O que aconteceu
A NVIDIA lançou o DSX MaxLPS, um sistema de nível local que combina alocação dinâmica de energia, ajuste de GPU específico para carga de trabalho e design de refrigeração líquida de 45 °C. Seu software Dynamic Power está em Developer Preview e tem como objetivo redistribuir a energia não utilizada entre racks e GPUs gerenciados.
Em 21 de agosto de 2026, a NVIDIA publicou um blog técnico apresentando o DSX MaxLPS, que expande como Maximum Land Power Shell. O termo refere-se às três restrições fixas que moldam uma fábrica de IA: terreno, energia elétrica e o edifício físico que contém distribuição de energia, refrigeração, rede e equipamentos de computação. A NVIDIA apresenta o MaxLPS como uma combinação de alocação dinâmica de energia, técnicas de software para melhorar a produção em um nível de potência fixo e design de local baseado na operação de entrada com refrigeração líquida a 45 °C. A empresa descreve o sistema como uma forma de aumentar o rendimento dentro de uma instalação existente, e não como uma forma de aumentar o fornecimento total de energia do local.
O software Dynamic Power da NVIDIA está atualmente em Developer Preview. Segundo a fonte, ele modela a hierarquia do data center desde a conexão da concessionária até grupos, racks, nós e GPUs. Os operadores definem orçamentos de energia, grupos de recursos e políticas; o software então compara a energia alocada com o consumo real e disponibiliza espaço não utilizado para outros equipamentos dentro do mesmo grupo gerenciado. Ele também coleta telemetria de energia e pode responder a eventos no nível do local, condições de manutenção ou políticas de emergência com base no melhor esforço. A NVIDIA diz que o DSX Exchange, um barramento de eventos de código aberto que também está no Developer Preview, pode conectar o software de energia com sistemas de gerenciamento predial, monitoramento elétrico, infraestrutura de resfriamento, interfaces de rede e programadores de computação, mas diz que a camada de troca não é necessária para o funcionamento do MaxLPS.
A fonte ilustra o problema com dois exemplos. Em uma cascata de orçamento de energia de 100 MW, a NVIDIA atribui 20 MW para despesas gerais da instalação, 10 MW para perdas de rack e 10 MW para ineficiências operacionais envolvendo falhas, reinicializações e pontos de verificação, deixando 60 MW para carga de IA. Ele descreve separadamente um orçamento de local de 540 kW no qual os fios de provisionamento estático de 170 kW e o provisionamento dinâmico permitem outro rack. Estes são apresentados como figuras ilustrativas e não como medições de um data center operacional nomeado. A NVIDIA também relata avaliações de inferência representativas nas quais a potência do rack provisionado caiu de 125 kW para 90 kW no GB200 NVL72 e de 136 kW para 101 kW no Vera Rubin NVL72. Ela afirma que essas mudanças preservaram o rendimento da carga de trabalho, permitiram 39% e 35% mais racks, respectivamente, e melhoraram o desempenho por watt em cerca de 1,5 vezes e 1,3 a 1,4 vezes. As cargas de trabalho testadas foram DeepSeek-R1 e Kimi-K2.5. A fonte fornecida não fornece validação independente ou protocolos de teste completos.
Leia a fonte primária: developer.nvidia.com ↗
Por que isso importa
Os data centers de IA estão cada vez mais limitados por eletricidade, refrigeração e infraestrutura física. Se as reivindicações da NVIDIA se mantiverem em implantações independentes, o sistema poderá aumentar a produção útil de IA das conexões de energia existentes, mas a fonte não estabelece os custos, a confiabilidade ou a eficiência mais ampla da abordagem.
A eletricidade está a tornar-se um constrangimento direto à expansão da infraestrutura de IA. Um data center pode ter terreno, equipamentos de rede e espaço em rack disponíveis, mas ainda assim não conseguir energizar mais GPUs porque sua conexão de serviços públicos, equipamentos de distribuição ou planta de resfriamento atingiram seu limite de projeto. A proposta da NVIDIA visa uma ineficiência específica nesse arranjo: os racks são frequentemente provisionados para picos de demanda, mesmo que as cargas de trabalho passem por fases como picos de computação, execução vinculada à memória, sincronização, checkpoint, pré-preenchimento e decodificação. Se a energia puder ser transferida com segurança durante essas mudanças, uma instalação poderá produzir inferências ou resultados de treinamento mais úteis sem garantir imediatamente outra conexão de energia.
