Meta abre o jogo sobre Prometheus: o supercluster de IA que alavanca seus modelos Muse

A Meta finalmente detalha a engenharia por trás do Prometheus, seu supercluster de IA de escala gigawatt. Este gigante, localizado em New Albany, Ohio, é a espinha dorsal para treinar modelos de fronteira como a família Muse. A ambição da Meta é expandir a infraestrutura para cerca de um milhão de GPUs, interconectando centenas de milhares delas em múltiplos edifícios, que operam como uma única máquina.

O supercluster já utiliza duas plataformas de GPU NVIDIA: a Catalina (GB200 NVL72), com 72 GPUs Blackwell e 13,4 TB de HBM3e, oferecendo 720 PFLOPS de computação FP8; e a Clemente (GB300 NVL72), com GPUs Blackwell Ultra e 20,7 TB de HBM3e, superando 1 exaFLOP de computação FP4. A rede é um ponto crucial, com uma infraestrutura dedicada de back-end (BE) baseada em Ethernet que permite comunicação direta GPU-a-GPU, operando com milhões de quilômetros de fibra, dezenas de milhares de switches e milhões de ópticas para sustentar o tráfego de alta largura de banda e baixa latência exigido pelo treinamento de IA em larga escala.

A confiabilidade é fundamental nesta escala. A Meta usa um domínio de falha de 72 GPUs, com GPUs sobressalentes dentro de cada rack para substituição imediata, minimizando interrupções. Mecanismos como Parallelism-Aware Fault Tolerance (PAFT) permitem que uma réplica com falha seja isolada enquanto o restante do cluster continua, e o checkpointing frequente garante que o progresso do treinamento seja salvo de forma eficiente para recuperação rápida. Essa abordagem co-projetada com a NVIDIA foca na redução sistemática de interrupções, que incluem desde defeitos de silício da GPU até anomalias de rede ou gargalos de armazenamento.

Em 12 de fevereiro de 2026, o CEVIU News publicou sobre a fase de construção do Prometheus, destacando como a Rede de Agregação de Backend (BAG) da Meta era crucial para viabilizar clusters de IA em escala de gigawatts. Naquela época, o foco estava na promessa da arquitetura de rede para interconectar dezenas de milhares de GPUs. Agora, a Meta detalha que a primeira fase do Prometheus já está completa, já está treinando modelos da família Muse, e está em expansão. O que era um projeto de infraestrutura de rede, agora é uma realidade operacional com detalhes de hardware, sistemas de resfriamento líquido de ciclo fechado e estratégias avançadas de confiabilidade.

Outra evolução notável é a capacidade do Prometheus de suportar modelos como o Muse Spark Open e o Muse Glimmer, que foram lançados em agosto e outubro de 2026. Anteriormente, falávamos da infraestrutura em si. Agora, a Meta mostra que ela está ativa, alavancando esses novos modelos multimodais de parâmetros massivos, alguns dos quais rodam até em hardware de consumidor. A entrega dessas capacidades de infraestrutura é um passo crucial para a Meta, transformando planos em resultados concretos para o avanço da IA.

O Prometheus representa um salto gigantesco na infraestrutura de IA, essencial para o treinamento de modelos de fronteira cada vez mais complexos. Ao detalhar sua arquitetura e tecnologias (como o resfriamento líquido de ciclo fechado e as GPUs NVIDIA de última geração), a Meta mostra o caminho para escalar a computação de IA a níveis sem precedentes. Isso permite modelos como a família Muse, que precisam de recursos computacionais massivos para operar, como os modelos multimodais com centenas de bilhões de parâmetros que a Meta tem lançado.

A ênfase na confiabilidade e eficiência a essa escala é fundamental. Interrupções em clusters de IA significam perda de tempo e de recursos computacionais caros. As soluções da Meta para gerenciar falhas e manter o treinamento contínuo, como as GPUs sobressalentes e o checkpointing assíncrono, são cruciais para otimizar o uso da infraestrutura. Entender como a Meta supera esses desafios oferece insights valiosos para toda a indústria, que busca construir e operar sistemas de IA cada vez maiores e mais sofisticados.