黑料不打烊

Tendências e Perspectivas do Mercado Global de GPU Desagregada

Demanda Crescente por Agrupamento de GPU em Clusters de Treinamento de IA

O mercado de GPU desagregada está recebendo suporte direto do agrupamento de GPU, pois as grandes execu??es de treinamento de IA agora dependem de tratar muitas GPUs físicas como um único recurso lógico compartilhado. O NVLink de sexta gera??o da NVIDIA entregou 1,8 TB/s de largura de banda bidirecional por GPU, e os sistemas NVLink Switch suportaram 72 GPUs em um único rack NVL72, entregando 130 TB/s de largura de banda agregada no domínio, reduzindo os limites de comunica??o que costumavam separar racks adjacentes em ilhas de computa??o isoladas.^{[1]NVIDIA Developer Blog, "Escalando o Desempenho e a Flexibilidade de Inferência de IA com NVIDIA NVLink e NVLink Fusion," NVIDIA Developer Blog, developer.nvidia.com} Essa mudan?a é importante para modelos de trilh?es de par?metros porque a press?o de memória e largura de banda agora se estende por clusters de treinamento completos, em vez de dentro de um único nó, e o mercado de GPU desagregada está respondendo com arquiteturas que permitem que a capacidade ociosa se junte a cargas de trabalho ativas muito mais rapidamente. A IA agêntica está adicionando outra camada de demanda, pois os estágios de pré-preenchimento s?o intensivos em computa??o enquanto os estágios de decodifica??o s?o intensivos em largura de banda de memória, e esse padr?o exige que os pools sejam reatribuídos em segundos, em vez de por meio de ciclos de agendamento manual mais lentos. A AWS demonstrou esse modelo operacional em produ??o usando llm-d e a Biblioteca de Transferência de Inferência da NVIDIA em nós Blackwell, onde a inferência desagregada melhorou o rendimento em 70% em alta simultaneidade.

Mudan?a em Dire??o a Arquiteturas de Computa??o e Memória Separadas

O mercado de GPU desagregada também está avan?ando à medida que os operadores separam a computa??o da memória local e tratam a capacidade de memória como uma camada de infraestrutura agrupada. Pesquisa publicada na Tsinghua Science and Technology descreveu a desagrega??o de memória baseada em CXL como um grande passo arquitet?nico para centros de computa??o inteligente, porque pools de memória compartilhada podem ser acessados por múltiplos nós de computa??o por meio de opera??es padr?o de carregamento e armazenamento. Pesquisadores da ByteDance estenderam essa dire??o ao demonstrar um pool de memória compartilhada de 768 GB construído com cart?es CXL Tipo 3 da Micron e um switch CXL TITAN-II, permitindo comunica??o coletiva de GPU em 3 nós com GPUs NVIDIA H100 e sem altera??es no código da aplica??o. Isso é importante porque a inferência de contexto longo excede 1 milh?o de tokens e a demanda de cache KV excede a HBM disponível em cada acelerador, tornando a adi??o de memória agrupada mais prática do que substituir frotas inteiras de GPU. O mercado de GPU desagregada, portanto, se beneficia do CXL n?o apenas como uma op??o técnica, mas também como um caminho econ?mico para operadores que precisam de mais capacidade de memória sem for?ar uma atualiza??o completa de silício.

