NVIDIA "Dia do Quantum" em dose dupla: modelo de IA de código aberto Ising impulsiona ações quânticas, IA interna completa o design de chips em uma noite, equivalente a 80 meses de trabalho

Autor: Claude, Deep Tide TechFlow

Deep Tide Introdução: Nvidia lançou em 14 de abril, o “Dia Mundial da Quântica”, a primeira família de modelos de IA quântica de código aberto, Ising, com velocidade de decodificação de correção de erros 2,5 vezes superior ao padrão do setor e precisão 3 vezes maior.

Ações relacionadas à computação quântica dispararam coletivamente no mesmo dia, IonQ subiu 18%, D-Wave subiu 15%. Na mesma data, o cientista-chefe William Dally revelou na GTC 2026 que a transferência do banco de unidades padrão de chips de IA de 8 pessoas em 10 meses foi comprimida para uma única GPU em uma noite, com resultados de design superiores aos feitos por humanos.

A Nvidia está usando IA para acelerar dois dos problemas mais difíceis da engenharia: tornar os computadores quânticos realmente utilizáveis e tornar o design de GPUs mais rápido e melhor.

No “Dia Mundial da Quântica” em 14 de abril, a Nvidia lançou a primeira família de modelos de IA de código aberto voltados para computação quântica, NVIDIA Ising, fazendo as ações relacionadas à computação quântica dispararem coletivamente. Na mesma época, o cientista-chefe da empresa, William Dally, revelou na GTC 2026 os avanços mais recentes na integração de IA no processo de design de chips internos da Nvidia, com uma tarefa atingindo um aumento de eficiência de várias centenas de vezes.

Duas pistas apontam para uma mesma conclusão: a IA está passando de uma “ferramenta de aplicação” para uma “infraestrutura fundamental”, acelerando tanto a indústria downstream (computação quântica) quanto a própria evolução do hardware de IA.

Primeiro modelo de IA quântica de código aberto do mundo, visando os dois maiores obstáculos da computação quântica

De acordo com o comunicado de imprensa da Nvidia em 14 de abril, a família de modelos Ising inclui inicialmente dois domínios: Ising Calibration e Ising Decoding, voltados para os dois principais obstáculos na implementação prática da computação quântica.

Os qubits dos processadores quânticos têm ruído inerente, atualmente o melhor processador apresenta uma taxa de erro de aproximadamente uma em mil operações. Para que um computador quântico seja útil, a taxa de erro precisa ser inferior a uma em um trilhão.

Ising Calibration é um modelo de linguagem visual com 35 bilhões de parâmetros, capaz de interpretar automaticamente os dados de medição do processador quântico e tomar decisões de calibração, reduzindo o processo de calibração de dias para horas. Ising Decoding é um par de modelos de redes neurais convolucionais 3D (otimizados para velocidade e precisão, respectivamente), usados para decodificação em tempo real de correção quântica, sendo 2,5 vezes mais rápido e 3 vezes mais preciso que o padrão de código aberto do setor pyMatching.

Sam Stanwyck, diretor de produtos quânticos da Nvidia, explicou na apresentação a lógica da estratégia de código aberto: fabricantes de hardware quântico têm características de ruído diferentes, e modelos de código aberto permitem que eles ajustem localmente com seus próprios dados, melhorando o desempenho e protegendo dados proprietários.

A declaração do CEO da Nvidia, Jensen Huang, foi ainda mais direta. Ele afirmou que a IA está se tornando a camada de controle das máquinas quânticas, transformando os frágeis qubits em sistemas de GPU quântica escaláveis e confiáveis.

De acordo com a Nvidia, várias instituições já adotaram o modelo Ising, incluindo a Harvard School of Engineering and Applied Sciences, Fermi National Accelerator Laboratory, IQM Quantum Computers, Lawrence Berkeley National Laboratory, e o National Physical Laboratory do Reino Unido.

Ações relacionadas à computação quântica dispararam coletivamente, IonQ subiu 18% em um dia

No dia do lançamento do Ising, as ações de conceitos quânticos nos EUA tiveram uma forte alta. Segundo dados do Yahoo Finance, IonQ subiu cerca de 18%, D-Wave Quantum cerca de 15%, Rigetti Computing cerca de 12%.

