黑料不打烊

Tendências e Insights de Mercado

Rápida Expans?o dos Clusters de Treinamento de Modelos de Fronteira

O mercado de HBM para treinamento de IA está sendo impulsionado pela escala dos sistemas de treinamento de fronteira que agora exigem largura de banda de memória no nível de rack e cluster, n?o apenas no nível de chip único. O GB200 NVL72 da NVIDIA integra 72 GPUs Blackwell em um único domínio NVLink e suporta até 13,4 terabytes de HBM3e em todo o rack, demonstrando como uma única unidade de implanta??o agora absorve um footprint de memória muito grande. A mesma arquitetura também oferece 1,8 terabytes por segundo de largura de banda de interconex?o por GPU, mantendo grandes pools de HBM ativos durante cargas de trabalho de treinamento sustentadas, em vez de picos intermitentes. O Projeto Rainier da AWS entrou em opera??o no final de 2025 com um cluster de aproximadamente 500.000 chips Trainium2 para a Anthropic, e essa escala mostra como um único programa de cliente pode gerar uma demanda muito grande por HBM ao longo de um único ciclo de treinamento.^{[1]Amazon, "Projeto Rainier da AWS, O Computador Mais Poderoso do Mundo para Treinamento de IA," Amazon, aboutamazon.com} ? medida que mais programas de modelos de fronteira avan?am das fases piloto para a produ??o, o mercado de HBM para treinamento de IA se beneficia tanto de implanta??es unitárias mais elevadas quanto de maior conteúdo de memória por sistema. Essa combina??o torna o mercado de HBM para treinamento de IA menos dependente do simples crescimento de remessas de GPU e mais dependente das escolhas de design de cluster.

Prontid?o do HBM4 nos Roteiros de Aceleradores de IA

A prontid?o do HBM4 está se tornando um alavancador direto de crescimento para o mercado de HBM para treinamento de IA, pois a próxima onda de plataformas está centrada em pilhas maiores, maior largura de banda e integra??o de memória mais estreita. A arquitetura Vera Rubin da NVIDIA está em plena produ??o em 2026, com 288 gigabytes de HBM4 em 8 pilhas e 13 terabytes por segundo de largura de banda, confirmando uma mudan?a significativa na capacidade de memória nas principais plataformas de IA. O Instinct MI400 da AMD também tem como alvo 432 gigabytes de HBM4 e até 19,6 terabytes por segundo, ampliando a demanda por HBM4 além do ecossistema de um único fornecedor. A Samsung iniciou a produ??o em massa de HBM4 comercial em fevereiro de 2026, indicando que as rampas de fornecedores est?o se alinhando com os cronogramas de lan?amento de aceleradores, em vez de ficarem significativamente atrás deles. O TPU 8i de 8? gera??o do Google apresenta 288 gigabytes de HBM e dobra a largura de banda de interconex?o em rela??o à gera??o anterior, refor?ando que a transi??o para HBM4 está agora alcan?ando programas de silício personalizado em compradores de hiperescala. ? medida que a qualifica??o se expande pelos roteiros de GPU, TPU e ASIC, o mercado de HBM para treinamento de IA ganha uma base de demanda mais ampla e maior continuidade de plataforma ao longo do período de previs?o.

