Uma fábrica de IA reúne computação acelerada e software para processar dados ao longo do ciclo de inteligência artificial. Para conectar essa infraestrutura, Gilad Shainer, vice-presidente sênior de Networking da NVIDIA, descreveu cinco funções de rede em uma entrevista publicada por Linda Hardesty na Fierce Network em 14 de outubro de 2026. A NVIDIA define a fábrica de IA como uma estrutura voltada a etapas que vão da ingestão de dados e do treinamento à inferência; as funções de rede detalham como diferentes partes dessa estrutura se conectam.
As cinco funções de rede de uma fábrica de IA
A classificação apresentada por Shainer organiza a rede conforme o que cada conexão precisa fazer: aproximar GPUs, ligar racks e centros de dados, dar suporte ao armazenamento para inferência e controlar o acesso. A Fierce Network relatou as cinco funções e seus exemplos.
| Função | Tarefa descrita | Exemplo ou aplicação |
| scale-up | Conecta GPUs dentro de um sistema em escala de rack. | No Vera Rubin NVL72, a reportagem descreve 72 GPUs Rubin e 36 CPUs Vera; o NVLink faz a conexão scale-up. |
| scale-out | Conecta racks para ampliar o conjunto de computação. | Shainer citou treinamentos que podem envolver centenas de milhares de GPUs. |
| scale-across | Conecta centros de dados separados para que operem como um conjunto. | Shainer citou a falta de energia suficiente em um único local como uma razão para ligar centros de dados. |
| context-scale | É uma rede de armazenamento que dá suporte à inferência. | A função trata do acesso aos dados usados nessa etapa da IA. |
| scale-in | Abrange o acesso seguro de usuários e a segurança dos agentes que operam na fábrica de IA. | Reúne a conexão de quem usa a infraestrutura e a proteção dos agentes que trabalham nela. |
Os nomes descrevem funções diferentes, não cinco versões da mesma conexão. O scale-up atua dentro do sistema; o scale-out liga racks; o scale-across aproxima instalações distintas. Context-scale e scale-in tratam, respectivamente, do armazenamento para inferência e do acesso seguro.
Por que o trabalho das GPUs exige sincronização
Em um trabalho distribuído, as GPUs dividem o problema, calculam partes e reúnem os resultados antes de avançar para a etapa seguinte. Na explicação de Shainer, se os dados chegam em momentos diferentes, o grupo pode ter de esperar pelas GPUs que ainda não terminaram. Assim, a coordenação da rede afeta o ritmo com que o conjunto prossegue, não apenas a quantidade de dados que consegue transportar. A Fierce Network relatou essa explicação de Shainer.
Cobre para conexões curtas, fibra para as longas
Shainer descreveu o cobre como uma opção para conexões curtas, inclusive dentro e entre racks, e a fibra óptica para distâncias maiores. Ele também destacou custo, confiabilidade e baixo consumo de energia do cobre em links curtos. A escolha do meio depende, portanto, da distância da conexão; a explicação não define um limite numérico para essa divisão. A reportagem da Fierce Network atribui essa distinção a Shainer.
Um mapa de funções não é uma lista de compras
Os cinco papéis ajudam a entender que conexões uma fábrica de IA precisa atender, mas não determinam, por si sós, uma pilha completa de um único fornecedor. A NVIDIA apresenta suas fábricas de IA como infraestrutura e software integrados em um ecossistema de parceiros. A Cisco, por sua vez, descreve sua Secure AI Factory com switches de data center baseados em Cisco Silicon One ou NVIDIA Spectrum-X, além de componentes de segurança, observabilidade, software e armazenamento.
A proposta da Cisco é um exemplo de implementação comercial; a taxonomia de Shainer é um mapa das funções de rede. Essa distinção permite avaliar uma arquitetura pelo que cada camada precisa fazer, sem tratar os cinco nomes como uma especificação fechada de equipamentos.