Expans?o de Infraestrutura de IA em Hiperescala e Nativa de Nuvem

O mercado de GPU desagregada está sendo impulsionado pela escala dos gastos com infraestrutura de IA em hiperescala e nativa de nuvem, que se ampliou de projetos-piloto isolados para implanta??es em escala de rack e em múltiplos sites. A AMD anunciou mais de 10 bilh?es de USD em investimentos no ecossistema de Taiwan em maio de 2026 para escalar sua plataforma Helios em escala de rack por meio de parceiros ODM, incluindo Sanmina, Wiwynn, Wistron e Inventec, com implanta??es de múltiplos gigawatts previstas para o segundo semestre de 2026. O Google Cloud também declarou que sua malha de rede Virgo foi projetada para conectar até 80.000 GPUs NVIDIA Vera Rubin NVL72 em um único data center e mais de 960.000 GPUs em múltiplos sites, ressaltando como o mercado de GPU desagregada está se tornando uma base para a expans?o de data centers em vez de uma arquitetura de nicho. Ao mesmo tempo, os programas de silício personalizado na AWS, Google e Microsoft n?o est?o eliminando a necessidade de sistemas de GPU desagregada, porque a infraestrutura de múltiplos fornecedores está emergindo ao lado deles. A Intel e a SambaNova demonstraram o modelo em 2026 com uma pilha de inferência heterogênea, onde o Intel Xeon 6 tratou da orquestra??o, os RDUs da SambaNova trataram da decodifica??o e as GPUs NVIDIA Blackwell trataram do pré-preenchimento a partir de um único data center de produ??o.

Ganhos de Eficiência Energética e Térmica por Meio da Desagrega??o de Recursos

O mercado de GPU desagregada também está sendo moldado por restri??es de fornecimento de energia e resfriamento, que agora influenciam as decis?es de arquitetura tanto quanto a demanda bruta de computa??o. A especifica??o Diablo do Open Compute Project, contribuída pelo Google, Meta e Microsoft em outubro de 2025, definiu designs de rack de energia desagregada que suportam racks de TI de 100 quilowatts a 1 megawatt usando entrega de 400 VDC ou 800 VDC. A NVIDIA adicionou outra alavanca de eficiência em dezembro de 2025 com os perfis de energia do Blackwell B200, entregando até 15% de economia de energia com n?o mais de 3% de impacto no desempenho, permitindo até 13% maior rendimento em instala??es de energia fixa. A inferência desagregada com consciência de fase melhora ainda mais o cenário, porque os estágios de pré-preenchimento consomem energia de pico enquanto os estágios de decodifica??o têm necessidades de wattagem menores e podem ser gerenciados de forma diferente em pools de recursos separados. Pesquisas sobre a arquitetura BiScale mostraram que o DVFS coordenado entre os níveis de pré-preenchimento e decodifica??o desagregados reduziu a energia de decodifica??o em até 48% enquanto atendia às metas de servi?o de latência, o que fortalece o caso operacional para o mercado de unidade de processamento gráfico (GPU) desagregada, onde os limites de energia e as metas de utiliza??o agora se movem juntos.

Alta Complexidade de Integra??o de Interconex?o e Malha

O mercado de GPU desagregada ainda enfrenta uma barreira de integra??o significativa porque muitas implanta??es precisam coordenar NVLink, PCIe, InfiniBand, Ethernet e CXL dentro de um único cluster. Pesquisa apresentada no HotNets 2025 mostrou que o gerenciamento eficaz de caminhos em interconex?es heterogêneas intra-host requer coordena??o simult?nea de switches PCIe, controladores de malha de GPU, NICs RDMA e switches Ethernet, e as pilhas de software atuais n?o abstraem completamente essa complexidade. O NVLink Fusion da NVIDIA reduziu parte desse problema ao permitir que CPUs personalizadas da MediaTek, Marvell, Qualcomm e Fujitsu se conectem nativamente com GPUs NVIDIA, mas esse movimento expandiu um caminho proprietário em vez de criar uma malha de múltiplos fornecedores totalmente neutra. O padr?o Ultra Accelerator Link tem como objetivo oferecer uma alternativa neutra em rela??o ao fornecedor, mas as informa??es indicam que o hardware de produ??o n?o era esperado até o final de 2026 e as implanta??es amplas provavelmente se estenderiam até 2027. O mercado de GPU desagregada também enfrenta um teto de interoperabilidade regional na China, onde os ecossistemas de aceleradores domésticos usam protocolos de comunica??o incompatíveis, limitando os benefícios práticos de agrupamento que os operadores podem alcan?ar em escala.

