A US$ 700 milhões. É o que a Lumilens, startup californiana de interconexões ópticas, acabou de levantar pra fazer data centers de IA pararem de depender tanto de cobre. Segundo o Olhardigital.com.br, a rodada avaliou a empresa em US$ 5,5 bilhões — e isso diz muito sobre onde a indústria de infraestrutura pra IA está indo.
Mas o que isso significa pra quem programa? Vou te explicar pelo ângulo técnico que ninguém comenta.
O gargalo real da IA não é só GPU — é o que conecta as GPUs
Trabalho com treinamento de modelos distribuídos há anos. Na minha experiência, o que mata performance raramente é o chip em si. É o link entre os chips.
Quando você dispara um torch.distributed.all_reduce em 8 GPUs H100 dentro de um nó, parte significativa do tempo de treinamento está literalmente esperando dados atravessarem cabos. Em treino multi-node com NVLink ou InfiniBand, isso fica ainda mais óbvio na profilier do NCCL.
O cobre tem limite físico real:
- Atenuação severa em distâncias acima de 5 metros em taxas altas
- Crosstalk entre canais paralelos em PCIe Gen5/Gen6
- Consumo energético proporcional à taxa de transmissão (e cada watt no data center conta)
- Largura de banda limitada por porta física, exigindo mais cabos
Luz não tem esses problemas na mesma escala. Fibras ópticas transportam dados com atenuação ordens de grandeza menor, sem interferência eletromagnética, e podem multiplexar comprimentos de onda (WDM) pra multiplicar capacidade no mesmo filamento físico.
O que a Lumilens está propondo de diferente
A empresa quer substituir as interconexões elétricas servidor-a-servidor por transmissões fotônicas co-empacotadas. Pensa em transceivers ópticos integrados perto do chip — conversores que transformam pulsos elétricos em fótons sem precisar de placas de rede gigantes e dissipadores.
Segundo a reportagem do Olhar Digital, eles já começaram a enviar equipamentos para um grande provedor de nuvem (nome não divulgado). Fundada há apenas dois anos, já captou US$ 900 milhões no total. Quando vejo captações desse porte em tão pouco tempo, sei que hyperscalers estão colocando dinheiro de verdade na mesa — não é especulação.
O pool de investidores é curioso: Atreides, Bain Capital, Meritech, Seligman e Spark Capital. Tem gente com DNA de data center tradicional e gente com background puramente tech. Sinal de que o problema atravessa toda a indústria.
O cenário competitivo: não é monopólio, é corrida armamentista
A Lumilens não está sozinha. Esse mercado está esquentando rápido:
- Lightmatter (fundada em 2017): US$ 850 milhões captados, avaliada em US$ 4,4 bi em 2024. Vai além de interconexão — quer fazer computação fotônica direta, sem transistores.
- Celestial AI: comprada pela Marvell em fevereiro por US$ 3,25 bilhões. Abordagem similar de fotônica co-empacotada.
- Marvell, Broadcom, NVIDIA: todos tentando resolver do lado deles. NVIDIA com NVLink + Spectrum-X fotônico já anunciado.
Quando três empresas captam centenas de milhões na mesma janela de tempo pra resolver o mesmo problema, o problema é real e a solução ainda não tem dono. Isso é ótimo pra quem consome a tecnologia — competição barateia e acelera.
Na Prática: como medir o impacto da interconexão no seu código
Aqui vai um snippet real que rodo em produção pra benchmark honesto de comunicação distribuída. Salve como bench_interconnect.py e rode com torchrun --nproc_per_node=N bench_interconnect.py:
import torch
import torch.distributed as dist
import time
import os
def benchmark_allreduce(size_mb: int = 256, iterations: int = 10):
"""Mede latência e largura de banda efetiva de interconexão entre GPUs."""
rank = int(os.environ["RANK"])
world_size = int(os.environ["WORLD_SIZE"])
# Tensor de N MB em float32
n_elements = (size_mb * 1024 * 1024) // 4
tensor = torch.ones(n_elements, device='cuda')
# Warmup - primeiro all_reduce sempre é mais lento (JIT, caches)
for _ in range(3):
dist.all_reduce(tensor, op=dist.ReduceOp.SUM)
torch.cuda.synchronize()
# Benchmark real
start = time.perf_counter()
for _ in range(iterations):
dist.all_reduce(tensor, op=dist.ReduceOp.SUM)
torch.cuda.synchronize()
elapsed = time.perf_counter() - start
avg_ms = (elapsed / iterations) * 1000
# Fórmula padrão de BW em ring all-reduce: 2*(N-1)/N * size / time
bw_gbps = (size_mb * 8 * 2 * (world_size - 1) / world_size) / avg_ms
if rank == 0:
print(f"Size: {size_mb}MB | Latência média: {avg_ms:.2f}ms | BW: {bw_gbps:.2f} Gbps")
# Diagnóstico prático
if bw_gbps < 50:
print("⚠️ Interconexão limitada. Verifique se NCCL+NVLink/IB estão ativos.")
elif bw_gbps > 800:
print("✅ Provavelmente NVLink ou InfiniBand HDR/NDR.")
else:
print("ℹ️ Intermediário - provavelmente PCIe ou Ethernet de alto desempenho.")
def main():
dist.init_process_group(backend="nccl")
benchmark_allreduce()
dist.destroy_process_group()
if __name__ == "__main__":
main()Esse script te dá números honestos. Em NVLink intra-nó, vejo consistentemente 600-900 Gbps. Em Ethernet comum inter-nó, cai pra 25-50 Gbps. Em interconexão óptica de nova geração (que é o que a Lumilens quer entregar entre servidores), o objetivo é empurrar isso pra casa do Tbps com latência consistente.
