BigCapital beta

Artigo · Tecnologia

O boom da IA em números

Desde 2010, o poder de computação usado para treinar os modelos de IA relevantes dobra a cada 5,7 meses — ×4,3 ao ano, segundo uma tendência ajustada a 481 modelos dos dados da Epoch AI. Microsoft, Alphabet, Amazon, Meta e Oracle gastaram $691 bi em imóveis e equipamentos nos quatro trimestres até setembro 2026, um valor 4,5 vezes maior que o dos quatro trimestres anteriores ao lançamento do ChatGPT. A receita da NVIDIA foi de $216 bi no ano fiscal 2026, um valor 8,01 vezes maior que no ano fiscal 2023.

Atualizado com os dados de nov 20269 min de leitura

A computação de treinamento dobra a cada
5,7 meses

×4,3 ao ano desde 2010, tendência ajustada a 481 modelos relevantes; antes de 2010: a cada 20,5 meses

O maior treinamento dos dados, FLOP
9,4×1026

GPT-6 Astra, OpenAI, set 2026

Modelos acima de 10²³ FLOP publicados em 2025
104

1 em 2019; 326 no total com estimativa

Investimentos das big techs, quatro trimestres até setembro 2026
$691 bi

Microsoft, Alphabet, Amazon, Meta e Oracle; $154 bi nos quatro trimestres até setembro 2022

Receita da NVIDIA, ano fiscal 2026
$216 bi

ano fiscal 2023: $27 bi; lucro líquido $120 bi, 56% da receita

A computação de treinamento dobra a cada 5,7 meses

Cada ponto é um dos 543 modelos de IA relevantes para os quais a Epoch AI tem uma estimativa de computação de treinamento: o número de operações de ponto flutuante (FLOP) — somas e multiplicações — usadas para treiná-lo. Eles vão de Theseus, o rato mecânico de Claude Shannon que resolvia labirintos, de 1950, treinado com 40 FLOP, até o maior até agora, GPT-6 Astra, de OpenAI (set 2026), com 9,4×10²⁶ FLOP.

A escala é logarítmica, então uma linha reta indica crescimento exponencial constante. Uma reta de mínimos quadrados pelos 481 modelos publicados desde 2010 sobe ×4,3 ao ano: a computação de treinamento dobrou a cada 5,7 meses, e dez anos ao longo da reta a multiplicam por 2,15 mi vezes. Entre os 62 modelos anteriores a 2010, ela subia ×1,5 ao ano, uma duplicação a cada 20,5 meses. Os modelos de fronteira — os cinco maiores em computação na época do lançamento — dobraram a cada 5,4 meses desde 2010 (72 modelos).

Os números são estimativas. A Epoch classifica 59% deles como confiáveis (corretos com margem de 3 vezes para mais ou para menos), 28% como prováveis (margem de 10 vezes) e 12% como especulativos (margem de cerca de 31 vezes); os especulativos aparecem como pontos vazados. Sem eles, a tendência desde 2010 é de uma duplicação a cada 5,6 meses.

Modelo de fronteira (top 5 em computação no lançamento)Outro modelo relevanteEstimativa especulativaTendência antes de 2010Tendência desde 2010
Modelos relevantes com estimativa de computação de treinamento, por data de publicação. Escala logarítmica. Linhas: tendências de mínimos quadrados antes de 2010 e desde então. Nomeados: recordes de computação, cada um com pelo menos 10 vezes o do recorde nomeado anterior. Dados: Epoch AI, ‘Data on AI models’ (CC BY 4.0); tendências e contagens calculadas pelo BigCapital
As tendências em tabela
ModelosQuantidadeTempo de duplicaçãoCrescimento ao anoR²
Modelos relevantes antes de 20106220,5 meses×1,50,69
Modelos relevantes desde 20104815,7 meses×4,30,66
Modelos de fronteira desde 2010725,4 meses×4,60,97
Modelos de linguagem desde 20103024,9 meses×5,50,68
Desde 2010, sem estimativas especulativas4225,6 meses×4,40,67

Mínimos quadrados do log₂ da computação de treinamento sobre a data de publicação em anos; tempo de duplicação = 12 ÷ inclinação, em meses; crescimento ao ano = 2^inclinação. O R² é a parcela da dispersão do log da computação que a reta explica.

O maior modelo de cada ano

Um novo recorde de computação foi batido 24 vezes desde 2010. O maior modelo de 2010, RNN LM, foi treinado com 5,4×10¹⁶ FLOP; GPT-6 Astra usou 17,4 bi vezes mais.

