Explorar o potencial da AGI: sinergia entre hardware e software

Iris Coleman
17 de dez. de 2025 06:09

Dan Fu da together.ai argumenta que a inteligência geral artificial (AGI) é alcançável através da otimização do co-design de software-hardware, melhorando a utilização atual dos chips e superando as limitações de hardware percebidas.

O debate em torno do potencial para alcançar a inteligência geral artificial (AGI) está a intensificar-se, com Dan Fu, Vice-Presidente de Kernels na together.ai, a fornecer uma perspetiva otimista. De acordo com a together.ai, Fu desafia a noção de que os avanços na IA estão a ser impedidos por limitações de hardware. Em vez disso, ele defende que os chips atuais estão significativamente subutilizados e que uma abordagem estratégica ao co-design de software-hardware poderia desbloquear melhorias substanciais de desempenho.

Limitações atuais e potencial futuro

À medida que o panorama da IA evolui, as preocupações sobre atingir os limites da computação digital estão a tornar-se mais prevalentes. Alguns especialistas sugerem que as restrições de hardware, particularmente nas GPUs, podem impedir o progresso no desenvolvimento de IA geralmente útil. Em contraste, Fu apresenta uma perspetiva mais esperançosa na sua publicação, "Yes, AGI Can Happen – A Computational Perspective", que argumenta que o teto ainda não foi atingido para as capacidades de IA.

Subutilização do hardware existente

Fu destaca que as execuções de treino de IA de última geração, como DeepSeek-V3 ou Llama-4, frequentemente alcançam apenas cerca de 20% de Utilização Média de FLOP (MFU), com a utilização de inferência por vezes em dígitos individuais. Estes números sugerem uma oportunidade significativa para melhorar a eficiência através de uma melhor integração de software e hardware, bem como inovações como o treino FP4.

Avanços nos modelos computacionais

Os modelos de IA atuais são baseados em hardware mais antigo, e o potencial dos recursos computacionais mais recentes ainda não foi totalmente realizado. Fu enfatiza que clusters massivos de GPUs da última geração, totalizando mais de 100.000, ainda não foram totalmente integrados nos processos de desenvolvimento de IA, indicando um horizonte promissor para avanços futuros.

Utilidade atual e implicações futuras

Apesar das limitações percebidas, os modelos de IA existentes já estão a revolucionar fluxos de trabalho complexos, como a escrita de kernels de GPU de alto desempenho com assistência humana. Esta transformação sublinha a utilidade imediata das tecnologias de IA e sugere o vasto potencial para aplicações futuras.

Para aqueles interessados na interseção entre engenharia de sistemas, eficiência de hardware e escalabilidade de IA, a análise de Fu fornece insights valiosos. A análise completa pode ser acedida no website da together.ai.

Fonte da imagem: Shutterstock