torygreen

.@nvidia está colocando 170.000 GPUs em uma ilha na Indonésia. O campus foi anunciado há 2 semanas e entra em operação no 1T 2027, um cronograma que é praticamente impossível nos EUA agora.
As GPUs não são o obstáculo; a Nvidia está repassando 170.000 delas em um modelo de divisão de receita. O que está em falta é algum lugar para conectá-las em um prazo que realmente importa.
As filas de interconexão nos EUA levam 5+ anos em muitas regiões. Uma turbina a gás instalada atrás do medidor leva 18 meses. Essa diferença agora é o jogo inteiro de escolha do local.
E mais atritos continuam send

$130B em projetos de data center bloqueados ou adiados no 1º trimestre. Isso corresponde a tudo de 2025 em apenas um trimestre deste ano.
75 projetos. Grupos de oposição dobraram de 396 para 833 em 49 estados em três meses. Mais de 300 projetos de lei protocolados nas primeiras seis semanas do ano, propostas de moratória em 14 estados, e a legislatura de Nova York acaba de aprovar uma pausa de um ano para qualquer coisa acima de 20MW. A Gallup tem 71% dos americanos contra um data center perto de casa, acima de cerca de metade há meio ano.
Enquanto isso, os hyperscalers planejam gastar $690B

O imóvel mais valioso em IA no momento é uma fundição de alumínio desativada em Kentucky.
@AnthropicAI assinou um contrato de arrendamento de 20 anos no valor de US$ 19 bilhões por 401 megawatts no campus Hawesville da TeraWulf, um antigo local de fundição com aproximadamente 480 megawatts de conexão legada à rede. A TeraWulf faturou cerca de $1B em receita no ano passado; este único contrato vale quase vinte anos disso.
O ativo é a conexão de energia. Você pode fabricar mais chips. Não é possível criar megawatts da noite para o dia.
Cada minerador de bitcoin que possui energia ociosa está se

Os investimentos em IA estão superando a receita de IA em 46%. Durante a crise das telecomunicações de 2001, essa diferença era de 32%. Já passamos do território da crise das telecomunicações e estamos acelerando em direção a $1T em capex anual até 2027.
Os preços dos tokens contam o outro lado. O Índice de Despesas com Tokens de LLM de Dados de Silício atingiu o pico de US$ 2,06 por milhão de tokens em maio. Agora está em US$ 1,62. Queda de 20% em seis semanas. Queda de mais de 90% desde 2023.
O gasto total com tokens praticamente dobrou ano após ano. Tokens mais baratos estão expandindo o m

.@nvidia não está mais apenas no jogo de fabricação de chips. Está se posicionando como um participante direto na economia da infraestrutura de IA.
A partir dos anúncios recentes, eles estão financiando data centers e ficando com uma parte da receita de nuvem que geram.
Duas parcerias recentes ilustram perfeitamente essa mudança:
210,000 GPUs vinculados a US$ 25–30 bilhões em compromissos de offtake ao longo de seis anos
> Sharon AI $SHAZ implantando 40,000 GB300s na Austrália
> Firmus expandindo para 170,000 aceleradores em 360MW em Batam
Ao mesmo tempo, a Nvidia e parceiros apresentaram o XF

70% das empresas dizem usar IA. Menos de 1 em cada 10 têm um agente real em produção.
Essa lacuna está no AI Index de Stanford, o conjunto de dados sobre IA mais citado e menos tendencioso que existe, não publicado por um laboratório com interesse no resultado.
Só o Google gastou mais de US$ 150 bilhões em infraestrutura de IA no ano passado. A receita dos laboratórios de fronteira está crescendo em taxas históricas, e os gastos com computação estão crescendo junto, não diminuindo como parcela da receita como a infraestrutura normalmente faz quando algo escala.
A adoção nunca foi o gargalo. O

A restrição de IA em 2026 não é a qualidade do modelo. É a capacidade da rede.
O PJM acabou de registrar um salto de 833% nos preços de capacidade para a Virgínia. Esse estado agora envia cerca de 40% de sua eletricidade para data centers e importa mais energia do que a Califórnia.
Dublin está consumindo quase 80% da rede nacional da Irlanda. Frankfurt está com 42% do fornecimento regional.
A AIE acha que a demanda por data centers vai aproximadamente dobrar novamente até 2030, enquanto metade dos projetos dos EUA em desenvolvimento estão concentrados em lugares que já estão sobrecarregando a

Passei tempo com os números de inferência e uma estatística continua voltando.
70% da inferência de IA em 2026 roda na borda. Não em um data center de hiperescala. Não na AWS. Em sistemas industriais, equipamentos autônomos e dispositivos conectados onde a ida e volta para um servidor em nuvem não é um problema de latência, é um modo de falha.
O mercado de inferência de US$ 106 bilhões não está crescendo porque as pessoas estão enviando mais consultas de "chat" para sua IA. Está crescendo porque a IA está sendo incorporada em infraestrutura física que funciona continuamente, opera em ambientes

Aparentemente, estar próximo da tecnologia física tem muito pouco a ver com realmente adotá-la.
A Califórnia abriga todos os principais laboratórios de IA de fronteira que importam. Nova York tem mais empresas da Fortune 500 do que qualquer outro estado. Ambos foram ultrapassados pelo Colorado, que atingiu 23,2% de adoção empresarial de IA, enquanto Nova York conseguiu 13,8%.
O que Colorado e Arizona têm não é melhor infraestrutura ou talento. É uma disposição para agir antes que a indústria sinalize que é seguro. Os estados mais próximos da tecnologia são frequentemente os mais lentos para im

Em teoria, os custos de IA já deveriam ter despencado.
A mesma tarefa de nível avançado que custava US$ 30 por milhão de tokens no lançamento do GPT-4 em 2023 custa US$ 1,25 hoje com o GPT-5. Uma queda de 96× em três anos, entre modelos nomeados com preços publicados.
Por qualquer regra normal, as contas de IA empresariais deveriam estar despencando. Em vez disso, os orçamentos médios de IA das empresas Fortune-500 passaram de $7M em 2024 para $19M em 2026. Quase 3× em dois ciclos orçamentários.
O motivo: tokens baratos não são economizados, eles são transformados em armas. Um chatbot dispara

Algo se inverteu silenciosamente na computação de IA neste ano, e isso muda para que serve realmente a construção.
Em 2023, 2/3 da computação de IA foi para treinamento, o trabalho real de construir um modelo. A outra fatia, menor, foi para inferência, o trabalho de realmente executá-lo depois de construído. Mas essa proporção começou a virar silenciosamente.
A inferência agora é 2/3 e continua subindo, segundo a Deloitte, e os chips construídos para executá-la ultrapassaram $50B este ano.
O principal motivo pelo qual essa inversão importa (e não é percentualmente): treinamento e inferência sã

Aqui está a divisão na computação de IA que poucos estão interpretando corretamente.
O treinamento de fronteira está se concentrando cada vez mais a cada trimestre, milhares de GPUs que precisam ficar em um único lugar interligadas. Mas o treinamento é apenas 30% da demanda em 2026. Os outros 70% são inferência, e executá-la em um hyperscaler significa pagar por uma infraestrutura construída para a carga de trabalho mais difícil para fazer a mais fácil.
Em redes distribuídas, essa mesma inferência poderia ser executada de 45 a 75% mais barata, e para qualquer pessoa que esteja dimensionando um