A Epoch AI também estima o custo da computação de treinamento de 178 dos modelos, em dólares de 2023. A maior estimativa é de $388 mi, para Grok 4 (xAI, 2025); acima de $100 mi: 3 modelos. A maior potência dos dados, cerca de 233 megawatts, foi consumida pelos 100.000 chips que treinaram GPT-6 Astra, segundo a estimativa da Epoch.

AnoModelo e desenvolvedorComputação de treinamento, FLOP× o ano anteriorCusto de computação, 2023 $
2010RNN LMJohns Hopkins University · Estados Unidos5,4×1016especulativa——
2011CNN Committee (MNIST)IDSIA · Suíça5,2×1016provável×0,96—
2012Unsupervised High-level Feature LearnerGoogle · Estados Unidos6,0×1017provável×11,5$16
2013DistBelief NNLMGoogle · Estados Unidos2,6×1018provável×4,35$3,26 mil
2014SNM-skipGoogle · Estados Unidos3,0×1020especulativa×114—
2015AlphaGo FanDeepMind · Reino Unido3,8×1020provável×1,28$4,83 mil
2016GNMTGoogle · Estados Unidos6,6×1021provável×17,4$201 mil
2017JFTGoogle Research, Carnegie Mellon University (CMU) · Estados Unidos8,4×1020confiável×0,13$17,9 mil
2018ResNeXt-101 32x48dFacebook · Estados Unidos8,7×1021confiável×10,4$134 mil
2019AlphaStarDeepMind · Reino Unido1,1×1023confiável×12,3$131 mil
2020GPT-3 175B (davinci)OpenAI · Estados Unidos3,1×1023confiável×2,91$2,12 mi
2021FLAN 137BGoogle Research · Estados Unidos2,0×1024confiável×6,52—
2022Minerva (540B)Google · Estados Unidos2,7×1024confiável×1,34—
2023Gemini 1.0 UltraGoogle DeepMind · Estados Unidos5,0×1025especulativa×18,2$30,7 mi
2024Llama 3.1-405BMeta AI · Estados Unidos3,8×1025confiável×0,76$52,9 mi
2025Grok 4xAI · Estados Unidos5,0×1026especulativa×13,2$388 mi
2026até agoraGPT-6 AstraOpenAI · Estados Unidos9,4×1026provável×1,88—

O modelo relevante com mais computação de treinamento publicado em cada ano; × o ano anterior compara com o maior modelo do ano precedente. Abaixo da computação: o grau de certeza da Epoch AI sobre a estimativa. Custo: estimativa da Epoch AI, quando existe.

O clube dos 10²³ FLOP

A Epoch AI mantém uma lista de modelos de grande escala: os treinados com mais de 10²³ FLOP, um limite fixo usado em algumas regulamentações de IA. Ela tem uma estimativa de computação para 326 deles. O primeiro foi AlphaStar, em 2019; em 2025, o limite foi ultrapassado por 104 modelos, depois de 101 em 2024.

Os primeiros modelos acima das linhas mais altas foram Wu Dao 2.0 acima de 10²⁴ (2021), GPT-4 acima de 10²⁵ (2023) e Grok 3 acima de 10²⁶ (2025). Modelos acima de 10²⁵ FLOP publicados em 2025: 9. Dos 104 do clube naquele ano, 90 foram lançados com pesos abertos — qualquer pessoa pode baixá-los e executá-los — e 10 apenas por meio de uma API ou de um serviço hospedado; 4 não foram lançados.

2026 ainda não terminou: até 10 de novembro de 2026, a lista tem 27 modelos com estimativa. A Epoch adiciona novos modelos em poucas semanas e as estimativas de computação depois, então os meses recentes vão se completando com o tempo. Ela também lista 208 modelos de grande escala sem estimativa de computação; eles não são contados aqui.

10²³ a 10²⁴10²⁴ a 10²⁵10²⁵ a 10²⁶acima de 10²⁶
Um quadrado por modelo que a Epoch AI lista como treinado com mais de 10²³ FLOP e para o qual tem estimativa de computação, no ano de publicação; o maior na parte de baixo de cada coluna. 2026: até 10 de novembro de 2026. Dados: Epoch AI, ‘Data on AI models’ (CC BY 4.0); tendências e contagens calculadas pelo BigCapital
Os quadrados em tabela
AnoAcima de 10²³Acima de 10²⁴Acima de 10²⁵Acima de 10²⁶Sem estimativa
201910000
202020000
2021103000
2022233008
202358173063
2024101396066
2025104719361
2026até agora27257110

Modelos com estimativa de computação, por ano de publicação; um modelo acima de 10²⁵ FLOP também conta como acima de 10²⁴ e 10²³. Sem estimativa: na lista de grande escala da Epoch, sem valor de computação.