O pano de fundo dessa alta foi uma correção profunda nas ações de conceitos quânticos desde o início do ano. Até 14 de abril, IonQ caiu aproximadamente 22% no ano, D-Wave caiu cerca de 35%, Rigetti caiu cerca de 23%. A recuperação de dois dígitos naquele dia não mudou a tendência de baixa ao longo do ano, mas a movimentação coletiva foi notável.

Vale destacar que o impulso dessa rodada de valorização não se deve apenas ao lançamento do Ising. No mesmo dia, IonQ anunciou avanços em uma rede quântica e um contrato com a DARPA, enquanto Rigetti recebeu uma encomenda de 8,4 milhões de dólares do Centro de Desenvolvimento de Computação Avançada da Índia (C-DAC). Múltiplos catalisadores ampliaram o efeito setorial.

A instituição de análise Resonance prevê que o mercado global de computação quântica ultrapassará 11 bilhões de dólares até 2030. O relatório divulgado pela Quantum Economic Development Consortium (QED-C) no mesmo dia afirma que, em 2025, o mercado quântico global atingirá 1,9 bilhão de dólares, com crescimento de 14% no número de funcionários de empresas exclusivamente quânticas.

De 80 meses de trabalho para uma noite: IA está redesenhando o processo de design de chips da Nvidia

Ising aponta para o aceleramento externo, enquanto a Nvidia usa IA para transformar seu próprio processo de design de chips.

Na conversa com Jeff Dean, chefe de ciência do Google, na GTC 2026, William Dally revelou vários casos específicos. O dado mais impactante foi a transferência do banco de unidades padrão: toda vez que a Nvidia muda para uma nova tecnologia de semicondutores (por exemplo, de 7 nm para 5 nm), precisa redesenhar cerca de 2.500 a 3.000 unidades padrão para se adaptar ao novo processo. Antes, esse processo levava 8 engenheiros cerca de 10 meses. Agora, a Nvidia desenvolveu uma ferramenta de aprendizado por reforço chamada NVCell, que pode ser concluída em uma noite em uma GPU, produzindo unidades que igualam ou superam as feitas por humanos em área, consumo de energia e atraso.

Segundo Tom’s Hardware, Dally descreveu esse processo como um “jogo de videogame que corrige regras de design”, onde o aprendizado por reforço é especialmente eficaz na tentativa e erro.

Em um nível mais abstrato, a Nvidia criou modelos internos de linguagem grande, Chip Nemo e Bug Nemo, ajustados com dados proprietários acumulados ao longo de 30 anos, incluindo todo o código RTL, documentação de hardware e especificações de arquitetura de seus GPUs históricos. Dally explicou que engenheiros iniciantes podem fazer perguntas ao Chip Nemo, economizando tempo ao não precisar incomodar repetidamente designers seniores. Ele descreveu o Chip Nemo como “um mentor muito paciente”.

No nível de otimização de circuitos, a Nvidia também aplica aprendizado por reforço em problemas clássicos de design de circuitos, como cadeias de previsão de avanço. Dally afirmou que as soluções geradas por IA “são completamente estranhas para os humanos, mas têm desempenho 20% a 30% melhor do que o design humano”.

Ainda há um longo caminho para que a IA projete chips de forma totalmente autônoma

No entanto, Dally também delimitou claramente suas expectativas. Ele disse que deseja alcançar um estado de design de ponta a ponta, mas ainda está longe desse objetivo.

Atualmente, o design de chips de IA da Nvidia ainda é uma ferramenta de suporte, não uma substituição completa. A IA atua em etapas como transferência de unidades padrão, classificação e resumo de bugs, previsão de layout e roteamento, e exploração de espaço de arquitetura, mas ainda não há um fluxo de trabalho totalmente automatizado de ponta a ponta. A visão de longo prazo de Dally é um modelo de múltiplos agentes, onde diferentes sistemas de IA são responsáveis por diferentes etapas do projeto, semelhante à divisão de tarefas em equipes de engenharia humanas.

Segundo a Computer Weekly, Dally e Dean também discutiram o impacto da inteligência artificial nas ferramentas tradicionais de software: quando a velocidade de execução da IA supera a dos humanos, as ferramentas de software tradicionais, projetadas para humanos, se tornam gargalos de desempenho, exigindo uma reformulação desde ferramentas de programação até aplicações de negócios.