A maioria das pessoas pensa que a corrida da IA é sobre chips. Quem tem a GPU mais rápida? Quem tem o melhor acelerador de IA? Quem tem o maior data center? Quem tem o modelo mais inteligente?
Tudo isso importa. Mas há outra parte da corrida da IA que é menos glamorosa e pode ser igualmente importante: a memória.
Não a memória como em "esqueci onde coloquei as chaves". Memória como o hardware físico que armazena, move e entrega os dados que os sistemas de IA precisam para pensar. A IA não apenas calcula. A IA lembra, recupera, compara, move e reutiliza enormes quantidades de informação em velocidade incrível. Isso torna a memória um dos gargalos mais importantes de toda a economia da IA.
Por que a IA é tão faminta por memória
Imagine que você peça a um modelo de IA para fazer uma pesquisa aprofundada sobre um tópico. Para responder, o modelo não "pensa" como uma pessoa. Ele realiza um enorme número de operações matemáticas em bilhões ou até trilhões de valores armazenados. Esses valores são chamados de pesos.
Os pesos são a estrutura aprendida do modelo. Eles são o que o modelo "sabe" após o treinamento. Quando você faz uma pergunta, o sistema de IA tem que acessar esses pesos repetidamente para gerar uma resposta. Quanto maior o modelo, mais pesos ele tem e mais memória precisa para armazená-los e acessá-los.
Mas o problema da memória não para por aí. O modelo também precisa acompanhar seu prompt. Ele precisa lembrar as palavras que já gerou. Pode ser necessário processar um documento longo, analisar código, resumir um PDF, comparar vários arquivos ou manter o contexto ao longo de uma longa conversa. Toda essa informação de trabalho temporária precisa morar em algum lugar.
O sistema de IA precisa de lugares para armazenar as informações que está usando atualmente enquanto gera uma resposta. Um modelo maior precisa de mais memória. Uma conversa mais longa precisa de mais memória. Mais usuários ao mesmo tempo precisam de mais memória. Mais imagens, vídeos, documentos e dados em tempo real precisam de mais memória.
É por isso que a IA não é apenas faminta por poder computacional. A IA é faminta por memória.
O Supercarro com um Cano de Combustível Minúsculo
Quando as empresas de chips falam sobre desempenho de IA, elas geralmente falam sobre poder computacional. Isso geralmente significa quantas operações matemáticas o chip pode realizar por segundo. Mas há um problema: um chip só pode calcular com dados aos quais pode acessar.
Se os dados não chegarem aos mecanismos de computação rápido o suficiente, o chip fica ocioso. Esta é a realidade dolorosa do hardware de IA. O poder computacional teórico pode parecer incrível em uma apresentação de slides, mas o desempenho no mundo real depende se o sistema consegue mover dados suficientes com rapidez suficiente.
Isto é largura de banda de memória. Largura de banda é quantos dados podem se mover por segundo entre a memória e o processador. Pense nisso como a largura de uma rodovia. Mais pistas significam que mais carros podem se mover ao mesmo tempo. Mais largura de banda de memória significa que mais dados podem alcançar o chip de IA ao mesmo tempo.
Uma estrada pequena cria trânsito. Um cano estreito limita o fluxo de água. Um cano de combustível minúsculo limita o supercarro. A baixa largura de banda de memória limita a IA. É por isso que um chip de IA pode ser "rápido" na teoria, mas decepcionante na prática. Os mecanismos matemáticos podem estar prontos, mas os dados podem estar presos no trânsito.
Quanta Memória a IA Realmente Precisa?
Um grande modelo de IA típico hoje tem aproximadamente 400 bilhões de "pesos" (as coisas que aprendeu durante o treinamento). Armazenado no formato mais comum, só esse modelo ocupa cerca de 800 gigabytes de memória - aproximadamente o tamanho de 200 filmes em alta definição.
Mas o modelo não é a única coisa que precisa de espaço. Cada vez que você conversa com ele, o sistema também precisa armazenar seu histórico de conversa, quaisquer documentos que você enviou e uma lista crescente de "anotações" que faz enquanto pensa (chamada de cache de chave-valor). Em um dia movimentado, uma única conversa pode facilmente precisar de outros 50–200 GB.
Agora multiplique isso por milhares ou milhões de usuários ao mesmo tempo. De repente, um único data center pode precisar de dezenas de milhares de gigabytes - dezenas de terabytes - apenas para manter as conversas fluindo suavemente.