Migra??o para Footprints de Memória de Treinamento Multi-TB

O mercado de HBM para treinamento de IA também está sendo impulsionado por uma clara migra??o para pools de memória de múltiplos terabytes para sistemas de treinamento, e memória compartilhada em escala de petabyte no nível de supercomputador. A análise de TPU publicada pelo Google mostrou que o HBM compartilhado diretamente endere?ável se expandiu 400 vezes do TPU v2 ao Ironwood, passando de 4 terabytes para 1,77 petabytes. O Trainium3 da AWS oferece 144 gigabytes de HBM3e por chip com 4,9 terabytes por segundo de largura de banda, e um UltraServer Trainium3 escala para 20,7 terabytes de HBM3e agregado. Esses pools de memória suportam janelas de contexto mais longas, tamanhos de lote maiores e execu??es de treinamento multimodal mais complexas que n?o podem ser atendidas com eficiência por camadas de memória mais lentas. A migra??o também significa que cada nova gera??o de sistema consome mais HBM mesmo antes de os contadores de cluster serem considerados, o que sustenta um mercado de HBM para treinamento de IA estruturalmente maior. Também eleva o custo de qualquer interrup??o no fornecimento, pois uma escassez agora afeta footprints de memória maiores por unidade de implanta??o.

Crescente Participa??o da Memória no Custo Total de Materiais da GPU de Treinamento

O mercado de HBM para treinamento de IA é sustentado pela crescente import?ncia econ?mica da memória em sistemas de aceleradores avan?ados. Cada nova plataforma principal oferece mais capacidade e largura de banda de HBM, o que significa que a memória agora molda as decis?es de aquisi??o de forma mais direta do que nos ciclos anteriores de hardware de IA. A plataforma Vera Rubin da NVIDIA e o MI400 da AMD apresentam configura??es de HBM materialmente maiores do que as das gera??es anteriores, refletindo essa mudan?a nas prioridades de design de sistemas. A SK hynix e a NVIDIA anunciaram uma parceria tecnológica plurianual em junho de 2026, e esse movimento mostra que o planejamento de memória agora está vinculado aos roteiros de aceleradores muito antes de os cronogramas de produ??o completa serem definidos. ? medida que a memória se torna a principal restri??o em desempenho, disponibilidade e custo do sistema, os compradores tratam a aquisi??o de HBM como uma decis?o estratégica, e n?o como uma compra de componente. Essa mudan?a melhora a visibilidade do mercado de HBM para treinamento de IA, pois os acordos de fornecimento est?o sendo garantidos mais cedo no ciclo da plataforma.

Perda de Rendimento de TSV e Complexidade de Embalagem Avan?ada

A perda de rendimento de TSV continua sendo uma grande restri??o ao mercado de HBM para treinamento de IA, à medida que a complexidade das pilhas aumenta a cada gera??o. O HBM4 imp?e requisitos de liga??o mais avan?ados e interfaces mais rígidas, redefinindo o aprendizado de processo durante a transi??o do HBM3e para o HBM4. O Imec apresentou análises térmicas e de integra??o no IEEE IEDM em dezembro de 2025, mostrando que a integra??o 3D de HBM sobre GPU elevou a temperatura de opera??o para 140,7°C sob cargas de trabalho de treinamento de IA, destacando como embalagem, design térmico e rendimento agora se movem juntos. ? medida que as alturas das pilhas aumentam, um defeito em qualquer camada pode comprometer a pilha utilizável, de modo que o crescimento da produ??o n?o aumenta em linha reta com a entrada de wafers. Isso torna a expans?o do fornecimento mais lenta do que a expans?o da demanda, o que pode atrasar as remessas em todo o mercado de HBM para treinamento de IA. Também eleva o valor dos fornecedores que já qualificaram produtos de pilha alta em escala.

Gargalos de Capacidade de Fundi??o e OSAT

Os gargalos de fundi??o e OSAT limitam o mercado de HBM para treinamento de IA porque a capacidade de embalagem avan?ada deve se expandir junto com o fornecimento de memória e os inícios de wafer de aceleradores. Mesmo quando os dies de HBM est?o disponíveis, os sistemas de IA n?o podem ser enviados em volume sem capacidade suficiente de CoWoS e integra??o relacionada para conectar memória e computa??o em escala. Isso mantém o acesso a embalagens no centro da execu??o comercial para fornecedores de memória, designers de GPU e compradores de hiperescala. O gargalo também desloca a concorrência para longe da produ??o pura de memória e em dire??o ao controle do ecossistema, porque empresas com acesso mais forte a embalagens podem converter fornecimento em receita mais rapidamente. Na prática, a restri??o é mais visível nos nós de produ??o da APAC, mas seus efeitos se espalham para os cronogramas de implanta??o de sistemas na América do Norte, porque muitos clusters líderes dependem da mesma cadeia de embalagem. Até que a capacidade de embalagem se amplie de forma significativa, o mercado de HBM para treinamento de IA continuará a enfrentar períodos em que a demanda é visível, mas n?o totalmente conversível em sistemas enviados.

