NVIDIA Vera Rubin NVL72 entra em produção total: 10x menos custo por token e 4x menos GPUs para treinar MoE

Resumo: A NVIDIA confirmou que a plataforma Vera Rubin NVL72 — sua próxima geração de “fábricas de IA” — entrou em produção total no primeiro semestre e começa a ser embarcada por AWS, Google Cloud, Microsoft, Oracle, CoreWeave, Lambda, Nebius e Nscale ainda neste segundo semestre de 2026. Os números divulgados são agressivos: 10x mais throughput de inferência e 10x menos custo por token comparado ao Blackwell, com um quarto do número de GPUs para treinar modelos MoE de fronteira.

O que é a Vera Rubin NVL72

A plataforma acopla dois chips inéditos: a CPU Vera, com 227 bilhões de transistores em núcleos Arm customizados “Olympus” (88 cores, 176 threads via Spatial Multi-Threading), até 1,5 TB de LPDDR5x e 1,2 TB/s de banda de memória; e a GPU Rubin, sucessora direta do Blackwell. Um rack NVL72 combina 72 GPUs Rubin com 36 CPUs Vera e entrega 260 TB/s de banda de scale-up — mais que o dobro do NVL72 Blackwell atualmente em campo. O objetivo declarado é resolver o gargalo de inferência em cargas agênticas de raciocínio longo (chain-of-thought, deep reasoning, multi-agent), onde o número de tokens gerados por consulta explodiu nas últimas 18 semanas.

Uma métrica que vale destaque: US$ por milhão de tokens

A comparação mais didática que a NVIDIA faz é a de custo por milhão de tokens gerados: o Rubin entrega o mesmo trabalho por 10% do preço do Blackwell equivalente. É o tipo de salto que muda projeto: cargas antes economicamente inviáveis — como agentes que rodam 24 horas por dia varrendo bases de conhecimento internas — passam a caber no orçamento de um SaaS mediano.

Por que importa — e o status no Brasil

O Brasil já é o maior mercado latino-americano de GPU para IA, mas continua sem uma “AI factory” hyperscaler local em Rubin. A previsão é de que o primeiro pod NVL72 chegue ao país no Q4 2026, provavelmente via Oracle Cloud (região Vinhedo) e Microsoft Azure (região São Paulo). Para times brasileiros, isso significa três coisas práticas:

• Latência regional: quem hoje puxa GPU H200 ou B200 dos EUA para inferência agêntica vai ver latência p95 cair de 350-500 ms para 60-120 ms local.
• Economia direta: cargas de inferência em produção devem sofrer pressão deflacionária forte a partir do Q4. Contratos anuais assinados este mês podem ficar cariíssimos comparativamente.
• Soberania de dados: a Rubin no Brasil habilita fluxos com dados regulados pela LGPD sem depender de trânsito internacional — importante para saúde, finanças e setor público.

Riscos e limitações

Nem tudo é linear. Primeiro, os ganhos de 10x foram medidos em cargas de inferência de LLMs Mixture-of-Experts em contextos específicos; workloads clássicos de fine-tuning e inferência denseana podem ver benefícios menores (3-5x). Segundo, o preço tabelado ainda não foi publicado — historicamente, quando a NVIDIA lança nova geração, a curva de custo cai só depois de seis a nove meses de disponibilidade. Terceiro, disponibilidade é um risco: os hyperscalers já estão em fila, e o CoreWeave sozinho reservou capacidade equivalente a bilhões de dólares. Startups brasileiras devem esperar até 2027 para acesso reservável.

Há também um problema de energia: cada rack NVL72 Rubin consome ordem de 130-150 kW. Datacenters brasileiros médios operam a 8-12 kW por rack; migrar exige investimento pesado em refrigeração líquida direta ao chip e alimentação trifásica dedicada.

SWOT econômica

Cenário: o mapa dos próximos 12 meses

Três dinâmicas se cruzam. Primeiro, o custo cai. Se a Rubin realmente entregar 10x no bolso, esperem preço-lista de inferência LLM despencar 40-60% em 2027 nos principais provedores. Segundo, a corrida agêntica vai se acirrar: quem tiver Rubin cedo (Amazon, Google, Microsoft) vai priorizar seus próprios modelos internos (Nova, Gemini, Phi) para consumir ciclos. Terceiro, o mercado de silício alternativo (Cerebras, Groq, SambaNova, Tenstorrent) intensifica pressão em nichos onde Rubin é excessivo — inferência de baixa latência, edge, redes neurais especializadas.

Para o Brasil, o efeito prático nos próximos 12 meses será um desnivelamento entre players: empresas nativas de nuvem hyperscaler ganham vantagem competitiva rápida; empresas em datacenter próprio ou em nuvens brasileiras médias vão ficar 12-18 meses atrás em preço-desempenho.

Conclusão prática

Se você mantém carga significativa de inferência LLM em produção, três ações fazem sentido hoje: (1) renegocie contratos anuais para permitir re-pricing semestral; (2) planeje projeto piloto na primeira região Rubin brasileira disponível — provavelmente OCI ou Azure ainda em 2026; (3) inclua no roadmap de arquitetura a possibilidade de mover fine-tuning para uma única “sprint” de treino Rubin em vez de rodar meses em Blackwell — o custo total pode virar menor.

Para líderes de tecnologia em setor público e regulado, a Rubin abre uma janela de conversa com o CTIC e ANPD sobre soberania — se o Serpro ou a Dataprev conseguirem contratar um pod Rubin dentro do território nacional, o argumento de “IA soberana” ganha fundamento técnico.

Fonte original: NVIDIA Newsroom — Rubin Platform; NVIDIA Technical Blog — Inside the Vera Rubin Platform; Tom’s Hardware — Vera Rubin NVL72.