Fragmenta??o da Orquestra??o de Software em Pilhas de GPU

A falta de uma camada de orquestra??o unificada em ambientes de GPU heterogêneos também restringe o mercado de GPU desagregada. Pesquisas sobre agendamento com consciência de fragmenta??o mostraram que os agendadores de múltiplos inquilinos ainda precisam reconciliar diferentes abordagens de isolamento de memória e particionamento entre pilhas de fornecedores, aumentando o esfor?o de integra??o e estendendo os prazos de implanta??o. Trabalho apresentado no USENIX ATC 2025 mostrou que a orquestra??o espa?o-temporal de GPU no nível do kernel depende de controle detalhado sobre buffers de comando e gerenciamento de contexto específicos do fornecedor, sem lógica de malha ou sem?ntica de agendamento padronizada entre fornecedores disponível atualmente.^{[2]Shulai Zhang et al., "Compartilhamento Eficiente de GPU com Consciência de Desempenho com Compatibilidade e Isolamento por Meio de Intercepta??o no Espa?o do Kernel," USENIX ATC 2025, usenix.org} Isso torna a desagrega??o em toda a frota mais fácil para hiperescaladores com grandes equipes de engenharia de plataforma e muito mais difícil para compradores empresariais que gerenciam frotas de GPU mistas e precisam de uma camada operacional comum. O mercado de GPU desagregada, portanto, provavelmente continuará favorecendo os maiores operadores no médio prazo, porque o trabalho de padroniza??o ainda está em seus estágios iniciais e os ecossistemas proprietários têm pouco incentivo para convergir rapidamente.

*Nossas previs?es tratam os impactos dos impulsionadores e restri??es como direcionais, e n?o aditivos. As previs?es de impacto refletem o crescimento de base, os efeitos de composi??o e as intera??es entre variáveis.

Análise de Segmentos

Por Componente: O Hardware Lidera os Gastos Iniciais Enquanto o Software Ganha Peso Recorrente

O hardware representou 81,32% do mercado de GPU desagregada em 2025, refletindo os altos custos iniciais de malhas de interconex?o, bandejas de switch, módulos de memória e sistemas de computa??o em escala de rack. Cada rack Vera Rubin NVL72 combinou 72 GPUs Blackwell, 36 CPUs Vera, chips de switch NVLink, DPUs BlueField-4 e rede Ethernet Spectrum-X em uma única unidade de capital baseada em malha, mantendo os gastos iniciais no mercado de GPU desagregada concentrados em grandes ciclos de aquisi??o em hiperescala. Esse modelo de aquisi??o é importante porque os compradores n?o est?o adquirindo cart?es ou servidores isolados; eles est?o se comprometendo com plataformas estreitamente integradas que agrupam capacidades de computa??o, rede e gerenciamento em um único evento de implanta??o. O mercado de GPU desagregada, portanto, mostra uma combina??o de receita com predomin?ncia de hardware em sua fase atual, especialmente à medida que os hiperescaladores constroem nova capacidade de IA em racks completos em vez de por meio de adi??es graduais nó a nó. Os servi?os permaneceram como a menor camada de componentes, mas a integra??o, as opera??es gerenciadas e a entrega de GPU como servi?o ainda carregavam potencial de margem atrativo para integradores de sistemas e operadores de nuvem especializados.

