De acordo com pt.wedoany.com-A tarefa central da infraestrutura de IA passou de suportar a inferência de grandes modelos para suportar a operação em escala de agentes inteligentes massivos e a produção contínua de Tokens de alta qualidade. De acordo com dados da IDC, o mercado empresarial de Agentes de IA na China em 2025 é de aproximadamente 19 bilhões de yuans, com uma taxa de crescimento composta prevista de mais de 110% entre 2025 e 2028. O julgamento da Gartner é ainda mais direto: em 2026, 40% das aplicações empresariais integrarão Agentes de IA orientados a tarefas. Na fase de inferência de grandes modelos, a infraestrutura de IA só precisa suportar uma entrada e uma saída. Ao entrar na fase de Agentes, a infraestrutura precisa suportar decomposição de tarefas, chamadas de ferramentas, colaboração em múltiplas rodadas e operação contínua, o que impõe requisitos completamente diferentes para a capacidade computacional. Por trás disso, existem duas lacunas de capacidade: uma é se um grande número de Agentes pode operar de forma estável e em escala, e a outra é se vários modelos podem trabalhar em conjunto para tornar os Agentes mais inteligentes. Na Conferência de Computação Aberta de 2026, a Inspur Information apresentou novas soluções de produtos para essas duas lacunas.
Na era dos Agentes, as pessoas também têm novos requisitos para a infraestrutura de IA. No passado, as empresas implantavam IA principalmente conectando um ou dois modelos para lidar com tarefas relativamente independentes: uma chamada, um retorno, e o processo terminava. Com os Agentes não é assim. Uma aplicação de Agente primeiro precisa decompor a tarefa, depois chamar ferramentas passo a passo e colaborar de um lado para o outro, enquanto um grupo inteiro de Sub-Agentes pode estar operando simultaneamente nos bastidores.
Após a implantação em uma empresa, o número de Agentes pode chegar a dezenas de milhares. Como fazer com que um grupo tão grande de Agentes opere de forma estável e colaborativa torna-se um novo problema inevitável. Além do aumento no número de Agentes, a pressão sobre um único modelo também está crescendo. Alguns modelos são bons em raciocínio lógico, outros em escrever textos. Essa especialização unilateral não pode ser resolvida simplesmente aumentando o número de parâmetros. No entanto, as tarefas reais estão se tornando cada vez mais complexas, sendo difícil esperar que um único modelo seja bom em tudo. Portanto, como fazer vários modelos trabalharem de forma dividida e se complementarem torna-se outro problema que precisa ser resolvido. Para que ambas as questões sejam realmente implementadas, a infraestrutura de computação subjacente deve liderar o caminho. Com a chegada de novas demandas, a primeira mudança na infraestrutura é que a CPU se torna mais importante e assume um papel maior. No modelo anterior de perguntas e respostas, a inferência de grandes modelos era uma entrada e uma saída, dependendo mais da GPU para operar. Mas os Agentes são diferentes; eles precisam decompor tarefas, chamar ferramentas, colaborar em múltiplas rodadas e consolidar resultados. Essas operações de inteiros e raciocínio lógico são executadas na CPU. Além disso, os Agentes não "encerram o expediente" após uma execução; muitos Agentes precisam ficar online o ano todo, com seu tempo de operação significativamente estendido. Portanto, na indústria de Infraestrutura de IA, a proporção de capacidade computacional também está mudando, passando de um centro focado em GPU para uma colaboração de sistemas de computação diversificados. Com o aumento da importância da CPU, o próximo desafio é a densidade de potência. Zhao Shuai, Vice-Presidente da Inspur Information, apresentou que a potência dos gabinetes de IA na China atingirá 300 quilowatts este ano, e alguns gabinetes globalmente já entraram no nível de megawatts. Se a densidade do lado da CPU ainda permanecer em alguns quilowatts por gabinete, será impossível corresponder à nova infraestrutura elétrica dos data centers. À medida que a potência dos gabinetes continua a subir, a dissipação de calor torna-se um problema. O limite superior de dissipação de calor de 40 a 50 quilowatts para gabinetes tradicionais de resfriamento a ar já não é mais suficiente, tornando as soluções de refrigeração líquida uma opção obrigatória.