*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

O HBM4 é o tipo de memória de crescimento mais rápido no mercado de HBM para treinamento de IA, com o tamanho do mercado de HBM4 projetado para se expandir a um CAGR de 24,96% até 2031. O HBM3e liderou 58,14% do mercado de HBM para treinamento de IA em 2025 porque permaneceu a gera??o incumbente nas implanta??es de IA de alto volume e continuou a atender os lan?amentos de treinamento mais ativos. O mercado de HBM para treinamento de IA também manteve posi??es menores para HBM2e e HBM3, principalmente em configura??es empresariais e de pesquisa de menor custo, onde os ciclos de substitui??o de sistemas avan?am mais lentamente. A SK hynix iniciou a produ??o em volume de HBM4 no início de 2026 e enviou pilhas de 12 camadas de 48 gigabytes com largura de banda acima de 2 terabytes por segundo, usando embalagem MR-MUF e um die de base lógico fabricado pela TSMC.^{[2]SK hynix Newsroom, "Perspectiva de Mercado para 2026, o HBM da SK hynix para Impulsionar o Boom de Memória de IA," SK hynix, news.skhynix.com} A Samsung também iniciou remessas comerciais de HBM4 em fevereiro de 2026, com uma velocidade de transferência de 11,7 gigabits por segundo por pino, atendendo aos requisitos de qualifica??o dos principais compradores de plataformas de IA.

Uma mudan?a mais estrutural no mercado de HBM para treinamento de IA é a migra??o para arquiteturas de die de base personalizadas dentro da pilha HBM4. Isso significa que os fornecedores de memória n?o est?o mais vendendo apenas pilhas padronizadas, pois os designers de GPU e chips de IA agora querem lógica proprietária integrada dentro do próprio pacote. Esse padr?o de design cria uma estrutura de receita em dois níveis, com configura??es padr?o competindo mais diretamente em disponibilidade e configura??es personalizadas gerando valor a partir de codesenvolvimento de longo prazo. A Samsung declarou em 2026 que mais da metade de sua produ??o de HBM seria direcionada para HBM4, o que mostra com que rapidez a capacidade dos fornecedores está sendo redirecionada para a nova gera??o. Como resultado, o mercado de HBM para treinamento de IA está passando por um ponto de redefini??o onde a ordem de qualifica??o, e n?o apenas a escala de fabrica??o, moldará o posicionamento dos fornecedores durante o próximo ciclo de plataforma.

Hiperescala e nuvem responderam por 87,33% do mercado de HBM para treinamento de IA em 2025, sublinhando a contínua concentra??o da demanda em ambientes de treinamento muito grandes. O mercado de HBM para treinamento de IA se desenvolveu dessa forma porque clusters de múltiplos milhares de GPUs ou ASICs personalizados exigem compromissos de capital, acesso a energia e profundidade operacional que apenas hiperescaladores e um pequeno grupo de laboratórios de IA podem suportar. O Projeto Rainier ilustra essa concentra??o porque uma única implanta??o vinculada à nuvem escalou para aproximadamente 500.000 chips Trainium2 para as cargas de trabalho de treinamento e inferência da Anthropic. A domin?ncia dos compradores de hiperescala também significa que o momento de aquisi??o de algumas empresas pode influenciar a visibilidade da demanda de curto prazo em todo o mercado de HBM para treinamento de IA. Ao mesmo tempo, a concentra??o fornece aos fornecedores sinais de clientes mais claros, porque os roteiros de hiperescala est?o vinculados a grandes transi??es de plataforma e ciclos de reserva mais longos.