O software está projetado para registrar o CAGR mais rápido de 34,08% de 2026 a 2031 no mercado de GPU desagregada, à medida que as camadas de orquestra??o, ferramentas de isolamento e frameworks de inferência determinam cada vez mais o valor que os operadores extraem de cada GPU. O NVIDIA Dynamo separou as atribui??es de pré-preenchimento e decodifica??o para elevar a utiliza??o em escala de fábrica, e esse design estabeleceu um ponto de referência que alternativas de código aberto como o llm-d agora precisam igualar para implanta??es empresariais. Isso muda o padr?o de receita do setor de GPU desagregada, porque as atualiza??es de software podem continuar mesmo quando os ciclos de atualiza??o de hardware desaceleram ou quando a malha instalada permanece no lugar. Os operadores que instalaram hardware desagregado em 2024 e 2025 provavelmente adicionar?o novas camadas de orquestra??o antes de substituir os ativos de interconex?o física, criando um caminho para receita recorrente de software que está menos vinculada ao tempo de substitui??o de rack. Com o tempo, essa din?mica deve dar ao software um papel maior no mercado de GPU desagregada, mesmo que o hardware continue a ancorar os gastos absolutos.

Por Tipo de Acelerador: O NVLink Define a Linha de Base Atual Enquanto o CXL Amplia a Arquitetura

A desagrega??o baseada em NVLink/NVSwitch detinha 44,21% da participa??o do mercado de GPU desagregada em 2025, refletindo a forte posi??o da NVIDIA nas malhas de treinamento de IA e a preferência instalada por comunica??o de GPU estreitamente acoplada. O NVLink de sexta gera??o entregou 1,8 TB/s por GPU em 2024, e os sistemas NVLink Switch mais recentes permitiram comunica??o all-to-all entre 72 GPUs com 130 TB/s de largura de banda agregada, oferecendo ao mercado de GPU desagregada uma op??o de alto desempenho para clusters de expans?o vertical que precisam de comunica??o local densa. A desagrega??o baseada em PCIe manteve um papel duradouro como malha de base em muitos sistemas de múltiplas GPUs, oferecendo ampla compatibilidade sem o mesmo nível de dependência proprietária. As abordagens baseadas em InfiniBand e Ethernet continuaram a ser relevantes em configura??es de expans?o horizontal, e a Ethernet em particular ganhou relev?ncia onde os operadores queriam estender grandes clusters de IA aproveitando os investimentos em rede existentes. Essa divis?o significa que o mercado de GPU desagregada n?o está se movendo em dire??o a uma malha universal, mas em dire??o a um modelo em camadas no qual desempenho, abertura e infraestrutura instalada influenciam a arquitetura final.

A desagrega??o baseada em CXL está projetada para expandir a um CAGR de 34,46% até 2031, suportada pelo agrupamento de memória CXL 3.0 e pela especifica??o CXL 4.0, que dobrou a largura de banda para 128 GT/s por meio de camadas físicas PCIe 7.0 e introduziu portas agrupadas para um rendimento total muito maior. Pesquisas na Tsinghua Science and Technology mostraram que a desagrega??o de memória CXL e a desagrega??o de computa??o GPU servem a diferentes camadas da pilha, o que sugere que as implanta??es futuras no mercado de GPU desagregada as combinar?o em vez de for?ar uma escolha entre elas. A Samsung Electronics está desenvolvendo sua plataforma de memória CXL Pangea com a Marvell e a Liquid AI para expandir a memória de GPU, onde os limites de HBM podem restringir os tamanhos de lote de inferência e a profundidade do contexto de trabalho. Na prática, o NVLink é bem adequado para comunica??o GPU a GPU estreitamente acoplada dentro do rack, enquanto o CXL estende a capacidade de memória e o compartilhamento de memória entre nós e domínios de sistema mais amplos. Esse relacionamento complementar deve ajudar o mercado de GPU desagregada a amadurecer em arquiteturas mais composíveis sem reduzir o papel das malhas de GPU de alta largura de banda já estabelecidas nos clusters de produ??o.

