O pitch
A NVIDIA B300 Blackwell Ultra é um motor de inferência especializado, projetado para a “Era do Raciocínio” e para modelos agênticos como o DeepSeek-R1. Ela prioriza o processamento em FP4 e uma enorme largura de banda de memória em detrimento da flexibilidade de uso geral que definiu as gerações corporativas anteriores.
Por dentro
A B300 Blackwell Ultra entrega 15 PFLOPS de processamento em FP4, uma taxa projetada para atender à enorme demanda de geração de tokens dos modelos de IA agênticos como o DeepSeek-R1 (fonte: Slyd/NVIDIA). Isso se apoia em 288 GB de memória HBM3e com 8 TB/s de largura de banda, um aumento de 50% de capacidade em relação à B200 básica (fonte: NVIDIA Datasheet).
A NVIDIA sacrificou de propósito o desempenho em precisão dupla para obter esses ganhos em inferência. A taxa em FP64 despencou de 37 TFLOPS na B200 para apenas 1,2 TFLOPS na B300 (fonte: TechPowerUp). A razão FP64:FP32 agora é igual à da RTX 5090 de consumo, o que encerra uma divisão estrutural que existia desde a arquitetura Fermi de 2010 (fonte: nicolasdickenmann.com).
Essa mudança de arquitetura torna a B300 inadequada para a computação científica tradicional. Tentar emular uma precisão maior com tensor cores de precisão menor, por métodos “double-single”, gera overflows e underflows frequentes em cargas de trabalho de HPC (fonte: TACC Report). Tudo indica que a NVIDIA está empurrando os usuários científicos para o silício Hopper legado ou para as unidades especializadas “Vera”.
Ainda não sabemos qual é o preço oficial de tabela, embora as estimativas do mercado fiquem entre US$ 40.000 e US$ 50.000 por unidade. Os dados térmicos internos de operação com TDP de pico de 1.400 W em ambientes refrigerados a ar continuam ausentes. Parece que a NVIDIA espera que você tenha refrigeração líquida ou uma tolerância muito alta a falhas de hardware.
Nossa opinião
A B300 é uma traição calculada à comunidade científica em favor da corrida do ouro dos LLMs. É uma peça brilhante de engenharia para rodar clusters de inferência agêntica em escala, mas na prática é inútil para simulações de física ou de clima. Se você está construindo o backend da próxima geração de agentes de raciocínio, vá em frente; se você faz matemática de verdade, fique com a H100 ou procure um fornecedor que não tenha esquecido para que serve uma casa decimal.