A implanta??o empresarial permaneceu muito menor em 2025, mas seu papel está se ampliando à medida que sistemas densos em HBM se tornam mais disponíveis por meio de fornecedores de infraestrutura e modelos de implanta??o gerenciada. Setores regulamentados, como servi?os financeiros, farmacêuticos e defesa, est?o gradualmente construindo capacidade de treinamento local porque n?o podem colocar todo o desenvolvimento de modelos sensíveis em ambientes de nuvem compartilhada. Governos e institui??es de pesquisa formam um caminho separado de demanda, porque as aquisi??es est?o vinculadas mais diretamente a programas de IA soberana e iniciativas de computa??o pública do que a ciclos de nuvem comercial. Isso torna a demanda empresarial e governamental mais episódica, mas cada compra tende a ser grande porque os compradores geralmente adquirem clusters completos em vez de capacidade incremental. ? medida que os sistemas baseados em HBM4 se tornam mais padronizados no período de previs?o posterior, o mercado de HBM para treinamento de IA deve ganhar uma combina??o de implanta??o mais ampla, mesmo que a hiperescala permane?a como ?ncora.

O multinó em escala de cluster detinha 61,74% do mercado de HBM para treinamento de IA em 2025, o que reflete a arquitetura dominante para treinamento de modelos muito grandes. O mercado de HBM para treinamento de IA migrou para essa configura??o porque cargas de trabalho de treinamento de fronteira com trilh?es de par?metros e outras n?o podem permanecer dentro do envelope de memória e largura de banda de um único nó. O NVLink de sexta gera??o da NVIDIA oferece 1,8 terabytes por segundo por GPU dentro do domínio em escala de rack NVL72, e o Vera Rubin NVL72 é projetado para 260 terabytes por segundo de largura de banda agregada de GPU. Essa arquitetura mantém pools de memória maiores ativos com menor atrito de comunica??o, tornando a utiliza??o de HBM mais eficaz em sistemas em escala de rack do que em clusters menores e fracamente conectados. Também aumenta a intensidade de memória por implanta??o porque mais HBM está vinculado a sistemas projetados para treinamento sincronizado em grandes domínios.

Sistemas de GPU única e multi-GPU intra-nó permaneceram relevantes para inferência, ajuste fino e execu??es de treinamento menores e especializadas, mas responderam por uma parcela menor da demanda por HBM em 2025. Seu papel no mercado de HBM para treinamento de IA é limitado porque a escala de treinamento cresceu mais rapidamente do que a expans?o de memória de nó único sozinha pode atender. Os roteiros de sistemas de TPU e GPU publicados também mostram que os designers de sistemas est?o priorizando interconex?o e coerência de memória juntos, e n?o como caminhos de atualiza??o separados. ? medida que os tamanhos dos modelos e as cargas de trabalho multimodais continuam a crescer, as implanta??es em escala de cluster devem permanecer como o núcleo estrutural do mercado de HBM para treinamento de IA. Isso mantém o design de interconex?o estreitamente vinculado à demanda por HBM, porque os sistemas de treinamento mais valiosos s?o aqueles que podem manter pools de memória muito grandes endere?áveis em escala.