É por isso que a indústria é obcecada por HBM: um único chip de IA moderno pode ser emparelhado com 100–200+ GB dessa memória super-rápida. As próximas gerações de chips já estão pressionando por ainda mais. Sem quantidade suficiente, o chip fica lá esperando, como uma Ferrari com o tanque de gasolina vazio.
HBM: A Memória Celebridade
A memória mais importante em IA de alto nível hoje é a HBM, ou High Bandwidth Memory (Memória de Alta Largura de Banda). HBM é uma memória empilhada verticalmente, como um pequeno arranha-céu. Em vez de espalhar chips de memória planos em uma placa de circuito, a HBM empilha camadas de memória umas sobre as outras e as coloca muito próximas da GPU ou do acelerador de IA.
Isso é importante porque a distância é a inimiga. Mover dados por uma placa leva tempo e energia. Mover dados de uma memória localizada ao lado do chip é muito mais rápido e eficiente. A HBM dá aos aceleradores de IA uma conexão enorme e larga com a memória. Em vez de uma estrada estreita, é como construir uma autoestrada de 32 pistas diretamente para dentro da fábrica.
É por isso que NVIDIA, AMD, Google, Amazon, Meta, Microsoft, Broadcom e quase todos os esforços sérios de chips de IA (incluindo TERAFAB - mais sobre isso abaixo) se importam profundamente com a HBM. A GPU ou acelerador pode ganhar as manchetes, mas a HBM ajuda a determinar quanto trabalho útil o chip pode realmente fazer.
A HBM também é difícil de fabricar. Requer fabricação avançada de memória, empilhamento vertical, precisão extrema, empacotamento avançado, gerenciamento de calor e coordenação próxima com o processador. É por isso que Micron, SK hynix e Samsung se tornaram tão importantes. Elas não estão mais apenas vendendo memória commodity para PCs. Elas estão fornecendo um dos ingredientes-chave da expansão da IA.
No mundo antigo, as empresas de memória eram frequentemente tratadas como negócios de commodity cíclicos. No mundo da IA, as empresas de memória de alto nível se parecem mais com fornecedores de infraestrutura estratégica.
DRAM: O Cavalo de Batalha Confiável
A DRAM ("Dynamic Random Access Memory" - Memória Dinâmica de Acesso Aleatório) é a memória principal usada em computadores e servidores. É a memória de trabalho regular com a qual a maioria das pessoas está familiarizada, mesmo que não pense muito sobre isso. Quando você compra um laptop com 16 GB, 32 GB ou 64 GB de RAM, isso geralmente é DRAM.
A DRAM é importante porque é densa, relativamente acessível e amplamente usada. Ela reside em servidores, PCs, data centers e muitos sistemas de IA. Ela ajuda as CPUs a gerenciar dados, alimentar cargas de trabalho, suportar aplicativos e executar o sistema mais amplo em torno dos aceleradores de IA.
Mas a DRAM tem limites. Não é tão rápida quanto o cache no chip. Não tem a largura de banda extrema da HBM. E como geralmente fica mais longe do processador principal de IA, nem sempre consegue alimentar o chip com rapidez suficiente para as cargas de trabalho mais exigentes.
Pense na DRAM como o grande armazém nos fundos da fábrica. Ela armazena muito e é essencial, mas não é tão rápida quanto ter a peça exata ao lado da mão do trabalhador. A IA precisa de ambos. Ela precisa de grandes pools de memória e de memória incrivelmente rápida perto da computação.
SRAM e Cache: A Memória na Bancada de Trabalho
A SRAM ("Static Random-Access Memory" - Memória Estática de Acesso Aleatório) é muito mais rápida que a DRAM. Ela é usada dentro dos chips como memória cache. Cache é como a pequena pilha de ferramentas e peças bem na bancada de trabalho. Você não precisa atravessar o prédio para pegá-los. Eles já estão ao seu lado.
Isso torna o cache extremamente valioso. Quando um chip de IA consegue manter dados importantes no cache do chip, economiza tempo e energia. O chip não precisa ir até a HBM ou DRAM com tanta frequência. Isso melhora o desempenho e a eficiência.
Mas há um problema. A SRAM ocupa muito espaço no chip. É cara em termos de área de silício. Você simplesmente não pode colocar centenas de gigabytes de SRAM em um chip. O chip se tornaria enorme e extremamente caro.