Por Modo de Implanta??o: A Entrega em Nuvem Molda os Padr?es Enquanto o Local Mantém a Demanda Estratégica

A implanta??o baseada em nuvem detinha 61,77% da participa??o do tamanho do mercado de GPU desagregada em 2025, e o mesmo segmento está projetado para registrar o CAGR mais rápido de 33,87% até 2031. A AWS introduziu inferência desagregada no SageMaker HyperPod e no Amazon EKS por meio do llm-d e da Biblioteca de Transferência de Inferência da NVIDIA, usando o Elastic Fabric Adapter para mover dados de cache KV entre nós desagregados e entregando até 70% mais tokens por segundo em inst?ncias baseadas em Blackwell do que as implanta??es padr?o. O Google Cloud adicionou outro sinal ao afirmar que o Virgo pode conectar até 80.000 GPUs Vera Rubin NVL72 em um único data center e estender para mais de 960.000 GPUs em múltiplos sites, refor?ando o papel dos hiperescaladores na defini??o do modelo operacional para o mercado de unidade de processamento gráfico (GPU) desagregada. A vantagem da entrega em nuvem n?o é apenas a escala, mas também a capacidade de ocultar a complexidade de resfriamento, configura??o de malha e orquestra??o por trás de servi?os gerenciados. ? por isso que o mercado de GPU desagregada continua a se inclinar para as plataformas de nuvem, especialmente para compradores que precisam de acesso a capacidade avan?ada de IA, mas n?o querem construir e operar infraestrutura especializada por conta própria.

A implanta??o local ainda é importante no mercado de GPU desagregada para empresas e organiza??es do setor público que n?o podem mover cargas de trabalho sensíveis para ambientes de nuvem pública compartilhada. As informa??es mostram que os compradores empresariais s?o mais sensíveis ao pre?o do que os hiperescaladores e geralmente adotam arquiteturas desagregadas depois que os operadores de nuvem as validaram em escala, o que coloca a demanda local em um caminho mais lento, mas ainda importante. Organiza??es governamentais e de defesa formam um grupo local separado, porque os programas de IA soberana e as regras de seguran?a nacional frequentemente exigem ambientes de computa??o isolados ou vinculados a jurisdi??es. Os requisitos de localiza??o de dados na Uni?o Europeia e em partes da ?蝉颈补-笔补肠í蹿颈肠辞 também sustentam um piso para infraestrutura dedicada, mesmo que a nuvem permane?a o modo maior e de crescimento mais rápido. Como resultado, o mercado de GPU desagregada provavelmente manterá uma estrutura dual, com plataformas de nuvem definindo o ritmo da inova??o enquanto as implanta??es locais permanecem importantes quando conformidade, controle ou sensibilidade da carga de trabalho limitam o acesso compartilhado.

Por Aplica??o: IA e HPC Impulsionam a Demanda Atual Enquanto a Simula??o Constrói Novo Volume

IA e computa??o de alto desempenho representaram 72,49% do mercado de GPU desagregada em 2025, tornando-se o principal impulsionador das implanta??es atuais. Os maiores modelos de linguagem e sistemas de raciocínio requerem capacidade de memória e desempenho de interconex?o que excedem os limites de nós isolados, portanto o mercado de GPU desagregada se desenvolveu em torno do agrupamento e da coordena??o de malha como requisitos básicos para treinamento e inferência de fronteira. A NVIDIA afirmou que o Vera Rubin NVL72 pode entregar 10x o rendimento de agentes em compara??o com a gera??o anterior Grace Blackwell, o que ajuda a explicar por que os hiperescaladores est?o implantando essas plataformas tanto para clusters de treinamento quanto para ambientes de inferência com raciocínio intensivo. A pesquisa científica também permanece parte deste segmento, porque gen?mica, modelagem climática e física de partículas precisam de computa??o pronta para picos que pode ser provisionada em escala sem deixar recursos caros de GPU ociosos entre os trabalhos. Essa combina??o mantém o mercado de GPU desagregada estreitamente vinculado a cargas de trabalho onde utiliza??o, compartilhamento de memória e eficiência de interconex?o afetam diretamente a produ??o científica ou o desempenho do modelo.

