Nvidia explora versões do Rubin Ultra com menos memória para driblar escassez

A busca da Nvidia por configurações de memória reduzidas para a Rubin Ultra, com versões de 192 GB e 256 GB, reflete a realidade do mercado. A escassez de HBM (High Bandwidth Memory) força a empresa a reconsiderar as especificações de seus aceleradores de IA de ponta. Essa estratégia de flexibilização de design, que inclui a possibilidade de um retorno à tecnologia HBM4 em vez da HBM4E mais avançada, mostra a pressão sobre toda a cadeia de suprimentos.

O problema não é apenas a quantidade, mas também o tipo de memória. A HBM4E, apesar de oferecer avanços como o die lógico de base personalizável (em parceria com TSMC e Micron), se tornou um gargalo produtivo. A complexidade na fabricação do HBM4E, aliada à alta demanda, criou uma dificuldade para os fabricantes acompanharem o cronograma da Rubin Ultra. Isso reforça o que o CEVIU News vem acompanhando desde abril, com artigos como "Escassez de DRAM: Lições para o Projeto de Sistemas" (30 de abril de 2026), mostrando a corrida por soluções que mitiguem o impacto da memória em projetos de IA.

Houve uma clara mudança em relação ao que foi inicialmente demonstrado e anunciado para a Rubin Ultra. No começo do ano, na GTC, a Nvidia apresentou um "compute tray" do Rubin Ultra com quatro chiplets de computação e 1 TB de memória HBM4E. A notícia atual revela que a empresa está testando configurações com bem menos memória, como 192 GB ou 256 GB, e, crucialmente, com HBM4 em vez de HBM4E. Essa adaptação mostra que o que era uma especificação de ponta divulgada, com HBM4E e capacidade massiva, agora enfrenta ajustes práticos devido a desafios de fabricação e escassez.

A flexibilização do projeto da Rubin Ultra pela Nvidia é um sinal forte de como a escassez de componentes, especialmente memória HBM, impacta até mesmo as empresas líderes em IA. Isso não afeta só a Nvidia, mas todo o ecossistema da inteligência artificial. Se os chips mais potentes chegam ao mercado com especificações reduzidas, os desenvolvedores e empresas de IA terão que adaptar suas cargas de trabalho. O artigo do CEVIU News "O Caminho para um Contexto de Bilhões de Tokens" (5 de maio de 2026) já apontava a largura de banda da memória como um gargalo para modelos de IA. Menos memória por GPU pode significar que as aplicações de IA exigirão mais chips para a mesma tarefa, elevando custos e complicando a infraestrutura.