Então, os projetistas de chips enfrentam uma troca. Quanta área deve ir para a computação? Quanta deve ir para o cache? Quanta deve ir para interconexão, lógica de controle e outros recursos? Esta é uma das partes mais interessantes do design de chips de IA. Arquitetura não é apenas engenharia. É alocação de capital em escala microscópica.
Cada milímetro quadrado de silício tem um trabalho.
GDDR: A Memória das GPUs de Jogo e IA Local
GDDR ("Graphics Double Data Rate" - Taxa de Dados Dupla Gráfica) é a memória usada em muitas placas gráficas. Se você tem uma GPU para jogos ou uma GPU para workstation, é bem provável que ela use GDDR. A GDDR é importante porque oferece alta largura de banda a um custo menor que a HBM. Não é tão poderosa ou eficiente quanto a HBM para as cargas de trabalho de IA mais extremas, mas é incrivelmente útil.
Esta é a memória que permite que as pessoas executem modelos de IA em casa. Ela suporta GPUs para jogos, workstations para criadores, pequenos servidores de IA, configurações de hobbyistas e experimentação local com modelos. Alguém executando um modelo de geração de imagens em uma GPU NVIDIA de consumo provavelmente está usando GDDR. Um desenvolvedor testando um modelo de linguagem menor localmente pode estar usando GDDR. Uma startup prototipando aplicações de IA antes de migrar para uma infraestrutura de nuvem cara pode estar usando GDDR.
Isso é importante porque nem todo modelo precisa ser executado dentro de um data center hiperscale gigante. Alguns modelos podem ser executados localmente em workstations, computadores de jogos e pequenos servidores.
LPDDR: A Memória que Leva a IA para o Seu Bolso
LPDDR ("Low-Power Double Data Rate" - Taxa de Dados Dupla de Baixo Consumo) é uma memória de baixo consumo usada em smartphones, tablets, laptops e muitos dispositivos móveis. Esta é a memória que importa quando a IA sai da nuvem e vai para sua mão, seu carro, seus óculos, seu relógio ou seu robô.
A LPDDR é projetada para usar menos energia. Isso é crítico porque um telefone não pode se comportar como um data center. Ele não pode consumir megawatts de eletricidade. Não pode depender de resfriamento líquido. Não pode soar como um motor a jato. Se a IA for executada localmente em dispositivos, a memória precisa ser rápida, compacta, eficiente em termos de energia e acessível.
É por isso que a LPDDR é tão importante para a IA de borda. Um smartphone executando um modelo de linguagem local precisa de memória suficiente para armazenar o modelo e processar sua solicitação. Um laptop executando ferramentas de IA localmente precisa de memória que seja rápida o suficiente para ser útil, mas eficiente o suficiente para não destruir a vida útil da bateria. Um carro executando software de direção autônoma precisa de memória que possa lidar com dados de sensores em tempo real enquanto opera com segurança em calor, frio, vibração e condições adversas.
Um robô humanóide também precisa de memória local. Ele precisa processar visão, linguagem, movimento, equilíbrio, tato e contexto ambiental. Parte dessa inteligência pode se conectar à nuvem, mas o robô não pode esperar por um servidor distante toda vez que precisar dar um passo ou evitar derrubar um abajur.
A LPDDR pode não receber a atenção que a HBM recebe, mas é crucial se a IA for se tornar local, pessoal, móvel e incorporada.
NAND Flash: A Biblioteca da IA
A memória flash NAND (uma combinação de "NOT-AND") é a memória usada para armazenamento de longo prazo. Ela está em SSDs, telefones, laptops, data centers, câmeras, veículos e muitos sistemas embarcados. A NAND mantém os dados mesmo quando a energia está desligada.
A NAND é mais lenta que a DRAM ou HBM, mas é muito mais barata e densa para armazenamento. É onde os dados vivem quando não estão sendo processados ativamente. Na IA, a NAND armazena dados de treinamento, arquivos de modelo, checkpoints, logs, vídeos, imagens, documentos, embeddings, mapas e dados de usuário.
Pense na NAND como a biblioteca ou armazém. A HBM é a linha de montagem rápida. O cache SRAM é a ferramenta na sua mão. A DRAM é o espaço de trabalho ativo.
Para veículos autônomos, a NAND pode armazenar mapas, logs de direção, dados de percepção e atualizações de software. Para robôs, pode armazenar histórico operacional, modelos locais, logs de manutenção e dados ambientais. Para data centers, armazena conjuntos de dados enormes e checkpoints de modelo.
Se o armazenamento for muito lento, aceleradores de IA caros podem acabar esperando.