Quem os constrói

Organizações dos Estados Unidos trabalharam em 135 dos 326 modelos acima de 10²³ FLOP e organizações da China em 139; em seguida vêm Coreia do Sul (17), França (10) e Emirados Árabes Unidos (8). Um modelo construído por várias organizações conta uma vez para cada um dos países delas.

A maioria veio de Alibaba (36), Meta AI (24) e Nvidia (20). Os grupos são nomeados como nos dados, por isso os do Google são contados separadamente: Google, Google DeepMind, Google Research, DeepMind e Google Brain.

Modelos acima de 10²³ FLOP, por país
  1. China139
  2. Estados Unidos135
  3. Coreia do Sul17
  4. França10
  5. Emirados Árabes Unidos8
  6. Reino Unido5
  7. Alemanha4
  8. Hong Kong3
  9. Rússia3
  10. Finlândia2
Modelos acima de 10²³ FLOP, por organização
  1. Alibaba36
  2. Meta AI24
  3. Nvidia20
  4. DeepSeek17
  5. OpenAI11
  6. Google10
  7. IBM10
  8. Tsinghua University10
  9. ByteDance8
  10. Z.ai (Zhipu AI)8
  11. 01.AI7
  12. Ant Group6

Modelos com estimativa de computação; um modelo conta uma vez para cada país e cada organização que cita. Organizações como a Epoch AI as nomeia.

Empresas, não universidades

Dos 109 modelos relevantes publicados em 2025, 92% vieram só de empresas, 5% de empresas em parceria com universidades e 2% só de universidades. Em 2010–2014, as empresas sozinhas fizeram 19% deles.

EmpresasEmpresas com universidadesUniversidadesOutros ou desconhecido
Todos os modelos relevantes (com ou sem estimativa de computação) por ano de publicação e por quem os fez, conforme a Epoch AI categoriza as organizações. Outros: governos, coletivos de pesquisa, não categorizados. 2026: até 10 de novembro de 2026. Dados: Epoch AI, ‘Data on AI models’ (CC BY 4.0); tendências e contagens calculadas pelo BigCapital

O dinheiro: os investimentos das big techs

Treinar e executar modelos de IA exige data centers cheios de chips, e as empresas que constroem os maiores registram a conta como despesa de capital (capex): dinheiro pago por imóveis e equipamentos. Microsoft, Alphabet, Amazon, Meta e Oracle gastaram juntas $691 bi nos quatro trimestres até setembro 2026, um valor 4,5 vezes maior que os $154 bi dos quatro trimestres até setembro 2022 — o último trimestre antes do lançamento do ChatGPT, em 30 de novembro de 2022. Isso dá $1,89 bi por dia, ou $21.900 por segundo.

Em relação ao tamanho delas, o gasto consumiu 36% da receita das cinco empresas nos últimos quatro trimestres, contra 13% antes, e 95% do caixa gerado pelas operações, contra 54%. O maior gastador foi Amazon, com $215 bi.

Os relatórios não dizem quanto disso foi para IA. O capex também paga escritórios e outros prédios — na Amazon, também armazéns e uma rede de entregas — e cada empresa o informa segundo suas próprias definições.

MicrosoftAlphabetAmazonMetaOracle
Capex por trimestre-calendário, a partir das demonstrações de fluxo de caixa. Os trimestres da Oracle terminam em fevereiro, maio, agosto e novembro e são contados no trimestre-calendário em que terminam. Sombreado: os quatro trimestres até setembro 2022 e até setembro 2026. Fonte: SEC EDGAR (documentos das empresas)

Variação em relação aos quatro trimestres até setembro 2022. Barras: capex por trimestre desde 2015, cada empresa na sua própria escala. Acima de 100% do fluxo de caixa operacional: gastou-se mais do que as operações geraram. Os cartões levam às páginas das empresas.

