Durante os últimos anos, a corrida pela inteligência artificial pareceu ter um protagonista óbvio.
O processador.
GPUs cada vez mais poderosas passaram a dominar os data centers, enquanto empresas disputavam acesso aos aceleradores capazes de treinar e executar os maiores modelos de inteligência artificial do mundo.
Mas existe um problema acontecendo nos bastidores.
Um processador extremamente rápido não consegue trabalhar sozinho.
Ele precisa receber dados.
Precisa armazenar informações.
Precisa acessar parâmetros de modelos, históricos de contexto, KV cache e enormes conjuntos de dados.
E precisa fazer tudo isso sem ficar esperando.
É nesse ponto que a memória começa a se tornar um dos elementos mais importantes da infraestrutura da IA.
A próxima limitação pode não estar no processador
A evolução dos modelos de inteligência artificial está aumentando dramaticamente a quantidade de dados que precisam ser movimentados dentro dos sistemas.
Modelos maiores exigem mais memória.
Contextos maiores exigem mais memória.
Agentes capazes de executar tarefas durante longos períodos precisam manter mais informações disponíveis.
E sistemas de inferência precisam responder rapidamente enquanto processam enormes quantidades de solicitações simultâneas.
Isso cria uma situação paradoxal.
O acelerador pode possuir capacidade computacional suficiente.
Mas, se os dados não chegarem até ele na velocidade necessária, parte desse potencial permanece inutilizado.
O resultado é o que a indústria costuma chamar de memory wall.
Uma barreira na qual o desempenho deixa de ser determinado exclusivamente pela capacidade de processamento e passa a depender da velocidade, capacidade e eficiência da hierarquia de memória.
A HBM se tornou peça central da IA
É impossível falar sobre inteligência artificial moderna sem falar em HBM.
A High Bandwidth Memory foi projetada para oferecer enorme largura de banda em um formato altamente integrado aos aceleradores.
Ela permite que GPUs e outros processadores especializados tenham acesso extremamente rápido aos dados necessários para executar operações de IA.
Por isso, a explosão da inteligência artificial transformou a HBM em um dos componentes mais estratégicos da indústria de semicondutores.
Empresas como SK hynix, Samsung e Micron passaram a disputar uma posição central nesse mercado.
E a demanda não está diminuindo.
Ao contrário.
À medida que os aceleradores ficam mais poderosos, a quantidade de memória necessária para alimentá-los também aumenta.
A SK hynix percebeu que a disputa seria maior
A estratégia da SK hynix é particularmente interessante porque a empresa não está tratando HBM como uma categoria isolada.
Durante a Future of Memory and Storage 2026, a companhia apresentou uma visão muito mais ampla.
HBM.
DRAM.
NAND.
CXL.
HBF.
SSD.
Em vez de pensar em um único tipo de memória, a empresa está propondo uma arquitetura na qual diferentes tecnologias trabalham juntas.
A lógica é simples.
Nem todos os dados precisam estar na memória mais rápida.
Mas os dados mais importantes precisam estar disponíveis exatamente onde e quando forem necessários.
É daí que surge o conceito de Tiered Memory.
O que é memória em camadas?
Imagine uma biblioteca.
Os livros que você consulta o tempo inteiro ficam sobre a mesa.
Os que você consulta algumas vezes ficam em uma estante próxima.
Os que raramente utiliza podem permanecer em um arquivo.
Todos continuam acessíveis.
Mas cada um ocupa uma posição diferente de acordo com sua importância e frequência de utilização.
Uma arquitetura de memória em camadas funciona de maneira semelhante.
Dados críticos podem permanecer em HBM.
Outros podem ser mantidos em DRAM.
Informações de maior capacidade podem ser deslocadas para NAND ou outras camadas intermediárias.
O objetivo é evitar que toda a infraestrutura precise operar no nível mais caro e mais rápido de memória.
A SK hynix argumenta que a eficiência do sistema passa justamente pela posição de cada camada e pela maneira como elas estão conectadas.
A nova peça: High Bandwidth Flash
Uma das tecnologias mais interessantes apresentadas pela empresa é a High Bandwidth Flash, ou HBF.
A ideia é criar uma camada intermediária entre a memória de altíssima velocidade e o armazenamento de grande capacidade.