Isso é como pagar uma equipe de cirurgiões milhões de dólares e depois fazê-los esperar porque ninguém trouxe os instrumentos para a sala.
Até a memória "lenta" importa quando todo o sistema de IA depende da alimentação de dados através de um enorme pipeline.
Data Centers de IA São Máquinas de Memória Gigantes
Um data center de IA moderno é geralmente descrito como uma máquina de computação gigante. Isso é verdade, mas incompleto. É também uma máquina de memória gigante.
O data center tem que mover dados do armazenamento para as CPUs, das CPUs para as GPUs, das GPUs para a HBM, de uma GPU para outra GPU, de um servidor para outro servidor e, muitas vezes, de um cluster para outro cluster. Cada movimento custa tempo, energia e dinheiro.
Isso afeta tudo: arquitetura do servidor, design do rack, rede, resfriamento, consumo de energia e custo total de propriedade. Se o sistema de memória for mal projetado, o data center desperdiça GPUs caras. Se as GPUs não conseguirem acessar memória suficiente com rapidez suficiente, elas terão baixo desempenho. Se a memória consumir muita energia, os custos de resfriamento aumentam. Se a capacidade da memória for muito limitada, o sistema pode precisar de mais aceleradores para executar a mesma carga de trabalho.
É por isso que a infraestrutura de IA é tão intensiva em capital. Você não está apenas comprando chips. Você está comprando um sistema industrial completo: GPUs, HBM, CPUs, DRAM, NAND, rede, switches, fornecimento de energia, resfriamento, empacotamento, software e prédios.
Empacotamento: A Parte da Qual Ninguém Fala Até Quebrar
A HBM não é útil apenas por existir. Ela precisa estar fisicamente conectada ao acelerador de IA. É aí que entra o empacotamento avançado.
Os chips de IA modernos não são peças únicas de silício isoladas. Eles são pacotes complexos que reúnem chips lógicos, pilhas de memória, interposers, substratos e conexões de alta velocidade. Uma abordagem importante de empacotamento é chamada de empacotamento 2.5D. A ideia básica é que a GPU ou acelerador e as pilhas de HBM fiquem lado a lado em uma camada base especial que permite comunicação extremamente rápida entre eles.
É assim que a memória fica suficientemente próxima e conectada para alimentar o chip. A tecnologia de empacotamento CoWoS da TSMC tornou-se especialmente importante porque ajuda a conectar processadores avançados com HBM. Essa capacidade de empacotamento tornou-se um grande gargalo na cadeia de suprimentos de IA.
Esse é um ponto estranho, mas importante. Você pode projetar o melhor chip de IA do mundo. Pode fabricar a lógica. Pode produzir a HBM. Mas se não conseguir empacotá-los juntos em escala, não pode enviar o produto final.
A Economia da Memória Está Mudando
Por décadas, a memória foi frequentemente vista como um negócio de commodity cíclico. Os preços subiam, as empresas adicionavam oferta, os preços caíam e o ciclo se repetia. A IA mudou essa história.
A HBM não é uma memória commodity comum. Ela é especializada, escassa, difícil de fabricar e essencial para os sistemas de IA mais valiosos do mundo. Isso dá aos fabricantes de memória mais importância estratégica e muito mais poder de precificação.
Se a NVIDIA, AMD ou uma empresa de chips de IA personalizada não conseguir HBM suficiente, eles não conseguem enviar aceleradores suficientes. Se os provedores de nuvem não conseguirem aceleradores suficientes, eles não conseguem implantar capacidade de IA suficiente. Se a capacidade de IA for limitada, a inferência permanece mais cara e os aplicativos escalam mais lentamente.
A memória se torna um regulador do crescimento da IA. É por isso que empresas como SK hynix, Samsung e Micron são tão importantes. Elas não estão apenas surfando a onda da IA. Elas estão ajudando a definir o tamanho que a onda pode ter.
IA Agêntica: O Multiplicador de Memória
A IA agêntica pode se tornar um dos maiores impulsionadores da demanda futura por memória porque os agentes não se comportam como sessões normais de chatbot. Um chatbot responde a uma pergunta e para. Um agente de IA continua trabalhando. Ele lembra o objetivo, rastreia a conversa, chama ferramentas, abre arquivos, verifica resultados, ramifica em subtarefas, compara opções e muitas vezes executa múltiplos loops de raciocínio antes de produzir uma resposta.
Isso muda a equação da memória.