Capex por ano-calendário
AnoMicrosoftAlphabetAmazonMetaOracleTotal
2015$6,55 bi$9,93 bi$4,59 bi$2,52 bi$1,61 bi$25,2 bi
2016$9,11 bi$10,2 bi$6,74 bi$4,49 bi$1,6 bi$32,2 bi
2017$8,7 bi$13,2 bi$12 bi$6,73 bi$2,04 bi$42,6 bi
2018$14,2 bi$25,1 bi$13,4 bi$13,9 bi$1,47 bi$68,2 bi
2019$13,5 bi$23,5 bi$16,9 bi$15,1 bi$1,59 bi$70,6 bi
2020$17,6 bi$22,3 bi$40,1 bi$15,2 bi$1,83 bi$97 bi
2021$23,2 bi$24,6 bi$61,1 bi$18,7 bi$3,12 bi$131 bi
2022$24,8 bi$31,5 bi$63,6 bi$31,2 bi$6,68 bi$158 bi
2023$35,2 bi$32,3 bi$52,7 bi$27 bi$6,93 bi$154 bi
2024$55,6 bi$52,5 bi$83 bi$37,3 bi$10,7 bi$239 bi
2025$83,1 bi$91,4 bi$132 bi$69,7 bi$35,5 bi$412 bi
20263 trimestres$106 bi$132 bi$176 bi$83,1 bi$63,6 bi$560 bi

NVIDIA: vendendo as pás

A Epoch AI registra o hardware de treinamento de 278 modelos relevantes publicados desde 2020: 204 deles (73%) foram treinados em chips da NVIDIA e 68 (24%) em TPUs do Google.

O ano fiscal da NVIDIA termina no fim de janeiro: o ano fiscal 2026 foi até 25 de janeiro de 2026. A receita naquele ano foi de $216 bi, um valor 8,01 vezes maior que no ano fiscal 2023 ($27 bi), o ano que terminou 2 meses após o lançamento do ChatGPT. O lucro líquido passou de $4,37 bi (16% da receita) para $120 bi (56%).

O último trimestre nos relatórios, 2T do AF2027 (até 26 de julho de 2026), trouxe receita de $96,2 bi e lucro líquido de $59,7 bi; 75% da receita sobrou depois do custo do que foi vendido (margem bruta). Os quatro trimestres até 26 de julho de 2026 somam $303 bi de receita e $193 bi de lucro líquido — nesse ritmo, um lucro líquido igual a toda a receita da NVIDIA no ano fiscal 2016 ($5,01 bi) vinha a cada 9,5 dias.

Os dados da SEC usados aqui informam a receita total da NVIDIA, não a divisão por mercado, por isso o gráfico mostra o total. O valor de mercado das ações da NVIDIA em poder do público — o free float na capa do relatório anual, não o valor de mercado da empresa — era de $434 bi no fim de julho 2022 e de $4,0 tri no fim de julho 2025.

ReceitaLucro líquido
Receita e lucro líquido por trimestre fiscal, conforme informados; anos fiscais como a NVIDIA os nomeia (o ano fiscal 2026 terminou em 25 de janeiro de 2026). Linha tracejada: lançamento do ChatGPT, 30 de novembro de 2022. Fonte: SEC EDGAR (documentos das empresas)
Ano fiscalReceitaVariaçãoMargem brutaLucro líquidoMargem líquida
Ano fiscal 2016terminado em 31 de janeiro de 2016$5,01 bi+7%56,1%$614 mi12,3%
Ano fiscal 2017terminado em 29 de janeiro de 2017$6,91 bi+38%58,8%$1,67 bi24,1%
Ano fiscal 2018terminado em 28 de janeiro de 2018$9,71 bi+41%59,9%$3,05 bi31,4%
Ano fiscal 2019terminado em 27 de janeiro de 2019$11,7 bi+21%61,2%$4,14 bi35,3%
Ano fiscal 2020terminado em 26 de janeiro de 2020$10,9 bi−7%62,0%$2,8 bi25,6%
Ano fiscal 2021terminado em 31 de janeiro de 2021$16,7 bi+53%62,3%$4,33 bi26,0%
Ano fiscal 2022terminado em 30 de janeiro de 2022$26,9 bi+61%64,9%$9,75 bi36,2%
Ano fiscal 2023terminado em 29 de janeiro de 2023$27 bi+0%56,9%$4,37 bi16,2%
Ano fiscal 2024terminado em 28 de janeiro de 2024$60,9 bi+126%72,7%$29,8 bi48,8%
Ano fiscal 2025terminado em 26 de janeiro de 2025$130 bi+114%75,0%$72,9 bi55,8%
Ano fiscal 2026terminado em 25 de janeiro de 2026$216 bi+65%71,1%$120 bi55,6%
Últimos quatro trimestresaté 26 de julho de 2026$303 bi74,7%$193 bi63,7%

Perguntas frequentes

Com que rapidez a IA está crescendo?