Em vez de tratar NAND simplesmente como armazenamento, a arquitetura tenta aproximá-la do papel tradicionalmente ocupado por memórias de maior desempenho.
A SK hynix e a Sandisk apresentaram em agosto de 2026 as primeiras especificações padronizadas para HBF.
O padrão prevê dispositivos de até 512 GB e diferentes níveis de largura de banda, chegando a aproximadamente 3 TB/s na especificação mais alta.
Isso é relevante porque cria uma nova possibilidade na hierarquia de memória.
Mais capacidade sem exigir que toda essa capacidade seja construída com memória de custo extremamente elevado.
A proposta é aumentar a escala sem simplesmente aumentar o custo.
Por que isso importa para os agentes de IA?
Os agentes de inteligência artificial tornam o problema ainda mais complexo.
Um chatbot tradicional pode receber uma pergunta, processá-la e produzir uma resposta.
Um agente pode executar dezenas ou centenas de etapas.
Pode consultar documentos.
Utilizar ferramentas.
Recuperar informações.
Executar código.
Interagir com sistemas externos.
Guardar contexto.
E continuar trabalhando.
Quanto mais longa a tarefa, maior a quantidade de informações que precisa permanecer disponível.
Isso aumenta a pressão sobre memória e armazenamento.
Não por acaso, a SK hynix apresentou na FMS 2026 demonstrações de CXL e memória em camadas voltadas justamente para sistemas de agentes e inferência de LLMs com contexto longo.
CXL pode mudar onde a memória fica
Outro componente importante dessa transformação é o Compute Express Link, ou CXL.
O CXL permite conectar processadores, aceleradores e recursos de memória de maneira mais flexível.
Isso abre espaço para arquiteturas em que a memória deixa de estar rigidamente vinculada a um único processador.
Em vez de cada servidor precisar carregar toda a memória necessária para seu workload, recursos podem ser compartilhados ou expandidos conforme a demanda.
Durante a FMS 2026, a SK hynix demonstrou CXL Pooled Memory para gerenciamento de KV cache em sistemas distribuídos de agentes de IA.
A empresa também apresentou uma arquitetura híbrida capaz de manter parte do cache em SSD enquanto utiliza DRAM para dados que precisam ser acessados com maior velocidade.
O objetivo é novamente o mesmo.
Usar o tipo correto de memória para cada tipo de dado.
Quando memória começa a fazer processamento
A transformação vai ainda mais longe.
A indústria também está explorando arquiteturas nas quais parte do processamento acontece dentro ou muito próximo da própria memória.
É o conceito conhecido como Processing-in-Memory.
A lógica é combater um dos maiores desperdícios da computação moderna.
A movimentação de dados.
Se uma operação simples pode ser realizada próximo de onde o dado está armazenado, não existe necessidade de transportar continuamente essa informação entre memória e processador.
Menos movimentação significa potencialmente menor latência e menor consumo energético.
A SK hynix apresentou soluções como CMM-Ax e tecnologias relacionadas a computação em memória justamente nessa direção.
O objetivo não é transformar toda memória em processador.
É eliminar movimentações desnecessárias.
O problema energético
Existe outro motivo para essa discussão ser tão importante.
Energia.
Os data centers de IA estão consumindo quantidades cada vez maiores de eletricidade.
E parte desse consumo não vem exclusivamente das operações matemáticas realizadas pelos aceleradores.
Mover dados também custa energia.
Quanto maior a distância entre o dado e o componente que precisa utilizá-lo, maior pode ser o custo associado à movimentação.
Por isso, melhorar a memória pode significar muito mais do que aumentar velocidade.
Pode significar reduzir o custo energético de cada inferência.
Em uma escala de milhões ou bilhões de operações, pequenas melhorias podem produzir diferenças econômicas enormes.
O novo campo de batalha da indústria
Durante anos, a indústria de semicondutores discutiu principalmente quem produziria o processador mais poderoso.
Agora a competição está se expandindo.
Quem possui a melhor memória?
Quem consegue oferecer maior largura de banda?
Quem consegue colocar mais capacidade perto do acelerador?
Quem consegue reduzir o consumo energético?
Quem consegue armazenar mais contexto?
Quem consegue mover dados com menor latência?
Essas perguntas começam a ser tão importantes quanto o número de operações por segundo de uma GPU.
