A NVIDIA tornou-se o principal símbolo da revolução da Inteligência Artificial. Mas olhar para a AI apenas através da NVIDIA é ver somente a primeira camada de uma transformação muito maior.
Na prática, cada novo GPU colocado em funcionamento exige memória, conectividade, fibra ótica, energia, arrefecimento, fabrico avançado e enormes data centers. Por outras palavras, o crescimento da NVIDIA gera efeitos económicos ao longo de toda uma cadeia de infraestrutura.
Assim, para o investidor, compreender esta cadeia de infraestrutura pode ser tão importante como identificar quem produz o melhor chip.
Pense no GPU como o motor
Para começar, uma forma simples de compreender o ecossistema é imaginar um automóvel. O GPU é o motor. Pode ser extraordinariamente poderoso, mas sozinho não faz o carro andar. São precisos combustível, transmissão, sistema elétrico, arrefecimento, pneus e uma infraestrutura inteira à sua volta.
Ora, o mesmo acontece com a AI. Quantos mais GPUs forem instalados, mais infraestrutura tem de existir para os fazer trabalhar de forma eficiente. É daí que surgem vários dos potenciais beneficiários do atual ciclo de investimento em AI.
1. Foundry e Advanced Packaging — $TSM
Antes de um GPU NVIDIA chegar a um data center, tem de ser fabricado. A TSMC ocupa uma posição central nesta cadeia, produzindo alguns dos chips mais avançados do mundo e oferecendo tecnologias de packaging essenciais para integrar processadores e memória.
À medida que os chips ficam maiores, mais complexos e mais poderosos, a capacidade de fabrico e o advanced packaging tornam-se estrangulamentos estratégicos. Por isso, o crescimento da AI não beneficia apenas os designers de chips. Aumenta também a importância económica das empresas capazes de os fabricar.
2. HBM — $MU e SK Hynix
Por outro lado, um GPU extremamente rápido é pouco útil se não conseguir receber dados com velocidade suficiente. É justamente aí que entra a HBM — High Bandwidth Memory. Esta memória foi desenvolvida para movimentar grandes quantidades de dados rapidamente entre a memória e os processadores.
Além disso, modelos cada vez maiores e clusters com milhares de GPUs aumentam a necessidade de HBM. Por isso, empresas como a Micron e a SK Hynix tornaram-se peças estratégicas da infraestrutura de AI. A lógica é simples: mais compute → mais necessidade de memória de alta velocidade.
3. Connectivity — $CRDO, $ALAB e $MRVL
Esta é talvez uma das partes menos compreendidas da AI. Um grande data center não funciona como milhares de GPUs independentes. Estes processadores têm de comunicar continuamente entre si e com latência extremamente baixa.
À medida que os clusters passam de milhares para dezenas ou centenas de milhares de aceleradores, transportar dados entre eles torna-se um desafio cada vez maior. É precisamente nesta camada que empresas como a Credo Technology $CRDO, a Astera Labs $ALAB e a Marvell $MRVL podem beneficiar.
Além disso, aqui existe uma distinção importante. Uma empresa não tem necessariamente de ser um grande fornecedor direto da NVIDIA para beneficiar do crescimento da NVIDIA. A Credo, por exemplo, pode ganhar com algo ainda mais amplo: a necessidade de ligar clusters de AI cada vez maiores. Se o número de GPUs cresce, o número de ligações de alta velocidade necessárias também tende a crescer.
4. Optical Networking — $COHR e $AAOI
À medida que os data centers aumentam de tamanho, transportar enormes volumes de informação apenas com ligações elétricas torna-se progressivamente mais difícil. A fibra ótica passa então a desempenhar um papel crescente.
Além disso, mais AI compute exige mais largura de banda. Mais largura de banda pode exigir mais componentes óticos, transceivers e sistemas de comunicação por fibra. É por isso que empresas como a Coherent $COHR e a Applied Optoelectronics $AAOI fazem parte da nossa análise do ecossistema.
