

4/ Avanço chave 3: Você nem precisa de data center
Os data centers resolvem:
✅ Treinar frontier models (parâmetros na casa dos trilhões)
✅ Atender bilhões de usuários simultaneamente no mundo todo
O que o indivíduo precisa:
✅ Um cérebro local que execute modelos de 70B–200B
✅ Privacidade, baixa latência, sem mensalidade
Essas duas coisas são problemas fundamentalmente diferentes.

5/ Implicações para investimento 💡
• HBM ainda é o rei no lado do treinamento (SK Hynix, Micron)
• Mas chips de inferência em borda + LPDDR/memória unificada de alta largura de banda serão o novo campo de batalha da próxima década
• NVIDIA DGX Spark, Apple Silicon, AMD Strix Halo, Qualcomm X Elite — todos estão se posicionando
O futuro não é nuvem vs. desktop, é nuvem para treinamento, desktop para sua IA.