Uma consulta simples de IA pode exigir memória para o modelo, o prompt do usuário, a janela de contexto e a saída. Um fluxo de trabalho agêntico precisa de muito mais. Pode precisar de memória para a instrução original, etapas anteriores, resultados intermediários, saídas de ferramentas, contexto de longa duração, subagentes paralelos e estado persistente. Em termos simples: um chatbot precisa de memória de curto prazo; um agente precisa de memória de trabalho, memória de projeto e uma mesa coberta de arquivos abertos.
É por isso que a IA agêntica pode criar uma mudança de patamar na demanda por DRAM. O mapa narrativo da Micron estima que cada agente ativo pode exigir 5–10x mais memória do que uma interação típica de chatbot, porque os agentes mantêm contexto mais longo, históricos de ferramentas, ramificações de subagentes e integração de conhecimento externo.
O ponto importante é que a IA agêntica não apenas aumenta o número de consultas. Ela aumenta a intensidade de memória por usuário. Um ser humano usando um chatbot pode gerar um prompt e uma resposta. Um ser humano usando um agente pode desencadear dúzias ou centenas de operações nos bastidores: pesquise isso, resuma aquilo, verifique a planilha, execute um cenário, compare a saída, revise o plano e depois monitore ao longo do tempo.
Isso significa que a demanda por memória se compõe em várias camadas:
Mais usuários × mais agentes por usuário × mais tarefas por agente × mais memória por tarefa × persistência mais longa.
Esta é uma curva de demanda muito diferente do software tradicional. No software antigo, um usuário abria um aplicativo, fazia algo e o fechava. Na IA agêntica, o software pode continuar funcionando depois que o usuário sai. Pode monitorar caixas de entrada, calendários, bases de código, modelos financeiros, documentos legais, tickets de atendimento ao cliente ou sistemas de fábrica. Cada agente persistente se torna um pequeno consumidor contínuo de computação e memória.
Isso é importante para a Micron porque a memória se torna um dos recursos limitantes da IA agêntica. A era dos agentes de IA exige não apenas GPUs, mas também memória rápida ao redor dessas GPUs, DRAM de servidor de alto nível, pools de memória maiores e, eventualmente, tecnologias como CXL para expandir a capacidade de memória além dos limites tradicionais. O relatório enviado da Micron identifica especificamente os agentes de IA como um vetor de demanda de próximo estágio porque os agentes mantêm contexto de longa execução e chamam ferramentas externas, multiplicando a demanda de memória por usuário ativo em comparação com as interações tradicionais de chatbot.
A analogia mais fácil é esta: o ChatGPT é como perguntar a um funcionário inteligente. A IA agêntica é como contratar esse funcionário para trabalhar em um projeto o dia todo. O primeiro requer uma breve explosão de atenção. O segundo requer memória, arquivos, contexto, ferramentas e continuidade.
É por isso que a IA agêntica pode ser tão importante para a Micron. Ela transforma a memória de um componente de fundo em uma restrição central de escalabilidade. Se os agentes de IA se tornarem a nova interface para software empresarial, atendimento ao cliente, codificação, pesquisa, finanças, saúde, logística e produtividade pessoal, então a demanda por memória pode não crescer linearmente. Pode crescer de forma descontínua.
Nesse mundo, a questão principal não é mais simplesmente: "Quantas GPUs serão construídas?"
A questão melhor se torna:
Quantos trabalhadores de IA persistentes o mundo executará - e quanta memória cada um precisará para pensar, lembrar, raciocinar e agir?
IA de Borda e Robótica: A Memória Sai do Data Center
O próximo estágio da IA não são apenas modelos maiores em data centers maiores. A IA também está se movendo para o mundo físico: telefones, laptops, carros, robôs, drones, dispositivos médicos, máquinas industriais, câmeras de segurança, óculos inteligentes e dispositivos domésticos.
Todos esses sistemas precisam de memória, mas precisam de um tipo diferente de equilíbrio de memória. Um data center pode usar enormes quantidades de eletricidade e resfriamento avançado. Um robô não pode. Um telefone não pode. Um drone definitivamente não pode.
A IA de borda precisa de memória que seja rápida, eficiente em termos de energia, compacta, confiável e acessível. Considere um robô humanóide trabalhando em uma fábrica. Ele tem câmeras, sensores, motores, sistemas de equilíbrio, interfaces de linguagem e software de planejamento de tarefas. Ele precisa entender seu ambiente, lembrar o que está fazendo, responder a humanos, evitar obstáculos e controlar seu corpo em tempo real.