Modelos de funda??o e treinamento de LLM representaram 66,82% do mercado de HBM para treinamento de IA em 2025, tornando-os a maior categoria de carga de trabalho por ampla margem. O mercado de HBM para treinamento de IA reflete essa concentra??o porque o treinamento baseado em transformadores em escala de fronteira requer acesso de memória de alta largura de banda sustentado em conjuntos de par?metros muito grandes e janelas de contexto longas. O Projeto Rainier da Amazon mostrou como uma única implanta??o de modelo de funda??o pode se traduzir em um dos maiores clusters de computa??o de IA do mundo, sublinhando a atra??o por HBM criada por um único roteiro de modelo. O TPU 8i do Google também expandiu a capacidade de HBM e a largura de banda de interconex?o porque o pré-treinamento e o pós-treinamento para modelos de fronteira dependem cada vez mais de manter grandes pools de memória diretamente endere?áveis. Isso torna o treinamento de modelos de funda??o o principal impulsionador de volume dentro do mercado de HBM para treinamento de IA, especialmente quando os compradores est?o otimizando o tempo de treinamento em vez de apenas a contagem de chips.

Vis?o computacional, fala e PLN, e treinamento de modelos de recomenda??o e grafos compuseram o ter?o restante da demanda e ainda formaram uma parte significativa do mercado de HBM para treinamento de IA. As cargas de trabalho de recomenda??o e grafos exibem padr?es de acesso à memória diferentes, mas seus requisitos de HBM est?o aumentando à medida que os tamanhos dos grafos, a profundidade dos recursos e os loops de personaliza??o se tornam mais complexos. O treinamento de fala e PLN mais amplo também está ganhando peso à medida que modelos multimodais combinam processamento de áudio, texto e imagem dentro de uma única pilha de treinamento. Essas categorias ainda n?o correspondem à escala dos modelos de funda??o, mas ampliam a base de demanda porque trazem mais casos de uso para a infraestrutura de treinamento de alta largura de banda. Com o tempo, essa combina??o fortalece o mercado de HBM para treinamento de IA ao reduzir a dependência de um único caminho de aplica??o, mesmo enquanto os modelos de funda??o permanecem dominantes.

As GPUs detinham 91,18% da participa??o do mercado de HBM para treinamento de IA em 2025, refletindo a for?a do ecossistema CUDA e o menor risco de execu??o dos clusters baseados em GPU. O mercado de HBM para treinamento de IA permanece centrado em GPUs, pois a maioria dos compradores prefere ferramentas de software maduras, amplo suporte a desenvolvedores e modelos de implanta??o comprovados para treinamento em grande escala. Ao mesmo tempo, os ASICs de IA s?o o segmento de processadores de crescimento mais rápido, com o tamanho do mercado de HBM para treinamento de IA para ASICs de IA projetado para crescer a um CAGR de 24,62% até 2031. O Trainium3 da AWS mostra o porquê, pois oferece 144 gigabytes de HBM3e por chip com 4,9 terabytes por segundo de largura de banda de memória, enquanto os sistemas Trn3 UltraServer escalam para 20,7 terabytes de HBM3e agregado. A perspectiva de mercado para 2026 da SK hynix também declarou que a demanda por HBM de chips de IA baseados em ASIC personalizado deveria crescer 82% em 2026 e responder por um ter?o da demanda total de HBM, o que sustenta o perfil de crescimento mais forte das implanta??es de ASIC. 

Os aceleradores FPGA permaneceram um nicho no mercado de HBM para treinamento de IA, principalmente para ambientes de pesquisa e testes de arquitetura inicial antes que escolhas de GPU ou ASIC de maior volume sejam feitas. A mudan?a mais importante é que os hiperescaladores est?o cada vez mais dispostos a construir silício personalizado quando a forma da carga de trabalho, a arquitetura do modelo e a economia da frota s?o previsíveis. Isso pode aumentar a intensidade de HBM por chip porque os processadores personalizados s?o projetados em torno de compensa??es específicas de treinamento e inferência, em vez de ampla compatibilidade de carga de trabalho. Isso também significa que a combina??o de processadores no mercado de HBM para treinamento de IA está se ampliando lentamente, mesmo que as GPUs permane?am a principal base de receita hoje. Ao longo do período de previs?o, o crescimento dos ASICs deve tornar a demanda menos dependente de uma arquitetura de processador e mais estreitamente vinculada às necessidades de memória de frotas de computa??o de IA diversificadas.