A diferença muda completamente o perfil de modelos que você consegue treinar. Com BW baixo entre nós, você evita paralelismo de tensor e prefere data parallel puro. Com BW alto, ativa tensor parallel entre nós e modelos de centenas de bilhões de parâmetros ficam viáveis.
Erros Comuns: o que devs erram sobre rede em IA
Essas são armadilhas reais que vejo em produção:
1. Culpar a GPU quando o gargalo é comunicação
Quando um treino multi-GPU está lento, a primeira coisa a verificar é o profiler do NCCL e o torch.cuda.utilization. Não só o compute. Já otimizei “problemas de GPU” que eram puro tempo de espera em all-reduce.
2. Ignorar topologia do cluster
8 GPUs em uma máquina com NVLink vs 8 GPUs em duas máquinas com Ethernet 100G têm perfis de comunicação ordens de magnitude diferentes. A latência do segundo caso pode ser 100x maior por all-reduce. Sempre pergunte ao provedor qual é o fabric.
3. Usar backend="gloo" quando tem GPU disponível
Gloo é CPU-only. Com CUDA, NCCL é dezenas de vezes mais rápido. Já peguei gente rodando treino multi-GPU em Gloo há semanas sem perceber. Verifique sempre com torch.distributed.is_available() e os backends ativos.
4. Não fazer overlap de comunicação e computação
NCCL suporta operações assíncronas. Se você sincroniza tudo no caminho crítico, desperdiça BW. Use gradient bucketing via DDP e hooks de comunicação. O framework já tenta fazer isso por padrão, mas optimizer hooks mal configurados quebram o overlap.
5. Subestimar o custo da barreira de sincronização
Em treino síncrono (SGD distribuído), uma GPU lenta atrasa todas. Em clusters com interconexão fraca, isso vira o gargalo principal e degrada linearmente com o número de nós. Soluções: gradient compression (PowerSGD, FP16 grads), accumulation local, ou async training com parameter servers.
O que isso muda pra quem programa hoje
Do ponto de vista prático de quem escreve código, três efeitos imediatos nos próximos 2-3 anos:
- Mais opções de paralelismo habilitadas. Interconexões ópticas baratas habilitam tensor parallel entre nós sem overhead brutal. Hoje isso é viável só dentro do mesmo rack.
- Latência consistente em escala. Fim da variação de desempenho baseada em “qual máquina caiu pra você no cluster”. Fotônica tem menos variação térmica e eletromagnética.
- Mais chips por rack. Se a interconexão consome menos energia, sobra orçamento térmico e elétrico pra mais GPUs. Clusters maiores, modelos maiores, mais experiments por dia.
Se você está começando com IA hoje, foque em dominar uma stack (PyTorch + NCCL + CUDA) antes de se preocupar com fotônica. Mas se está projetando arquitetura de sistemas em escala ou comprando infra pra 2027+, essa revolução vai chegar no seu radar mais cedo do que parece.
FAQ
O que é interconexão óptica pra data center?
Substituição de cabos de cobre por fibras ópticas ou co-packaged optics que transportam dados via luz. Maior largura de banda, menor latência em distância, sem interferência eletromagnética e menor consumo por bit.
Por que o cobre não escala mais em cargas de IA?
Limites físicos de atenuação, crosstalk e consumo. Em taxas acima de 100 Gbps por porta, cobre exige equalização pesada, atinge distância máxima curta (~3-5m) e dissipa muito calor por Gb/s.
Qual a diferença prática entre Lumilens e Lightmatter?
Lumilens foca em interconexões (transmissão de dados entre chips). Lightmatter quer ir além: fazer computação fotônica — processar informações diretamente com luz, sem transistores convencionais no caminho crítico.
Como isso afeta meu código de treinamento?
Indiretamente. Mais BW de interconexão significa modelos maiores viáveis com paralelismo mais agressivo (tensor parallel entre nós), sem refatoração de código — apenas configuração de topologia diferente.
Vale esperar tecnologia óptica ou comprar NVLink hoje?
NVLink continua sendo padrão de fato em 2026 e deve se manter por anos. Mas se você está planejando infra multi-rack pra 2027-2028, considere fornecedores que já anunciaram roadmap óptico co-empacotado.
Quer descobrir se o gargalo do seu treino está na GPU ou na comunicação? Salva o snippet acima e roda no seu próximo job distribuído. Os números não mentem.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.