Na WAIC 2026, a SenseTime apresentou uma resposta contraintuitiva à crise de computação: pare de tentar construir um chip mais forte — divida a corrida em etapas e deixe chips diferentes correrem um revezamento.
Isso não é uma teoria de slide. A SenseTime tem o sistema rodando em produção e — pela primeira vez — um cluster de inferência híbrido com participação de chips chineses nacionais é lucrativo em implantações reais com clientes. Junto com o anúncio, a SenseTime estabeleceu uma meta de 10 trilhões de tokens por dia até o fim do ano, um aumento de 25× desde o início do ano.
Os Agentes Estão Levando a Demanda por Computação ao Limite
O último ano trouxe uma mudança fundamental: os grandes modelos passaram de “fazer companhia às pessoas” para “fazer trabalho”. As estimativas mais recentes da Universidade de Michigan e de Stanford mostram que, em tarefas reais de engenharia de software, um agente de código processa cerca de 154 tokens de entrada para cada 1 token de saída — e esses agentes não comem uma vez por dia; eles funcionam 24/7.
O consenso da indústria estima que a demanda por computação de inferência neste ano é de 5 a 10 vezes a do ano passado. Enquanto isso, a oferta das placas de alto desempenho da NVIDIA quase não cresceu. Demanda explodindo contra oferta estagnada — a indústria inteira faz a mesma pergunta: e agora?
A Intuição do Triathlon: Separar Prefill de Decode
A ideia da SenseTime vem de uma analogia simples — o triathlon. Em vez de um único atleta nadar o trajeto inteiro, três especialistas cada um cumpre sua etapa mais forte. Toda inferência de grandes modelos se divide em duas operações:
-
Prefill (ler a pergunta): ingerir os documentos, contexto e histórico do usuário — um trabalho de throughput de computação.
-
Decode (escrever a resposta): emitir tokens um por um — um trabalho de largura de banda de memória.
Tradicionalmente, uma única placa faz tudo do início ao fim. A SenseTime divide o fluxo de trabalho: as placas nacionais de uso geral executam o Prefill — seu throughput de computação é competitivo, então a tarefa lhes serve — enquanto as placas de alto desempenho da NVIDIA executam o Decode, sua força absoluta. Isso é inferência híbrida heterogênea: não é pedir que os chips nacionais enfrentem a NVIDIA de frente, mas atribuir a cada placa o trabalho que ela faz melhor.
Quão Difícil É a Implantação? 30 Nós de Prefill por Nó de Decode
Fácil de dizer, brutal de construir. Um sistema puramente NVIDIA precisa de 4 nós de Prefill por nó de Decode; com chips nacionais, a proporção vai para 30:1 — a complexidade de rede, de agendamento e de tolerância a falhas dispara de uma vez. O cientista-chefe da SenseTime, Zhang Xingcheng, reconheceu os anos de trabalho pouco glamouroso por trás disso: compiladores, operadores, rede, cache, agendamento, tolerância a falhas, camada por camada. Só após ajustes em nível de sistema é que esse sistema heterogêneo — muito mais intrincado do que qualquer equivalente puramente NVIDIA — sustenta estabilidade de longo prazo com 99,9% de confiabilidade. Os modelos convencionais adaptados incluem GLM 5.2, DeepSeek V4, Kimi K2.7, MiniMax M3 e SenseNova V6.7.
O Avanço: A Computação Nacional Finalmente Ganha um Lugar na Mesa
A antiga história da computação nacional era: autonomia importa → nossos chips funcionam → e nada mais. Rodável, mas antieconômico; utilizável, mas invendável. A surpresa desta vez: um cluster híbrido com participação de chips nacionais é realmente lucrativo. A definição do cofundador da SenseTime, Yang Fan, é inequívoca: receita cobrindo depreciação, amortização, aluguel de rack, eletricidade e equipe de serviço, com margem de sobra. Dinheiro de verdade.
Três passos fizeram isso funcionar:
-
Extrair o máximo do silício nacional: otimização direcionada em três fornecedores nacionais diferentes elevou o MFU (utilização efetiva) por placa cerca de 2× em relação aos padrões de fábrica — a melhor placa ganhou 152%.
-
Mais saída por dó: contra inferência totalmente nacional de mesmo custo, o híbrido heterogêneo produz 2,5× mais tokens.
-
Escalar: 400 bilhões de tokens/dia no início do ano → projeção de 2,42 trilhões/dia no fim de julho → meta de 10 trilhões/dia até o fim do ano. Um ano de 25×.