Gêmeo digital e simula??o est?o projetados para avan?ar a um CAGR de 34,42% de 2026 a 2031, refletindo o uso mais amplo de modelos de física acelerados por GPU em opera??es industriais, valida??o de design e treinamento de sistemas aut?nomos. O mercado de GPU desagregada se beneficia aqui porque muitas cargas de trabalho de simula??o precisam de curtos períodos de densidade de computa??o muito alta, o que torna os recursos agrupados mais econ?micos do que as aloca??es de servidor estáticas. A NVIDIA afirmou que sua plataforma DSX pode reduzir o tempo de implanta??o de fábricas de IA de meses para dias e acelerar o tempo para a primeira receita, e esse modelo comercial está come?ando a influenciar como os usuários industriais pensam sobre infraestrutura de simula??o escalável. Análise de dados, renderiza??o e visualiza??o permanecem casos de uso estabelecidos com crescimento mais estável, enquanto a renderiza??o se beneficia da acelera??o de GPU em tempo real em interfaces industriais imersivas que exigem baixa latência de quadros. Juntos, esses padr?es ampliam o mercado de GPU desagregada além do treinamento de IA de fronteira e aumentam a demanda de compradores que valorizam capacidade flexível para cargas de trabalho digitais operacionais.

Por Usuário Final: Os Hiperescaladores Detêm a Maior Base Enquanto as Nuvens Especializadas Expandem Mais Rapidamente

Os provedores de nuvem em hiperescala detinham 47,63% de participa??o em 2025, dando-lhes a maior posi??o no mercado de GPU desagregada e uma forte influência sobre os padr?es de arquitetura, o tempo de implanta??o e as escolhas de software. AWS, Google Cloud, Microsoft Azure e Oracle Cloud Infrastructure foram identificados como implantadores do segundo semestre de 2026 dos sistemas NVIDIA Vera Rubin NVL72, o que refor?a até que ponto o mercado de GPU desagregada ainda depende dos hiperescaladores para a ado??o de volume inicial. Seu papel de pioneiro vai além do poder de compra, porque eles também moldam como a orquestra??o, o agrupamento de recursos e os servi?os gerenciados de IA s?o empacotados para clientes downstream. As empresas est?o se tornando um grupo de adotantes maior, mas geralmente abordam as implanta??es com controles or?amentários mais rígidos, maior sensibilidade ao risco de integra??o e preferência por configura??es de nuvem dedicada ou local onde a exposi??o de dados pode ser limitada. Os compradores governamentais e de defesa também permanecem relevantes, pois longos ciclos de aquisi??o ainda podem gerar grandes valores de contrato quando os programas de computa??o soberana avan?am.

Os provedores de servi?os em nuvem est?o projetados para registrar o CAGR mais rápido de 34,63% de 2026 a 2031 no mercado de GPU desagregada, à medida que os operadores de médio porte constroem plataformas de GPU como servi?o em torno de especializa??o e flexibilidade de pre?os. A NVIDIA identificou CoreWeave, Lambda, Nebius e Nscale entre os primeiros adotantes do Vera Rubin e do Spectrum-X Ethernet Photonics, demonstrando como as nuvens especializadas est?o expandindo a capacidade para atender à demanda de treinamento e inferência além das maiores plataformas de hiperescala. Sua posi??o é promissora, mas também exposta, porque a queda nos custos por token nos hiperescaladores pode comprimir as margens de aluguel e for?ar os provedores menores a se diferenciarem por meio de servi?os gerenciados e suporte na camada de aplica??o. Os provedores de telecomunica??es também est?o emergindo como usuários focados em borda de sistemas de GPU desagregada, enquanto as institui??es de pesquisa e acadêmicas desempenham um papel menor na receita, mas ajudam a reduzir as barreiras de software por meio de trabalho de orquestra??o de código aberto, como o llm-d e ferramentas nativas do Kubernetes relacionadas. Essa combina??o de hiperescaladores dominantes, nuvens especializadas em rápido movimento e compradores públicos e privados direcionados dá ao mercado de GPU desagregada uma base de demanda em expans?o sem reduzir sua dependência de alguns operadores muito grandes.