Mais de 40.000 Agentes operando em um único gabinete. Para alcançar a operação em escala de Agentes, a Inspur Information lançou o primeiro servidor de gabinete completo do setor com refrigeração líquida nativa para CPU. Este servidor suporta até 384 processadores CPU baseados na arquitetura OCM (Módulo de Computação Aberto) em um único gabinete, compatível com x86 e ARM, podendo suportar a operação colaborativa de mais de 40.000 Agentes.
Esta escala é 40 vezes maior que a solução "Qi Qian Xia" lançada pela Inspur Information em abril deste ano. Na época, o "Qi Qian Xia" implantava 1.000 OpenClaws em um único servidor 2U. Desta vez, a Inspur Information preencheu diretamente um gabinete inteiro com Agentes. Além disso, o gabinete adota a arquitetura OCM, que é compatível com processadores de diferentes gerações e arquiteturas, eliminando a necessidade de redesenhar todo o sistema para cada nova geração de chip, reduzindo significativamente o ciclo de desenvolvimento. Para colocar 384 CPUs em um único gabinete, a dissipação de calor é um obstáculo inevitável. A Inspur Information propôs um novo conceito de dissipação de calor: refrigeração líquida nativa. Esta ideia subverte completamente a lógica tradicional de resfriamento híbrido ar-líquido. O design anterior de servidores com placa fria líquida era colocar placas frias nos componentes de computação, enquanto outros componentes como memória, placas de rede e discos rígidos ainda precisavam de estudos sobre como dissipar o calor gerado através de ventoinhas.
Desta vez, a abordagem é completamente revolucionária: o design de computação e dissipação de calor é coordenado, superando a limitação tradicional da refrigeração líquida que cobria apenas a CPU. Todos os componentes geradores de calor, como memória, placas de rede, módulos ópticos e SSDs, são integrados ao sistema de refrigeração líquida, reconstruindo todo o sistema de computação. A abordagem específica da Inspur Information é transformar as unidades de computação em um formato ultrafino 2U, colocando 16 CPUs em um nó, enquanto componentes como memória, placas de rede e módulos ópticos, que antes dependiam de ventoinhas e cabos para dissipação de calor e conexão, são diretamente dispostos na placa-mãe. Uma única placa fria unificada é usada para dissipar o calor, eliminando até mesmo os suportes do servidor. Dessa forma, o espaço originalmente ocupado por ventoinhas, tubos de refrigeração e cabos é liberado para recursos de computação e E/S. O gabinete inteiro também alcança um design sem cabos, suporta manutenção a quente, garante operação ininterrupta e melhora a eficiência da manutenção do gabinete em mais de 100%.
