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.
×4,3 ao ano desde 2010, tendência ajustada a 481 modelos relevantes; antes de 2010: a cada 20,5 meses
GPT-6 Astra, OpenAI, set 2026
1 em 2019; 326 no total com estimativa
Microsoft, Alphabet, Amazon, Meta e Oracle; $154 bi nos quatro trimestres até setembro 2022
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.
As tendências em tabela
| Modelos | Quantidade | Tempo de duplicação | Crescimento ao ano | R² |
|---|---|---|---|---|
| Modelos relevantes antes de 2010 | 62 | 20,5 meses | ×1,5 | 0,69 |
| Modelos relevantes desde 2010 | 481 | 5,7 meses | ×4,3 | 0,66 |
| Modelos de fronteira desde 2010 | 72 | 5,4 meses | ×4,6 | 0,97 |
| Modelos de linguagem desde 2010 | 302 | 4,9 meses | ×5,5 | 0,68 |
| Desde 2010, sem estimativas especulativas | 422 | 5,6 meses | ×4,4 | 0,67 |
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.
| Ano | Modelo e desenvolvedor | Computação de treinamento, FLOP | × o ano anterior | Custo de computação, 2023 $ |
|---|---|---|---|---|
| 2010 | RNN LMJohns Hopkins University · Estados Unidos | 5,4×1016especulativa | — | — |
| 2011 | CNN Committee (MNIST)IDSIA · Suíça | 5,2×1016provável | ×0,96 | — |
| 2012 | Unsupervised High-level Feature LearnerGoogle · Estados Unidos | 6,0×1017provável | ×11,5 | $16 |
| 2013 | DistBelief NNLMGoogle · Estados Unidos | 2,6×1018provável | ×4,35 | $3,26 mil |
| 2014 | SNM-skipGoogle · Estados Unidos | 3,0×1020especulativa | ×114 | — |
| 2015 | AlphaGo FanDeepMind · Reino Unido | 3,8×1020provável | ×1,28 | $4,83 mil |
| 2016 | GNMTGoogle · Estados Unidos | 6,6×1021provável | ×17,4 | $201 mil |
| 2017 | JFTGoogle Research, Carnegie Mellon University (CMU) · Estados Unidos | 8,4×1020confiável | ×0,13 | $17,9 mil |
| 2018 | ResNeXt-101 32x48dFacebook · Estados Unidos | 8,7×1021confiável | ×10,4 | $134 mil |
| 2019 | AlphaStarDeepMind · Reino Unido | 1,1×1023confiável | ×12,3 | $131 mil |
| 2020 | GPT-3 175B (davinci)OpenAI · Estados Unidos | 3,1×1023confiável | ×2,91 | $2,12 mi |
| 2021 | FLAN 137BGoogle Research · Estados Unidos | 2,0×1024confiável | ×6,52 | — |
| 2022 | Minerva (540B)Google · Estados Unidos | 2,7×1024confiável | ×1,34 | — |
| 2023 | Gemini 1.0 UltraGoogle DeepMind · Estados Unidos | 5,0×1025especulativa | ×18,2 | $30,7 mi |
| 2024 | Llama 3.1-405BMeta AI · Estados Unidos | 3,8×1025confiável | ×0,76 | $52,9 mi |
| 2025 | Grok 4xAI · Estados Unidos | 5,0×1026especulativa | ×13,2 | $388 mi |
| 2026até agora | GPT-6 AstraOpenAI · Estados Unidos | 9,4×1026provável | ×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.
Os quadrados em tabela
| Ano | Acima de 10²³ | Acima de 10²⁴ | Acima de 10²⁵ | Acima de 10²⁶ | Sem estimativa |
|---|---|---|---|---|---|
| 2019 | 1 | 0 | 0 | 0 | 0 |
| 2020 | 2 | 0 | 0 | 0 | 0 |
| 2021 | 10 | 3 | 0 | 0 | 0 |
| 2022 | 23 | 3 | 0 | 0 | 8 |
| 2023 | 58 | 17 | 3 | 0 | 63 |
| 2024 | 101 | 39 | 6 | 0 | 66 |
| 2025 | 104 | 71 | 9 | 3 | 61 |
| 2026até agora | 27 | 25 | 7 | 1 | 10 |
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 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.
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.
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
| Ano | Microsoft | Alphabet | Amazon | Meta | Oracle | Total |
|---|---|---|---|---|---|---|
| 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.
| Ano fiscal | Receita | Variação | Margem bruta | Lucro líquido | Margem líquida |
|---|---|---|---|---|---|
| Ano fiscal 2016terminado em 31 de janeiro de 2016 | $5,01 bi | +7% | 56,1% | $614 mi | 12,3% |
| Ano fiscal 2017terminado em 29 de janeiro de 2017 | $6,91 bi | +38% | 58,8% | $1,67 bi | 24,1% |
| Ano fiscal 2018terminado em 28 de janeiro de 2018 | $9,71 bi | +41% | 59,9% | $3,05 bi | 31,4% |
| Ano fiscal 2019terminado em 27 de janeiro de 2019 | $11,7 bi | +21% | 61,2% | $4,14 bi | 35,3% |
| Ano fiscal 2020terminado em 26 de janeiro de 2020 | $10,9 bi | −7% | 62,0% | $2,8 bi | 25,6% |
| Ano fiscal 2021terminado em 31 de janeiro de 2021 | $16,7 bi | +53% | 62,3% | $4,33 bi | 26,0% |
| Ano fiscal 2022terminado em 30 de janeiro de 2022 | $26,9 bi | +61% | 64,9% | $9,75 bi | 36,2% |
| Ano fiscal 2023terminado em 29 de janeiro de 2023 | $27 bi | +0% | 56,9% | $4,37 bi | 16,2% |
| Ano fiscal 2024terminado em 28 de janeiro de 2024 | $60,9 bi | +126% | 72,7% | $29,8 bi | 48,8% |
| Ano fiscal 2025terminado em 26 de janeiro de 2025 | $130 bi | +114% | 75,0% | $72,9 bi | 55,8% |
| Ano fiscal 2026terminado em 25 de janeiro de 2026 | $216 bi | +65% | 71,1% | $120 bi | 55,6% |
| Últimos quatro trimestresaté 26 de julho de 2026 | $303 bi | 74,7% | $193 bi | 63,7% |
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/