Análise Geográfica

A América do Norte detinha uma participa??o de 52,71% em 2025, dando-lhe a maior participa??o regional no mercado de GPU desagregada e refletindo a profundidade das constru??es de hiperescala nos EUA. AWS, Google Cloud, Microsoft Azure e Oracle Cloud Infrastructure foram todos nomeados como implantadores do segundo semestre de 2026 dos sistemas NVIDIA Vera Rubin NVL72, e essa concentra??o de compradores líderes continua a ancorar o mercado de GPU desagregada na regi?o. A América do Norte também se beneficia de um ecossistema de hardware denso, grande atividade de pesquisa em IA e uma camada de nuvem de GPU madura, incluindo provedores como CoreWeave, Lambda e Nscale. A colabora??o da NVIDIA em setembro de 2025 com a Intel para desenvolver CPUs personalizadas para data centers de IA baseadas em NVLink e x86 aprofundou as cadeias de suprimentos regionais e permitiu uma integra??o mais forte entre CPUs de orquestra??o e malhas de GPU.^{[3]Intel Corporation, "Intel e NVIDIA para Desenvolver Conjuntamente Infraestrutura de IA e Produtos de Computa??o Pessoal," Intel Newsroom, newsroom.intel.com} O 颁补苍补诲á adiciona suporte por meio da proximidade com a demanda de hiperescala dos EUA e da economia de energia favorável, enquanto a América do Sul permanece em um estágio anterior e está mais vinculada às zonas de disponibilidade de hiperescala no Brasil e na Col?mbia do que à implanta??o local ampla.

A Europa detinha uma participa??o significativa, mas menor, do mercado de GPU desagregada, com Alemanha, Reino Unido e Fran?a como os principais centros de implanta??o nas informa??es do usuário. A Diretiva de Eficiência Energética da Uni?o Europeia exige relatórios de efetividade do uso de energia para data centers com carga de TI acima de 500 kW, o que apoia designs mais eficientes e desagregados e exige que os operadores demonstrem desempenho mensurável das instala??es. A base automotiva e de manufatura de precis?o da Alemanha apoia a demanda por cargas de trabalho de gêmeo digital e simula??o de física, onde a computa??o em picos é mais fácil de justificar por meio de infraestrutura agrupada do que por meio de aloca??es de servidor fixas. O Reino Unido contribui por meio de um segmento ativo de nuvem de GPU, enquanto Fran?a e 滨迟á濒颈补 est?o estendendo programas de computa??o de IA soberana que incorporam capacidade de GPU desagregada.

A ?蝉颈补-笔补肠í蹿颈肠辞 está projetada para expandir a um CAGR de 34,39% entre 2026 e 2031, dando à regi?o a taxa de crescimento mais rápida no mercado de GPU desagregada durante o período de previs?o. A regi?o está sendo impulsionada pelos gastos de IA em hiperescala da China, pela cadeia de suprimentos de memória verticalmente integrada da Coreia do Sul, pelas necessidades de manufatura e automa??o do Jap?o e pelos programas de infraestrutura de IA pública na ?ndia e em Singapura. A China está construindo arquiteturas desagregadas domésticas em torno de abordagens de interconex?o proprietárias, criando uma estrutura regional dividida na qual as pilhas chinesas diferem das usadas em outros lugares no mercado de GPU desagregada. A Coreia do Sul se beneficia da posi??o da SK Hynix na produ??o de HBM3e, o que ajuda os operadores domésticos a garantir acesso mais antecipado aos subsistemas de memória e apoia uma implanta??o de capital de data center mais rápida. A ?ndia também está avan?ando rapidamente à medida que as iniciativas de IA apoiadas pelo governo e as zonas de nuvem em hiperescala se expandem, enquanto o Oriente Médio e a ?frica permanecem em estágios anteriores de desenvolvimento, mas est?o ganhando suporte de programas de investimento em IA soberana nos Emirados ?rabes Unidos e na Arábia Saudita.