Uma das medidas que a Epoch AI acompanha em cada modelo relevante é a computação de treinamento. Desde 2010 ela dobra a cada 5,7 meses — ×4,3 ao ano, por uma tendência de mínimos quadrados sobre 481 modelos. Antes de 2010, dobrava a cada 20,5 meses.

O que é um FLOP em IA?

Uma operação de ponto flutuante: uma soma ou multiplicação de números decimais. A computação de treinamento é o total realizado para treinar um modelo: GPT-6 Astra exigiu cerca de 9,4×10²⁶ FLOP, pela estimativa da Epoch AI; Theseus de 1950 exigiu 40.

Quanto custa treinar um modelo de IA?

A Epoch AI estima o custo da computação de treinamento de 178 modelos relevantes, em dólares de 2023. O maior é $388 mi, para Grok 4 (2025); a mediana das 7 estimativas de modelos publicados em 2025 é $44,6 mi. Os valores cobrem apenas a computação.

Quanto as empresas de tecnologia gastam em data centers de IA?

Os relatórios informam o capex como um todo, não a parte destinada à IA. Microsoft, Alphabet, Amazon, Meta e Oracle gastaram $691 bi nos quatro trimestres até setembro 2026, contra $154 bi nos quatro trimestres até setembro 2022; o maior gastador foi Amazon ($215 bi).

Quanto dinheiro a NVIDIA ganha?

No ano fiscal 2026, até 25 de janeiro de 2026, a receita foi de $216 bi e o lucro líquido de $120 bi. Nos quatro trimestres até 26 de julho de 2026: receita de $303 bi, lucro líquido de $193 bi.

Aprofunde-se

Como os números são calculados

  • Modelos de IA: Epoch AI, ‘Data on AI models’. Publicado online em epoch.ai. Obtido em https://epoch.ai/data/ai-models [recurso online]. Acessado em 15 de novembro de 2026. Licença CC BY 4.0: uso, distribuição e reprodução livres, com crédito à Epoch AI. Os gráficos, tendências e contagens desta página são calculados pelo BigCapital.
  • Computação de treinamento: operações de ponto flutuante usadas para treinar um modelo, conforme informadas pelo desenvolvedor ou estimadas pela Epoch AI a partir do hardware e do tempo de treinamento ou do tamanho do modelo e dos dados de treinamento. Confiança, intervalos de 90% da Epoch: confiável com margem de 3 vezes, provável de 10, especulativa de cerca de 31.
  • Tendências: mínimos quadrados ordinários do log₂ (computação de treinamento) sobre a data de publicação em anos, para modelos relevantes com estimativa; tempo de duplicação = 12 ÷ inclinação, em meses; crescimento ao ano = 2^inclinação. “Desde 2010”: publicados a partir de 1º de janeiro de 2010. Um recorde: mais computação do que todos os modelos relevantes anteriores.
  • Modelos relevantes: a lista da Epoch de modelos que fizeram avançar o estado da arte, foram muito citados, historicamente importantes ou amplamente usados; os modelos de fronteira estavam entre os 5 primeiros em computação de treinamento no lançamento. Modelos de grande escala: a lista da Epoch de modelos acima de 10²³ FLOP, contados por ano de publicação e uma vez para cada país e organização citados.
  • Dados das empresas: SEC EDGAR, XBRL company facts dos relatórios 10-K e 10-Q (domínio público).
  • Capex: pagamentos para adquirir imóveis e equipamentos na demonstração de fluxo de caixa, sob a tag XBRL que cada empresa usa; um trimestre não informado isoladamente é o acumulado do ano menos o acumulado anterior. Receita, lucro líquido, lucro bruto e fluxo de caixa operacional conforme informados. Amazon, 2T 2017: não consta dos dados XBRL, por isso é o ano fiscal menos os outros três trimestres.
  • Anos fiscais como as empresas os nomeiam: o ano fiscal 2026 da NVIDIA terminou em 25 de janeiro de 2026. O gráfico de investimentos usa trimestres-calendário.
  • Os números passados são história, não previsão. Nada aqui é recomendação de investimento.

Reutilize este artigo

O texto e os gráficos podem ser republicados, traduzidos e adaptados livremente sob CC BY 4.0: dê o crédito a BigCapital.org com um link para esta página. Os dados de outros provedores mantêm a sua própria licença (veja as fontes abaixo). Como dar o crédito

Fonte: BigCapital.org — “O boom da IA em números”, https://bigcapital.org/pt/articles/ai-boom/

Idioma

EnglishBahasa IndonesiaDeutschEspañolFrançaisItalianoNederlandsPolskiPortuguêsTürkçeРусскийУкраїнська日本語한국어简体中文