5. Power & Cooling — $VRT, $ETN e $GEV
Curiosamente, talvez o maior estrangulamento estrutural da AI não seja sequer um semicondutor. Pode ser a energia. Os data centers de AI consomem volumes extraordinários de eletricidade e produzem enormes quantidades de calor. Consequentemente, cada nova expansão de capacidade computacional exige também:
- distribuição elétrica;
- sistemas de alimentação;
- arrefecimento;
- equipamentos de data center;
- geração adicional;
- modernização das redes elétricas.
É por isso que empresas como a Vertiv $VRT, a Eaton $ETN e a GE Vernova $GEV passaram a integrar a discussão sobre AI infrastructure. A relação pode resumir-se assim: mais GPUs → mais energia → mais arrefecimento → mais infraestrutura.
6. GPU Clouds e Hyperscalers
Por fim, no outro extremo da cadeia estão os que efetivamente compram e operam enormes quantidades de GPUs. Entre eles estão os hyperscalers: $AMZN, $MSFT, $GOOGL e $META, e empresas especializadas em GPU cloud, como $CRWV e $NBIS.
Por sua vez, os investimentos destas empresas são particularmente importantes porque representam a procura final pela infraestrutura. Quando a Big Tech aumenta o capex para construir data centers, esse capital começa a circular por praticamente toda a cadeia que acabámos de analisar.
NVIDIA earnings são muito mais do que NVIDIA earnings
É por isso que acompanho os resultados da NVIDIA não apenas para avaliar a $NVDA. Funcionam também como uma espécie de termómetro do ciclo de infraestrutura de AI. Se a procura por accelerated computing se mantiver elevada, podemos procurar os efeitos desse crescimento ao longo da cadeia:
Semiconductors → HBM → Connectivity → Optics → Power → Cooling → Cloud
Em resumo, esta leitura ajuda a identificar empresas que podem beneficiar antes mesmo de o impacto completo aparecer nos seus próprios resultados.
Fornecedores diretos vs. beneficiários indiretos
Por outro lado, existe ainda uma distinção fundamental para qualquer investidor que analise este mercado.
Por um lado, algumas empresas são beneficiárias de primeira ordem. Participam diretamente no fabrico ou no fornecimento de componentes utilizados nos sistemas NVIDIA.
Por outro lado, outras são beneficiárias de segunda ordem. Ganham porque a instalação de mais GPUs exige mais infraestrutura à sua volta.
Ainda assim, esta diferença é importante. Não devemos chamar a todas as empresas ligadas ao ecossistema de AI “fornecedoras da NVIDIA”. Mas podemos fazer uma pergunta mais interessante: quem ganha economicamente quando milhões de novos GPUs têm de ser instalados, ligados, alimentados e arrefecidos?
Onde pode estar a próxima oportunidade?
De facto, durante a primeira fase do boom de AI, grande parte da atenção do mercado concentrou-se nos próprios GPUs. A próxima fase pode ser diferente.
À medida que a quantidade de compute instalada aumenta, os estrangulamentos também começam a mudar. Primeiro faltavam GPUs. Depois surgiu a pressão sobre a HBM. Agora, connectivity, optical networking, energia e arrefecimento tornam-se progressivamente mais importantes.
Por isso, uma das perguntas que considero mais relevantes para os próximos anos não é simplesmente: “Quem produzirá o melhor chip de AI?” Mas antes: “Onde aparecerá o próximo estrangulamento à medida que o AI compute continuar a crescer?”
Por conseguinte, é precisamente nesses estrangulamentos que podem surgir algumas das oportunidades de investimento mais interessantes da próxima etapa do ciclo.
Em suma, a NVIDIA pode continuar a ser o motor da revolução da AI. Mas o valor económico criado por esse motor poderá espalhar-se por uma cadeia de infraestrutura muito maior do que muitos investidores ainda imaginam.
Este artigo representa exclusivamente a minha opinião e tem finalidade educativa. Não constitui recomendação de investimento. Todo o investimento envolve risco e cada investidor deve fazer a sua própria análise antes de tomar decisões.
