Resumo

  • A Mobile Cloud e seus parceiros combinaram GPUs nacionais e chips neuromórficos em um sistema de inferência de IA que divide os cálculos do modelo entre os dois processadores
  • Os desenvolvedores relatam custos operacionais mais de 40% menores do que os de um cluster comparável de GPUs nacionais em testes com DeepSeek V4 Flash

O fato

A unidade Mobile Cloud da China Mobile e seus parceiros lançaram um sistema de inferência de IA que combina GPUs nacionais com chips neuromórficos. O sistema foi apresentado durante a China Computing Conference, em Langfang, Hebei, realizada de 11 a 13 de setembro.

O projeto foi desenvolvido com o CETC Nanhu Research Institute, a Lynxi Technology, a Iluvatar CoreX, a Tsinghua University e a Peking University. Os desenvolvedores disseram que, em testes com DeepSeek V4 Flash, o sistema entregou mais que o dobro do desempenho por unidade de custo e reduziu os custos operacionais em mais de 40% em comparação com um cluster semelhante de GPUs nacionais. Esses números foram fornecidos pela equipe de desenvolvimento e não foram verificados de forma independente.

O sistema distribui o trabalho entre os dois tipos de chip. Os cálculos de atenção são executados em GPUs nacionais, enquanto as operações de FFN são atribuídas aos processadores neuromórficos. Um compilador de modelos, um protocolo de interconexão de alta velocidade e um mecanismo comum de inferência gerenciam a divisão de tarefas, o agendamento e os resultados. Separadamente, a Iluvatar informou receita de 654 milhões de yuans com produtos de inferência no primeiro semestre de 2026, o equivalente a 69,2% de sua receita total.

A avaliação

A ideia é simples: não fazer um único tipo de processador lidar com todas as partes do modelo. A GPU fica com o trabalho adequado a um acelerador de uso geral, enquanto o chip neuromórfico assume os cálculos que os desenvolvedores acreditam que ele possa executar com mais eficiência. Se essa divisão se sustentar em produção, um operador de nuvem poderá reduzir o custo de atendimento das solicitações de IA sem substituir toda a sua pilha de GPUs.

O desafio está em tudo o que ocorre entre os dois chips. Os dados precisam circular na hora certa, o software precisa decidir onde cada cálculo será executado e nenhum dos processadores pode passar tempo demais esperando pelo outro. Uma economia medida em uma única configuração do DeepSeek pode diminuir quando as solicitações são mais longas, o tráfego é mais intenso ou o modelo muda.

Por isso, a alegação de 40% exige uma comparação do sistema completo. Os clientes precisariam executar a mesma carga de trabalho com o mesmo tempo de resposta e a mesma qualidade de saída, contabilizando os dois processadores, a interconexão e o software. Se o sistema híbrido ainda custar menos nessas condições, a arquitetura se tornará comercialmente atraente.

O que observar

Os testes com clientes devem mostrar o custo do sistema completo, o tempo de resposta e a taxa de processamento, em vez de apenas outro teste de desempenho de pico. Resultados em vários modelos e padrões de tráfego mostrariam se a economia informada se mantém fora do teste com DeepSeek V4 Flash. Pedidos comerciais ou implantações por clientes de serviços em nuvem e clientes corporativos forneceriam evidências mais fortes do que novas demonstrações.