O CEO da Nvidia, Jensen Huang, explicou por que a SRAM não substituirá a memória de alta largura de banda (HBM) em sistemas de IA. Em uma sessão de perguntas e respostas na CES 2026 em Las Vegas, ele respondeu às especulações de que a empresa poderia abandonar a cara HBM em favor de componentes mais baratos.
Fonte da imagem: Tom’s Hardware
De acordo com o Tom’s Hardware, Huang delineou uma visão de que o requisito fundamental para hardware de IA não é a especialização restrita, mas sim a flexibilidade, que é precisamente o que a memória HBM proporciona. Seu principal argumento centra-se na natureza instável e em constante mudança das cargas de trabalho de IA. Os modelos evoluem rapidamente e novas arquiteturas e modalidades são introduzidas, tornando a otimização de hardware para uma única tarefa ineficaz a longo prazo. Embora Huang tenha reconhecido que as soluções centradas em SRAM podem oferecer velocidade incrível em certos cenários e evitar a latência inerente à memória externa, elas enfrentam severas limitações de capacidade ao serem escaladas. Embora tais aceleradores pareçam atraentes em testes controlados, em aplicações do mundo real eles não conseguem oferecer o equilíbrio entre largura de banda e densidade que a HBM proporciona.
O CEO da Nvidia também abordou o tema dos modelos de IA abertos, cuja proliferação deverá reduzir a dependência de GPUs caras. Ele reconheceu o valor desses modelos, mas enfatizou que a abertura da arquitetura não elimina as limitações de infraestrutura. O treinamento e a disponibilização de modelos modernos, independentemente da licença, ainda exigem enormes recursos computacionais e grandes quantidades de memória. Além disso, o desenvolvimento de modelos abertos com janelas de contexto maiores e a adição de multimodalidade apenas aumentam a necessidade de memória flexível e de alto desempenho, como a HBM.
Assim, a posição da Nvidia é que a diversidade e a variabilidade constante das cargas de trabalho de IA tornamVersatilidade e adaptabilidade são fatores econômicos essenciais. Aceleradores especializados, focados em tarefas específicas, podem apresentar resultados impressionantes em benchmarks, mas, no cenário de IA em rápida transformação, correm o risco de se tornarem obsoletos. A empresa está disposta a tolerar o alto custo do HBM e a complexidade de seus sistemas, pois isso lhe permite manter a capacidade de se adaptar a novas arquiteturas de modelos e cenários de implantação. Segundo Jensen Huang, o ponto em que os modelos se estabilizam a ponto de soluções especializadas serem mais econômicas do que plataformas flexíveis ainda não foi alcançado.