Vultr, HPE e NVIDIA: bastidores do data center de IA de próxima geração revelado no HPE Discover 2026

• Desempenho de IA: até 1.440 PFLOPS de desempenho FP4
• Memória: 279 GB de memória HBM3e por GPU (37 TB no total no rack), com 8 TB/s de largura de banda por GPU
• Arquitetura: otimizada para treinamento de grandes modelos de IA, ajuste fino e inferência em tempo real para modelos com mais de 1 trilhão de parâmetros
• Resfriamento: design totalmente refrigerado a líquido, integrado à arquitetura de fábrica de IA da HPE

O GB300 NVL72 é descrito como o "novo cavalo de batalha para inferência/treinamento", com uma narrativa explícita de custo por token, refletindo a virada do setor para a operacionalização de modelos de IA em escala para aplicações em tempo real . De acordo com a página de produto da NVIDIA, ele oferece 1,5x mais FLOPS Tensor Core FP4 densos e 2x mais desempenho de atenção em comparação com as GPUs NVIDIA Blackwell .

Redes de alta largura de banda: a espinha dorsal da inferência de IA

Redes de alta largura de banda são um pilar fundamental da implantação. Os sistemas NVIDIA GB300 NVL72 são interconectados usando a rede Ethernet NVIDIA Spectrum-X, uma malha Ethernet sem perdas e de alto rendimento, projetada para eliminar gargalos em cargas de trabalho de IA com múltiplos nós .

A implantação conta com interconexões de 400 GbE e 800 GbE, transceptores ópticos, switches Ethernet NVIDIA Spectrum-X e SuperNICs . Sem essa malha, escalar a inferência para a capacidade empresarial criaria latência e gargalos de largura de banda incapacitantes. A Arquitetura de Referência Empresarial da NVIDIA para a Fábrica de IA NVL72 confirma que essa arquitetura de rede de plano duplo foi projetada para alimentar data centers empresariais para treinamento e inferência de IA em escala massiva, permitindo aplicações em tempo real e modelos com trilhões de parâmetros .

Mudança estratégica: do treinamento para a inferência

Embora a infraestrutura suporte tanto treinamento quanto inferência , o anúncio enfatiza um foco empresarial crescente na inferência de IA (implantação em produção) juntamente com o treinamento. Vários sinais apontam para essa mudança:

• O GB300 NVL72 é construído especificamente para "inferência de escala de tempo de teste e tarefas de raciocínio de IA"
• Ele é explicitamente posicionado com uma narrativa de custo por token, medindo o valor na saída da inferência, em vez do rendimento bruto do treinamento
• As mensagens mais amplas da HPE no evento focaram em trazer a IA para a produção com segurança, governança, escala e soberania

A implicação é clara: as empresas superaram a fase de experimentação e agora buscam infraestrutura otimizada para implantar modelos de IA em escala em ambientes de produção.

Outros anúncios no HPE Discover Las Vegas 2026

Além da parceria com a Vultr, a HPE destacou várias iniciativas relacionadas:

• Aposta em IA agentiva: a HPE anunciou uma iniciativa mais ampla para trazer a IA agentiva para a produção com a NVIDIA, enfatizando segurança, governança, escala e soberania
• Implantações de clientes: a S k y Co., Ltd. implantou o HPE Private Cloud AI como parte do portfólio NVIDIA AI Computing by HPE
• Nubax na Argentina: a empresa lançou um modelo de IA como serviço baseado em consumo, entregando 62,5% de melhoria na previsão da cadeia de suprimentos, 35% menos tempo de espera e 40% de economia de custos, alimentado pelo NVIDIA AI Computing by HPE

O que isso significa para a IA empresarial

A escolha da Vultr pela HPE e NVIDIA sinaliza um importante ponto de inflexão. Como o maior hyperscaler privado, a Vultr está apostando que os clientes empresariais precisam de uma infraestrutura que possa lidar tanto com treinamento quanto com inferência em tempo real em escala de nuvem. Ao combinar a computação GPU em escala de rack da NVIDIA com a arquitetura de fábrica, resfriamento líquido e serviços da HPE, a Vultr está se posicionando para atender à próxima onda de cargas de trabalho de IA empresarial — do treinamento de modelos à inferência de produção em modelos com trilhões de parâmetros.