Análise Geográfica

Mercado de HBM para Treinamento de IA na América do Norte

A América do Norte deteve 51,68% da participa??o de mercado de treinamento de IA em 2025, mantendo sua posi??o como o maior centro regional de demanda. O mercado de HBM para treinamento de IA permaneceu ancorado na América do Norte porque as grandes empresas de nuvem e os laboratórios de IA de fronteira com sede nos Estados Unidos operavam os maiores parques instalados de hardware de treinamento com alta densidade de memória. A base de demanda regional também se beneficiou de uma concentra??o de desenvolvedores de modelos como Anthropic, OpenAI e Meta AI, que mantiveram os programas de treinamento mais avan?ados próximos à infraestrutura de nuvem e de colocaliza??o da América do Norte. O desenvolvimento por parte da Micron Technology, Inc. de uma instala??o dedicada de HBM no Idaho também vinculou o planejamento do fornecimento de memória de forma mais direta à política industrial dos Estados Unidos e aos objetivos de resiliência doméstica. Essa combina??o de concentra??o de demanda e reposicionamento da cadeia de suprimentos manteve a América do Norte no centro do mercado de HBM para treinamento de IA em 2025.

Mercado de HBM para Treinamento de IA na Europa

A Europa permaneceu como uma regi?o secundária em 2025, mas seu papel no mercado de HBM para treinamento de IA foi sustentado por iniciativas soberanas de computa??o e pela expans?o da nuvem pública. A Fran?a anunciou 109 bilh?es de euros (119 bilh?es de USD) em investimentos em IA em fevereiro de 2025, sinalizando um caminho plurianual para a aquisi??o de hardware e a constru??o de clusters. Os esfor?os nacionais de computa??o para IA da Alemanha também adicionaram impulso ao direcionar investimentos públicos para infraestrutura de treinamento que depende de memória de alta largura de banda. Esses programas ainda n?o atingem a escala norte-americana, mas s?o relevantes porque ampliam a base de compradores para além das grandes empresas de nuvem comerciais. No mercado de HBM para treinamento de IA, a import?ncia da Europa reside menos na lideran?a imediata em volume e mais na cria??o de uma demanda sustentada do setor público por grandes sistemas de treinamento.

Mercado de HBM para Treinamento de IA na APAC, América do Sul e MEA

A ?蝉颈补-笔补肠í蹿颈肠辞 é o segmento regional de crescimento mais rápido do mercado de HBM para treinamento de IA, com um CAGR projetado de 25,89% até 2031. A regi?o combina a maior concentra??o mundial de capacidade de fabrica??o de HBM com infraestrutura crítica de empacotamento avan?ado, o que lhe confere um papel duplo como base de fornecimento e centro de demanda. A Coreia do Sul permanece central porque SK hynix Inc. e Samsung Electronics Co., Ltd. est?o expandindo os investimentos em HBM e empacotamento em linha com a demanda de treinamento de IA. Taiwan permanece indispensável porque o empacotamento avan?ado para aceleradores de IA está concentrado lá, o que vincula a fabrica??o regional diretamente aos cronogramas de implanta??o global.^{[3]Samsung Global Newsroom, "Samsung Ships Industry-First Commercial HBM4 With Ultimate Performance for AI Computing," Samsung, news.samsung.com} O Jap?o e a ?ndia também est?o expandindo programas nacionais de computa??o para IA, enquanto a América do Sul e o Oriente Médio e ?frica permanecem centros de demanda em estágio inicial, com os estados do Golfo apresentando o maior potencial de constru??o de clusters no curto prazo. O mercado de HBM para treinamento de IA depende, portanto, da ?蝉颈补-笔补肠í蹿颈肠辞 n?o apenas para o crescimento, mas também para a execu??o em toda a cadeia de suprimentos.