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

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 correção de erros e decodificação 2,5 vezes superior ao padrão do setor, e precisão 3 vezes maior.

Ações relacionadas à 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 biblioteca de unidades padrão de chips de IA foi transferida de 8 pessoas em 10 meses 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 maiores desafios de engenharia: tornar os computadores quânticos realmente utilizáveis e tornar o próprio 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 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 da Nvidia, com uma tarefa atingindo um aumento de eficiência de várias centenas de vezes.

Duas pistas apontam para um mesmo julgamento: a IA está passando de uma ferramenta de “camada de aplicação” para uma “infraestrutura de infraestrutura”, 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 quântico apresenta cerca de um erro a cada mil cálculos. Para que um computador quântico seja útil, a taxa de erro deve cair abaixo de um 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 atual 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, o Laboratório Nacional Fermi, a IQM Quantum Computers, o Lawrence Berkeley National Laboratory, e o National Physical Laboratory do Reino Unido.

Ações relacionadas à 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 das 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 conjunta foi bastante notável.

Vale destacar que o impulso dessa rodada de mercado não se deve apenas ao lançamento do Ising. No mesmo dia, IonQ anunciou avanços na 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

O Ising aponta para uma aceleração na indústria externa, enquanto a Nvidia usa IA para transformar seu próprio processo de design de chips.

William Dally, cientista-chefe da Nvidia, revelou em uma conversa na GTC 2026 com Jeff Dean, cientista-chefe do Google, vários casos concretos. O mais impactante foi a transferência da biblioteca de unidades padrão: sempre que a Nvidia migra para um novo processo semicondutor (por exemplo, de 7 nm para 5 nm), precisa redesenhar cerca de 2.500 a 3.000 unidades padrão para se adaptar à nova tecnologia, tarefa que antes levava 8 engenheiros cerca de 10 meses. Agora, a Nvidia desenvolveu uma ferramenta de aprendizado por reforço chamada NVCell, que pode concluir esse trabalho em uma noite em uma GPU, produzindo unidades que igualam ou superam as feitas por humanos em termos de área, consumo de energia e latência.

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

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 mais experientes. Ele descreveu o Chip Nemo como “um mentor muito paciente”.

Na otimização de circuitos, a Nvidia também aplica aprendizado por reforço em problemas clássicos como cadeias de previsão de avanço. Dally afirmou que as soluções geradas pela IA “são completamente estranhas para os humanos, mas têm desempenho 20% a 30% melhor do que as soluções humanas”.

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

No entanto, Dally também estabeleceu limites claros para as expectativas. Ele disse que gostaria de alcançar um design de ponta a ponta totalmente automatizado, mas ainda está longe desse objetivo.

Atualmente, o design de chips de IA da Nvidia é auxiliar, não substituto. 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 completo e automatizado de ponta a ponta. Dally imagina um futuro com múltiplos agentes de IA, cada um responsável por diferentes etapas do projeto, semelhante à divisão de tarefas em equipes humanas de engenharia.

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