O projeto de data center de IA deixou de ser um exercício de engenharia de instalações para se tornar uma disciplina de desempenho computacional. Prevê-se que o mercado global de data centers de IA cresça de USD 236.4 bilhões em 2025 para USD 933.7 bilhões até 2030, uma taxa de crescimento anual composta de 31.6%, de acordo com análises publicadas em agosto de 2025. As densidades de rack, que chegavam a 2-10 kW em instalações tradicionais, agora ultrapassam 100 kW em implantações da classe NVIDIA GB300, com projetos de referência de 2025 apontando para racks de 600 kW.
Por que o Projeto de Data Center de IA Difere do Planejamento de Instalações Convencional?
As instalações convencionais foram construídas em torno de uma TI previsível e de baixa densidade. Os servidores consumiam 2-10 kW por rack, o resfriamento a ar era suficiente e as cadeias de energia eram dimensionadas com margens generosas. As cargas de trabalho de IA rompem esses pressupostos. Os clusters de GPU consomem energia em picos violentos e dependentes da carga de trabalho, em vez de cargas constantes, e geram densidades de calor que as unidades de tratamento de ar não conseguem remover.
Segundo Vladimir Galabov, diretor sênior de pesquisa da Omdia, as implantações hyperscale estão passando por um aumento acentuado de densidade que leva a infraestrutura das instalações muito além das normas históricas. Um único rack de IA de 600 kW pode consumir mais eletricidade em algumas horas do que uma casa média consome em um mês. Consequentemente, o projeto de data center de IA agora dimensiona energia, resfriamento, rede e layout a partir da carga de trabalho de GPU, e não a partir de padrões genéricos de construção.
Qual Densidade de Potência um Projeto de Data Center de IA Deve Almejar?
A densidade-alvo determina todas as decisões subsequentes, por isso deve ser definida com base no roteiro real de GPUs, e não no marketing dos fornecedores. A prática de projeto de data center de IA se concentra em três níveis de densidade. Os racks empresariais tradicionais permanecem na faixa de 10-30 kW, e a Pesquisa Global de Data Centers do Uptime Institute 2025 observa que a maioria das instalações ainda permanece abaixo de 30 kW por rack. As fábricas de IA dedicadas padronizam racks de 50-100 kW com resfriamento líquido direto ao chip.
As arquiteturas de referência de 2025 da NVIDIA vão além, descrevendo gabinetes de rack que suportam 500+ GPUs e consomem 600 kW cada, aproximadamente cinco vezes a potência dos racks de maior densidade em uso hoje.
Escolher o nível de densidade cedo é importante porque a carga estrutural, o dimensionamento dos busways, a capacidade de resfriamento e o layout do piso dependem todos desse número. Os projetistas que planejam 30 kW e descobrem um requisito de 100 kW no meio do projeto enfrentam uma reforma muito mais cara do que construir corretamente desde o início. Em um projeto maduro de data center de IA, cada posição de rack tem um teto de potência declarado, imposto por meio de PDUs inteligentes e software de gestão de capacidade.
Qual Arquitetura de Resfriamento se Adequa a um Projeto de Data Center de IA?
O resfriamento é o primeiro subsistema em que os pressupostos tradicionais falham, e é onde o projeto de data center de IA mais diverge das práticas tradicionais. O resfriamento a ar suporta aumentos modestos, mas a pesquisa do Uptime Institute mostra que o PUE médio mal melhorou por seis anos consecutivos, limitado em parte pela infraestrutura legada. Os racks de IA de alta densidade exigem resfriamento líquido. O resfriamento líquido por cold plate cobre cerca de 80% do mercado de resfriamento líquido porque funciona com as arquiteturas de servidor existentes e oferece o menor custo total de propriedade.
O resfriamento por imersão reduz o PUE para aproximadamente 1.05, e o segmento de imersão deve atingir USD 5.8 bilhões até 2030, com um CAGR de 39%. A pressão regulatória acelera essa mudança: a China exige que os novos megacentros de dados construídos após 2025 alcancem PUE não superior a 1.25, o que torna o resfriamento líquido efetivamente obrigatório. O resfriamento direto ao chip já é padrão em implantações de IA de alta densidade, muitas vezes coexistindo com o resfriamento a ar para equipamentos que não são de GPU. Qualquer projeto de data center de IA que dependa apenas de ar para as salas de GPU atingirá um teto térmico medido em megawatts.
Qual Arquitetura de Entrega de Energia Suporta Cargas de Trabalho de IA de Forma Confiável?
A entrega de energia é o subsistema menos visível, mas o mais caro, no projeto de data center de IA. O consumo de energia da GPU não é uma carga plana; ele oscila rapidamente à medida que as etapas de treinamento começam e terminam. A cadeia de energia deve absorver essas oscilações sem acionar as proteções ou degradar a estabilidade da rede. Os sistemas UPS tradicionais alcançam 90-94% de eficiência, enquanto as arquiteturas de corrente contínua de alta tensão de 800V chegam a 97% ou mais e reduzem o investimento de capital em cerca de 20%. A plataforma GB300 da NVIDIA mostra o restante da história: prateleiras de energia com armazenamento de energia integrado reduziram o pico de demanda da rede em 30% durante o treinamento do Megatron LLM.
Para a sua própria instalação, isso significa especificar prateleiras de energia com buffer integrado de baterias, em vez de transformadores superdimensionados. Unidades de bateria de reserva e pacotes de supercapacitores estão se tornando padrão no nível do rack, com tempos de resposta inferiores a um milissegundo para a compensação de energia pulsada que o treinamento de GPU exige. A sala elétrica também deve ser dimensionada para o nível de redundância realmente operado, e não para o selo Tier III reivindicado no papel. Um projeto resiliente de data center de IA trata a energia como um problema de controle, e não de dimensionamento.