A SK hynix quer controlar a arquitetura, não apenas vender componentes
Esse talvez seja o aspecto mais importante da estratégia da empresa.
A SK hynix não está se posicionando simplesmente como uma fornecedora de chips de memória.
Ela está tentando participar da definição da arquitetura de memória que sustentará a próxima geração de infraestrutura de IA.
Isso explica o investimento simultâneo em HBM, NAND, HBF, CXL, memória computacional e soluções de armazenamento.
Quanto mais complexos os sistemas de IA se tornam, mais importante fica a integração entre essas tecnologias.
A vantagem pode não estar em possuir a melhor memória individualmente.
Pode estar em saber como todas elas trabalham juntas.
A guerra entre capacidade e velocidade
A infraestrutura de IA enfrenta um problema clássico.
Memória rápida costuma ser mais cara.
Memória barata costuma oferecer maior capacidade, mas menor desempenho.
A solução tradicional foi simplesmente aumentar a quantidade de memória rápida.
Mas isso se torna cada vez mais caro.
A arquitetura em camadas propõe outra resposta.
Colocar cada dado no nível adequado.
Os dados mais críticos permanecem próximos do processador.
Os menos críticos ocupam camadas mais econômicas.
O sistema passa a administrar a memória de maneira dinâmica.
É uma mudança de arquitetura.
O efeito sobre Nvidia, AMD e os data centers
A discussão também interessa diretamente aos fabricantes de aceleradores.
Uma GPU mais poderosa precisa de uma infraestrutura de memória capaz de acompanhá-la.
Isso significa que o avanço de HBM, CXL e novas arquiteturas de memória pode se tornar um fator determinante para o desempenho dos próprios aceleradores.
O resultado é uma relação cada vez mais estreita entre fabricantes de GPUs, empresas de memória e operadores de data centers.
A fronteira entre processador, memória e armazenamento começa a ficar menos rígida.
O sistema passa a ser projetado como uma única arquitetura.
A memória está deixando de ser coadjuvante
Talvez essa seja a maior mudança.
Durante décadas, memória foi tratada como um componente necessário para que o processador funcionasse.
Na era da inteligência artificial, essa relação começa a se inverter.
A arquitetura de memória pode determinar quanto de computação realmente consegue ser aproveitado.
Isso transforma fabricantes como a SK hynix em participantes estratégicos da corrida da IA.
Não porque a empresa esteja construindo o modelo mais inteligente.
Mas porque está ajudando a construir o sistema que permite que esses modelos funcionem em escala.
A próxima geração de IA será uma batalha de sistemas
A primeira fase da corrida da IA foi dominada pelos modelos.
Depois, o foco passou para os aceleradores.
Agora, a competição começa a envolver o sistema inteiro.
Processadores.
Memória.
Interconexões.
Armazenamento.
Energia.
Refrigeração.
Data centers.
Software.
A inteligência artificial está se transformando em um problema de engenharia de sistemas.
E nesse cenário, memória deixa de ser simplesmente um componente.
Ela passa a ser parte da estratégia.
Conclusão
A guerra da inteligência artificial pode parecer uma disputa entre modelos, GPUs e empresas de tecnologia.
Mas existe uma batalha acontecendo muito mais abaixo dessa camada.
É a batalha pela capacidade de armazenar, movimentar e disponibilizar os dados que alimentam esses sistemas.
A SK hynix está apostando que a solução não será simplesmente construir memórias cada vez mais rápidas.
Será construir uma hierarquia inteira.
HBM para velocidade.
DRAM para capacidade intermediária.
NAND e HBF para escala.
CXL para flexibilidade.
Computação em memória para reduzir movimentação.
O objetivo final é simples.
Manter os processadores trabalhando.
Porque, em uma indústria na qual cada segundo de GPU parado representa dinheiro perdido, o próximo grande avanço da inteligência artificial pode não vir de um processador mais poderoso.
Pode vir da capacidade de alimentar esse processador de maneira mais inteligente.
E é por isso que a próxima grande guerra da IA pode estar acontecendo em um lugar que quase ninguém vê.
Na memória.
A inteligência artificial está entrando em uma nova fase.
Entenda como chips, memória, armazenamento e infraestrutura estão redefinindo a economia da IA.
