Como a GPU soma 1 milhão de salários em 20 passos

17 de agosto de 2026 · 6 min de leitura

Por que a inteligência artificial moderna precisa tanto de GPU?

Deixa eu te contar uma coisa que eu acho bonita nessa história antes de responder. Em 2012, quando o Geoffrey Hinton e a equipe dele treinaram a AlexNet usando GPUs, eles mudaram para valer a história da inteligência artificial. Não foi só um resultado melhor num concurso de reconhecimento de imagem. Foi a demonstração de que dava para treinar rede neural grande em tempo humano, com hardware que qualquer laboratório conseguia comprar.

E as GPUs são herança direta dos videogames. A gente passou anos construindo máquinas para calcular milhões de pixels ao mesmo tempo, quadro após quadro, só para o jogo rodar liso. Foi essa máquina, feita para desenhar tiro e explosão, que destravou a IA moderna.

A placa de vídeo foi criada para calcular milhões de pixels ao mesmo tempo, quadro após quadro. É a mesma habilidade que a rede neural precisa, e foi isso que a AlexNet mostrou em 2012.

Repare no que os dois problemas têm em comum. Desenhar um quadro de jogo é fazer a mesma conta simples para cada pixel da tela, e não existe motivo para esperar um pixel ficar pronto antes de calcular o outro. Treinar uma rede neural é fazer a mesma conta simples para cada peso da rede, e também não existe motivo para esperar. A placa não precisou ser reinventada para servir à IA. Ela já era exatamente o que a IA precisava.

Agora, para você entender o motivo no detalhe, eu vou usar o exemplo que eu sempre conto para os meus alunos do IFG e da UFG: o problema do somatório de 1 milhão de salários.

Uma pessoa sozinha

Imagina que você precisa descobrir a soma de 1 milhão de salários. Como é que você faz? Vai somando um salário após o outro, carregando o resultado até o fim. Simples, né? Mas dá um trabalho danado.

A pergunta é: quantos passos isso vai custar?

Exatamente 999.999 passos. É sempre n menos 1.

E olha o ponto importante, porque quase todo mundo erra essa parte: o problema não é que essa pessoa é lenta para somar. Ela pode ser um gênio da aritmética, somar cada par em um piscar de olhos. O problema é que ela só consegue executar uma soma por vez.

Um somador só recebe a fila inteira de salários. Cada soma depende do resultado da anterior, e por isso são 999.999 passos, um atrás do outro.

Isso é a CPU. Ela é rapidíssima em cada operação individual, e é exatamente por isso que ela é boa no que faz: seguir uma receita, passo a passo, tomando decisão a cada linha. Mas ela trabalha de forma serial. Se o seu problema tem um milhão de contas independentes empilhadas, a velocidade de cada conta deixa de importar. O que importa é a fila.

Agora você pode contratar gente

Imagina que você possa contratar pessoas para te ajudar. E não existe limite, você contrata quantas quiser.

Quantas pessoas você contrataria? Mais 10, mais 100, mais 1000?

Eu vou te dar um número bacana: contrate 500 mil.

E por que 500 mil? Porque como eu tenho 1 milhão de salários, eu entrego dois valores para cada somador. Quando todo mundo estiver pronto, você grita: somem agora. E todos somam ao mesmo tempo.

Isso é importante, porque a GPU trabalha exatamente assim: ela executa uma ação em cima de um conjunto de dados ao mesmo tempo. Cada pessoinha dessas, dentro do computador, é como se fosse um microcomputador dentro da GPU.

Cada somador recebe dois valores e espera. Quando vem a ordem, todos somam no mesmo instante, e o milhão de valores vira meio milhão num passo só.

Resultado da primeira rodada: 500 mil valores. O problema caiu pela metade.

Agora demite metade

Se agora eu tenho 500 mil resultados, quantos somadores eu preciso? Metade: 250 mil.

Mas eu contratei 500 mil, Sandeco. E agora? Ora, demite a metade. Passa no RH e vamos embora.

Entrega dois valores para cada um dos que ficaram, manda somar, e sobram 250 mil. Repete. E repete.

As rodadas vão encolhendo até sobrar 8 valores, depois 4, depois 2, depois 1. Esse último é a resposta.

A cada rodada metade dos somadores é dispensada, porque metade dos valores já sumiu. O time encolhe junto com o problema, até sobrar um.

A conta dos passos

Antes de eu te dar o número, olha o desenho abaixo. Ele coloca as duas contas lado a lado: a fila de uma pessoa só à esquerda, e as rodadas caindo pela metade à direita.

Uma pessoa somando um par por vez precisa de 999.999 passos. Meio milhão de somadores trabalhando juntos, em rodadas que caem pela metade, chegam ao mesmo resultado em 20 passos.

Não sei se você percebeu, mas o fato de a gente reduzir sempre pela metade tem um cálculo: é log de n, o mesmo custo de trabalhar com árvore binária. Com n igual a 1 milhão, log dá 20.

Olha esse número, cara. A gente saiu de 999.999 etapas sequenciais para 20 etapas.

E perceba uma coisa que o número esconde: a quantidade total de somas não mudou. Continuam sendo 999.999 somas, a mesma conta, o mesmo trabalho. O que mudou foi quanta coisa acontece ao mesmo tempo. Você não economizou esforço, você economizou espera.

Esse aqui é o verdadeiro poder da GPU.

Por que a IA não vive sem isso

Existem tipos de problema em que milhares de operações precisam ser executadas em paralelo, ao mesmo tempo. E o treinamento de rede neural é o exemplo perfeito disso.

Quando você treina um modelo, o que está acontecendo por dentro é multiplicação de matriz, uma atrás da outra, em cima de tensores enormes. Cada entradinha do resultado é uma soma de produtos, e nenhuma delas depende da outra. É o problema do somatório de salários, só que repetido bilhões de vezes.

Matrizes e tensores entram, milhares de núcleos fazem a mesma operação ao mesmo tempo, e o resultado volta em uma fração do tempo. Sem paralelismo, o treino não termina em tempo útil.

É por isso que, para treinar uma rede grande como GPT, Claude ou DeepSeek, com aquela quantidade explosiva de dados, se você não tem GPU nem adianta começar a tentar. A verdade é essa: vai demorar tanto que não compensa. Não é que fica lento, é que o projeto deixa de existir, porque nenhuma pesquisa espera um resultado que chega daqui a dez anos.

E a GPU não é só um processador mais rápido, não. Guarde isso, porque é o erro mais comum de quem está chegando agora. Se você comparar um núcleo de CPU com um núcleo de GPU numa tarefa sequencial, a CPU ganha. A GPU é uma arquitetura poderosa quando existe muito trabalho em paralelo, e só nesse caso. Você entra com matrizes e tensores, milhares de operações acontecem simultaneamente, e o resultado volta numa fração do tempo.

Por isso a gente precisa tanto de GPU. Não porque ela é mais rápida, mas porque ela é muita gente somando ao mesmo tempo.