Qual Topologia de Rede os Clusters de GPU Exigem?
O projeto de data center de IA falha na camada de rede com mais frequência do que na camada de energia, porque o treinamento distribuído tem requisitos brutais de largura de banda e latência. As redes tradicionais leaf-and-spine, ajustadas para o tráfego web norte-sul, não conseguem sustentar os padrões de tráfego leste-oeste da comunicação coletiva. Os trabalhos de treinamento movem gradientes, ativações e estados de otimizador entre GPUs, e a saturação da rede aumenta diretamente o tempo de treinamento. Os clusters de GPU modernos separam as redes de scale-up e scale-out: o scale-up conecta as GPUs dentro de um nó por meio de fabrics de alta largura de banda, como o NVLink, enquanto o scale-out conecta os nós por meio de fabrics InfiniBand ou Ethernet 400G/800G.
A McKinsey estima que os data centers exigirão USD 6.7 trilhões em despesas de capital acumuladas até 2030 para atender à demanda computacional, e uma parcela significativa desse orçamento vai para a infraestrutura de switching. A regra: modele os padrões de comunicação antes de comprar switches e nunca deixe que o oversubscription de rede se torne o gargalo oculto. O projeto de data center de IA deve, portanto, tratar a arquitetura de rede como elemento de primeira classe, com taxas de oversubscription definidas explicitamente em todos os níveis.
Por que o Projeto de Data Center de IA Prioriza o Grey Space em Detrimento do White Space?
Os layouts legados de data center destinavam a maior parte da área do piso ao white space, os salões de equipamentos de TI, e espremiam o resfriamento e os equipamentos elétricos no que sobrava. O projeto de data center de IA inverte essa proporção. Os racks de GPU densos exigem mais condicionamento de energia, mais rejeição de calor e mais distribuição de líquido por metro quadrado, de modo que o grey space para os sistemas de resfriamento e elétricos agora rivaliza ou supera o white space nas fábricas de IA dedicadas.
Implicações práticas: pisos estruturais mais altos para suportar os circuitos de líquido, lajes com maior capacidade de carga para racks de 600 kW e skids de energia modulares implantados de forma incremental. Se o grey space for subdimensionado na fase de projeto, a instalação atinge um teto rígido, independentemente de quantos racks de GPU o white space pode abrigar fisicamente. Um erro comum no projeto de data center de IA é copiar as plantas baixas legadas e apenas trocar as unidades de resfriamento, o que não deixa espaço para as tubulações, o bombeamento e a rejeição de calor que o resfriamento líquido exige.
Que Etapas Devem Ser Seguidas ao Projetar um Data Center de IA?
Uma sequência disciplinada evita os erros mais caros. Primeiro, defina a carga de trabalho alvo: treinamento, inferência ou ambos, porque o treinamento exige muita rede e armazenamento, enquanto a inferência é sensível à latência. Segundo, congele o roteiro de GPUs e calcule o nível de densidade de rack, o envelope de energia e o método de resfriamento para cada salão. Terceiro, dimensione a cadeia elétrica a partir da carga de pico com buffer e especifique prateleiras de energia com armazenamento. Quarto, projete o fabric de rede em torno dos padrões de comunicação medidos, separando scale-up de scale-out. Cada uma dessas decisões pertence à fase inicial do projeto de data center de IA, antes que o concreto seja derramado.
Quinto, aloque o grey space para distribuição de líquido, rejeição de calor e salas elétricas antes de finalizar os layouts de white space. Sexto, valide em relação à ASHRAE 90.4, que define requisitos mínimos de eficiência para os sistemas de resfriamento e energia e agora aborda a TI refrigerada a água em seus adendos de 2022. Sétimo, planeje a implantação incremental para que os primeiros salões operem enquanto os posteriores são construídos, um padrão cada vez mais comum no projeto de data center de IA. Seguir essa sequência mantém todo o projeto alinhado ao roteiro computacional e evita a armadilha da reforma.
Quais Métricas Validam um Projeto de Data Center de IA?
A qualidade do projeto se manifesta em indicadores mensuráveis, e todo projeto de data center de IA deve ser avaliado em relação a eles antes do início da construção. O PUE continua sendo a métrica de eficiência de destaque, mas a pesquisa do Uptime Institute constatou que uma em cada dez interrupções ainda causa disrupção grave ou severa, de modo que a engenharia de disponibilidade merece atenção igual. Metas de PUE abaixo de 1.25 são viáveis com resfriamento líquido, mas exigem que o componente de carga mecânica e o componente de perda elétrica da ASHRAE 90.4 permaneçam dentro dos limites da zona climática.
A utilização do rack, medida como o throughput computacional alcançado por dólar de capex da instalação, indica se o projeto realmente atende às cargas de trabalho de IA. O time-to-power, o intervalo entre a instalação do rack e a operação completa da GPU, expõe gargalos no busway, no resfriamento e na entrega de rede.
Conclusão: Como o Projeto de Data Center de IA Deve Evoluir a Seguir?
O projeto de data center de IA não é mais uma otimização marginal de um modelo existente; é uma ruptura estrutural com três décadas de prática de instalações. As metas de densidade, a arquitetura de resfriamento, a entrega de energia, a topologia de rede e a alocação de espaço devem todas derivar da carga de trabalho de GPU, e a margem de erro é medida em milhões de dólares de computação parada. As instalações que têm sucesso fixam os níveis de densidade cedo, padronizam o resfriamento líquido, protegem a cadeia de energia com buffers e validam com base nos dados da ASHRAE e do Uptime. Comece o projeto de data center de IA pela carga de trabalho, não pelo edifício, e o restante se encaixa naturalmente.
发表回复