A abordagem também mostra por que este é um projeto de instalações e não uma otimização apenas de software. A NVIDIA diz que os sites devem ser projetados em torno de um envelope de energia bruta fixo e, em seguida, dimensionados para distribuição de energia, resfriamento, rede e posições de rack que possam suportar a contagem pretendida de GPU a longo prazo. A empresa recomenda planejar a operação de entrada de resfriamento direto de líquido a 45 °C para sistemas Vera Rubin NVL72. O líquido refrigerante mais quente pode permitir que resfriadores secos ou outras formas de resfriamento gratuito lidem com uma maior carga anual de rejeição de calor, reduzindo a dependência de resfriadores mecânicos em climas adequados. Esse potencial depende do clima local, dimensionamento de equipamentos, redundância e controles. Instalações que não foram projetadas para as temperaturas, circuitos de líquidos ou flexibilidade de energia relevantes podem não ser capazes de capturar os ganhos reivindicados sem um trabalho de retrofit significativo.
Para as operadoras, o atrativo prático é a opcionalidade. Um local poderia inicialmente ocupar menos racks enquanto cargas de trabalho com treinamento intenso consumissem mais energia e, em seguida, adicionar hardware posteriormente se o mix de cargas de trabalho mudasse para inferência e a demanda média de racks caísse. Isso poderia mudar o momento dos gastos de capital e da expansão das instalações. Por si só, não reduz a procura total de eletricidade proveniente da IA nem prova que serão construídos menos centros de dados. Mais capacidade dentro de um envelope existente poderia, em vez disso, tornar economicamente viáveis serviços adicionais de IA. A fonte não menciona clientes, escala de implantação, custo de aquisição, economia anual medida de energia, consumo de água, taxa de falhas ou impacto no nível de serviço. Suas reivindicações centrais de capacidade e desempenho continuam sendo reivindicações da NVIDIA baseadas em avaliações representativas.
O que assistir a seguir
Os principais testes são se o Dynamic Power Software atinge a disponibilidade geral, se os operadores independentes reproduzem os ganhos relatados e como o sistema se comporta sob falhas, mudanças nas cargas de trabalho e condições climáticas extremas. O projeto térmico e elétrico necessário pode limitar a adoção em instalações existentes.
A primeira questão é a maturidade do produto. Dynamic Power Software e DSX Exchange são identificados como Developer Preview, portanto, seu hardware suportado, interfaces, garantias operacionais e disponibilidade de produção permanecem desconhecidos. A documentação futura deverá esclarecer como as políticas são aplicadas, com que rapidez a energia pode ser redistribuída, o que acontece quando a telemetria é atrasada ou errada e se as ações de emergência são determinísticas. A NVIDIA afirma que o circuito de controle opera com base no melhor esforço durante eventos de energia, uma limitação importante para instalações que devem manter redundância rigorosa e compromissos de serviço. Também será importante se o sistema pode funcionar com equipamentos e programadores fora da pilha da NVIDIA.
A segunda questão é a reprodutibilidade. Uma comparação útil publicaria a linha de base estática não gerenciada, configuração da carga de trabalho, número de execuções, definição de taxa de transferência, latência, taxa de erro de serviço, utilização de GPU e limites de medição de energia. A própria NVIDIA lista rendimento, latência, taxa de erro de serviço, consumo de energia, utilização e conformidade com políticas como métricas para uma validação de escopo, mas a fonte fornecida não fornece esses resultados na íntegra. Testes independentes em cargas de trabalho de inferência, treinamento e pós-treinamento mostrariam se as melhorias relatadas se generalizam para além dos dois casos de inferência representativos. Os resultados também devem ser separados dos ganhos causados por hardware mais recente, versões de software, alterações de rede ou ajustes específicos de carga de trabalho.
A terceira questão é a implantação física. Os operadores precisarão de evidências de locais com diferentes climas, arquiteturas de refrigeração, restrições de serviços públicos e requisitos de confiabilidade. O projeto de 45 °C pode reduzir o uso do chiller em alguns locais, mas pode exigir novos equipamentos de rejeição de calor, controles ou práticas de manutenção em outros. Os observadores devem verificar se as instalações podem adicionar as posições de rack prometidas sem expandir a distribuição elétrica, a capacidade de refrigeração ou a infraestrutura de rede, e se o sistema mantém a produtividade durante climas quentes, falhas, reinicializações e pontos de verificação. Até que esses resultados estejam disponíveis, o MaxLPS é melhor entendido como uma estratégia de infraestrutura e um software de visualização descritos pelo fornecedor, e não como um benchmark de eficiência estabelecido de forma independente em todo o setor.