Vários grandes modelos colaboram para concluir uma única tarefa. Para tornar os Agentes mais inteligentes, a Inspur Information também lançou uma API de Fusão Multi-Modelo na plataforma Yuanbrain EPIAI e lançou simultaneamente a versão empresarial do servidor de IA Yuanbrain SD200 Supernode. O que a Fusão Multi-Modelo faz é enviar a mesma tarefa simultaneamente para vários modelos candidatos, permitindo que cada um gere respostas de forma independente. Em seguida, um modelo de revisão e fusão intervém para comparar os consensos, divergências, omissões e pontos de vista únicos nessas respostas, finalmente compondo uma saída unificada. Este processo não é executado para todas as tarefas. Para tarefas curtas, como perguntas e respostas simples, chamadas de ferramentas e conversão de formato, o sistema roteia diretamente para um modelo único mais leve. Apenas para tarefas complexas de longa cadeia o sistema agenda vários modelos candidatos para processamento colaborativo, evitando exageros. Este mecanismo alcançou uma pontuação de 53,9% no teste DRACO, superior ao desempenho de qualquer modelo único no mesmo pool de candidatos do teste. Atualmente, essa capacidade está disponível externamente na forma de uma API de Fusão Multi-Modelo, que pode ser diretamente integrada a aplicações como um serviço de modelo comum, ou configurada em frameworks de agentes e desenvolvimento, mantendo os fluxos originais de diálogo, inferência e chamada de ferramentas. No entanto, surge um problema: a participação simultânea de vários grandes modelos em uma única tarefa impõe, sem dúvida, requisitos mais elevados para a computação subjacente. É necessário carregar vários modelos com trilhões de parâmetros de uma só vez, sem sacrificar a velocidade de saída. Esta é exatamente a parte que o Yuanbrain SD200 Supernode precisa suportar. Quando o Yuanbrain SD200 Supernode foi lançado no ano passado, já podia implantar simultaneamente 4 grandes modelos com trilhões de parâmetros, com um tempo de geração de Token de 8,9 milissegundos, sendo o primeiro produto doméstico a quebrar a barreira dos 10 milissegundos. Este ano, esse número foi ainda mais reduzido para 4,77 milissegundos, tornando-se a primeira solução doméstica a entrar na faixa dos 5 milissegundos, com a latência do primeiro Token também reduzida em 35%.
Por trás dessas melhorias estão otimizações de hardware e software coordenadas, como Previsão Multi-Token, esquema de precisão W4A8 e Compilação JIT (Just-In-Time). A Previsão Multi-Token permite que a fase de decodificação gere vários tokens candidatos de uma só vez antes de validá-los, reduzindo as rodadas de geração caractere por caractere. O W4A8 reduz a precisão computacional do módulo MoE em modelos com trilhões de parâmetros de BF16 para INT8, aliviando a pressão na largura de banda de acesso à memória. A Compilação JIT gera dinamicamente kernels de GPU especializados em tempo de execução com base nas formas dos tensores, aproximando a capacidade computacional das características do hardware. Atualmente, o Yuanbrain SD200 Supernode já concluiu a adaptação para modelos de código aberto mainstream como Kimi K2.6, DeepSeek V4, GLM 5.2 e MiniMax M3. No entanto, o custo desta arquitetura ainda é relativamente alto para muitas pequenas e médias empresas. Portanto, a Inspur Information também lançou a versão empresarial do Yuanbrain SD200 Supernode, que pode ser entendida como uma versão reduzida do Yuanbrain SD200.
Ela reduz o domínio de computação Scale Up de 64 placas para 16 placas, diminuindo a latência do primeiro Token para modelos com trilhões de parâmetros em mais de 40%, oferecendo às empresas uma opção com menor custo de migração e adaptação. Dessa forma, empresas que antes só podiam implantar modelos com centenas de bilhões de parâmetros como auxílio agora podem usar modelos com trilhões de parâmetros efetivamente em ambientes de produção.
A competição na infraestrutura de Agentes já mudou. Atualmente, a divisão de trabalho entre CPU, GPU e plataforma de software está se tornando mais estreita. A plataforma de software é responsável pela integração de modelos, orquestração de tarefas, agendamento de recursos, governança de permissões e fusão de resultados. A CPU hospeda instâncias de Agentes, chamadas de ferramentas, execução de sandbox e interação com sistemas de negócios. A GPU é responsável pela inferência de modelos e geração de Tokens. A coordenação entre os três é necessária para suportar a operação estável de Agentes massivos e a execução eficiente de tarefas complexas. Nesta cadeia, se qualquer elo ficar para trás, toda a aplicação de Agente não funcionará suavemente. Isso também mudou o foco da competição na infraestrutura da era dos Agentes. Antes, a competição era sobre quem tinha maior capacidade de suporte para um único modelo. Agora, a competição é sobre quem faz melhor a coordenação em nível de sistema. A força em um único ponto não é mais suficiente; o que importa é se toda a cadeia funciona suavemente e de forma coordenada. Esta é exatamente a resposta que a Inspur Information pretende dar na infraestrutura de Agentes desta vez.