Isso requer memória. Não apenas armazenamento. Não apenas um banco de dados. Memória de trabalho real.
Ou considere um veículo autônomo. Pode ter oito câmeras, radar, sensores ultrassônicos, mapas, software de planejamento e redes neurais funcionando constantemente. Ele precisa processar o mundo em tempo real. Não pode dizer: "Espere aí, o barramento de memória está congestionado."
A IA física torna a memória uma questão de segurança. Quando a IA passa de chatbots para carros e robôs, a latência importa. A energia importa. O calor importa. A confiabilidade importa. A memória local importa.
É por isso que a memória é central para Tesla, robótica, direção autônoma, smartphones, laptops, dispositivos médicos e automação industrial. A inteligência do robô só é útil se ele puder acessar a informação certa no momento certo.
Memória Futura: Novas Tecnologias Promissoras
Existem várias tecnologias de memória futuras que podem se tornar importantes. A MRAM armazena dados usando estados magnéticos. É não volátil, durável e potencialmente útil em sistemas embarcados, chips automotivos, dispositivos industriais e IA de borda. A ReRAM armazena dados usando mudanças na resistência elétrica. Pode ser útil para dispositivos de baixo consumo e possivelmente sistemas de computação na memória.
A memória de mudança de fase (PCM) armazena dados alterando materiais entre diferentes estados físicos. Tem sido explorada como uma ponte entre DRAM e armazenamento. A memória ferroelétrica (FeRAM) usa materiais que retêm polarização elétrica. Pode ser importante em futuros sistemas embarcados de baixo consumo. A memória óptica é interessante porque a luz pode mover dados muito rapidamente e eficientemente em alguns contextos, mas permanece difícil de comercializar amplamente.
A DRAM 3D pode ajudar a estender a densidade da memória construindo para cima, assim como o flash NAND se moveu para estruturas 3D anos atrás. A computação em memória (PIM/CIM) é especialmente interessante porque ataca o problema central diretamente. Em vez de mover dados para frente e para trás entre a memória e a computação, tenta realizar algumas operações mais perto de onde os dados já estão.
Isso parece óbvio. Por que carregar todas as compras pela cidade se você pode cozinhar o jantar onde as compras já estão?
Mas a implementação é difícil. A fabricação de memória e a fabricação de lógica são diferentes.
Embora as tecnologias de memória futuras sejam promissoras, o problema da memória de IA provavelmente será resolvido através de muitas melhorias em toda a pilha, não uma única tecnologia milagrosa.
IA no Espaço: A Próxima Fronteira da Memória
A IA baseada no espaço parece futurista, mas a lógica é direta. A IA precisa de energia, computação, resfriamento, comunicações e memória. O espaço pode eventualmente oferecer vantagens em várias dessas áreas. A energia solar é abundante e ininterrupta em órbita. O calor pode ser irradiado para o espaço. Satélites podem se conectar diretamente a redes de comunicação globais. E a SpaceX está reduzindo rapidamente o custo de colocar satélites em órbita.
A memória pode se tornar ainda mais importante. Um sistema de IA baseado no espaço não seria simplesmente um satélite burro retransmitindo sinais. Ele poderia processar dados localmente, executar inferência, coordenar comunicações, analisar dados de observação da Terra, suportar robótica autônoma, gerenciar tráfego orbital e servir como parte de uma camada global de computação de IA. Isso requer memória de alto desempenho próxima ao processador.
Para as empresas de memória, isso poderia criar uma nova camada de demanda. Sistemas de IA orbitais precisariam de memória resistente à radiação, memória de baixo consumo, memória de alta largura de banda, armazenamento não volátil e talvez arquiteturas de memória especializadas projetadas para ambientes hostis. As restrições são diferentes dos data centers terrestres. Peso, energia, projeto térmico, confiabilidade e resistência à radiação são aspectos importantes.
Um pensamento final... TERAFAB
Elon descreveu o projeto como a reunião de lógica, memória, encapsulamento, teste e processos semicondutores relacionados sob o mesmo teto.
A Terafab pode eventualmente se tornar uma ameaça competitiva de longo prazo para fornecedores externos de memória se Elon conseguir internalizar alguma parte da produção de HBM ou de memória avançada.
Elon não está construindo a Terafab porque a memória é desimportante. Ele está construindo a Terafab porque a memória pode ser uma das restrições limitantes para IA, robótica, veículos autônomos e data centers espaciais.