Pela primeira vez, a computação nacional entrou no mercado comercial real sem esperar que uma única placa igualasse totalmente a NVIDIA — a divisão de trabalho em nível de sistema chegou lá antes.
A Fábrica de Tokens: Gerenciando Computação Como uma Planta
Por que a SenseTime lucra com as mesmas placas nacionais onde outros têm prejuízo? Yang Fan é direto: muitos autoproclamados provedores de computação são essencialmente detentores de máquinas para os grandes laboratórios sob contratos longos de locação — um serviço financeiro, não uma operação. Imagine uma fábrica em que o prédio, as máquinas, a linha de montagem, o armazém e as vendas pertencem cada um a uma empresa diferente; esqueça a otimização, só as reuniões já consomem a margem. A SenseTime opera com controle de ponta a ponta: da física da instalação aos servidores, arquitetura de rede, compiladores, operadores, frameworks, o motor de inferência, o agendamento e, por fim, o tráfego de tokens dos clientes, uma única organização detém toda a cadeia. Nenhum elo isolado é necessariamente a maior prancha — juntos, eles criam espaço para otimização em nível de sistema. A lógica da fábrica de tokens se aplica com clareza: os chips são as máquinas, a rede é a linha de montagem, o cache KV é o armazém, o agendamento é o gerente da planta, a eletricidade é a matéria-prima e os tokens são o produto.
Outra Dimensão de Coordenação: Eletricidade
Uma vez que chips, rede e negócio estão conectados de ponta a ponta, a otimização alcança a conta de luz. No datacenter de Lingang, a SenseTime implantou armazenamento de energia com a CATL, fazendo agendamento elástico contra tarifação por horário de uso e previsão de computação: produção de tokens por unidade de eletricidade cerca de 80% maior, custos de energia aproximadamente 10% abaixo dos pares regionais de IDC. Em 10 de julho, quando a rede elétrica de Xangai ficou sob pressão, a estatal emitiu uma resposta à demanda e a instalação da SenseTime em Lingang liberou 75% de sua capacidade em duas horas, economizando 46.000 kWh. Grandes datacenters de IA estão se tornando as baterias virtuais da rede elétrica — reduzindo carga nos picos e operando a todo vapor na inferência nos vales.
De Uma Fábrica a uma Rede: o Projeto Galaxy e Computação Espacial
A fábrica de tokens funciona, mas a excelência de ponta a ponta de uma empresa não pode sustentar todo um ecossistema. Na WAIC, a SenseTime lançou o Projeto Galaxy, unindo fabricantes de chips nacionais — Cambricon, MetaX, Huawei Ascend, Moore Threads — e provedores de infraestrutura, incluindo a SiliconFlow, com quatro metas: 1 fábrica de tokens, clusters nacionais de 50 mil placas, 10 direções técnicas cocriadas e mais de 200 organizações de startups de IA. Mais adiante, três caminhos de fronteira estão em andamento: computação óptica para reduzir a energia de movimentação de dados, computação quântica para otimização em alta dimensão além do alcance clássico e computação espacial — um acordo assinado com a CAS Space para lançar quatro satélites de computação “SenseTime” no quarto trimestre de 2026, um backbone híbrido comercial satélite-terra até 2028 e uma constelação de IA integrada com mil satélites como meta para 2030. O raciocínio de Yang Fan sobre o espaço: a jogada da China não é que o poder de processamento terrestre seja caro demais — é que enormes áreas do mundo não têm cobertura 3G ou 4G, e a computação hospedada em satélites é o caminho mais eficaz para alcançá-las.
A Lógica do Vencedor Muda na Era dos Agentes
Por anos, a competição em infraestrutura de IA parecia uma corrida armamentista: mais GPUs, maior pico de FLOPS, datacenter mais espetacular. Na era dos agentes, esse manual está falhando. O modelo não se importa em qual placa roda; o usuário não se importa com quantos P de computação estão no seu porão. Eles se preocupam com três coisas: os tokens são rápidos, são baratos e o serviço é estável. O vencedor de amanhã não é necessariamente a empresa com mais GPUs — é aquela que melhor organiza chips diferentes, preços de energia diferentes, modelos diferentes e tarefas diferentes em uma linha de produção eficiente. O que a SenseTime mostrou na WAIC 2026 é mais do que um esquema nacional de inferência heterogênea. É uma resposta inicial a uma pergunta maior: quando a IA realmente entrar em produção em massa, como deve ser a fábrica da próxima geração?
Referências: cobertura do Synced, “Agentes explodem a computação? Uma nova espécie da China: 10 trilhões de tokens por dia, com lucro” · anúncios oficiais da SenseTime na WAIC 2026
