Na primavera de 2026, uma cientista de materiais computacionais em uma universidade pública no meio-oeste dos EUA me disse que seu grupo tinha esperado onze semanas para um único nó no cluster do campus. Na mesma janela, um colaborador em uma universidade privada com um cluster de inteligência artificial dedicado realizou o mesmo experimento de ajuste fino em menos de um dia.
O National Artificial Intelligence Research Resource Pilot, lançado pela US National Science Foundation em janeiro de 2024, foi construído exatamente para este problema. Os pools piloto calculam o tempo em sistemas federais e industriais, dados curados e recursos de treinamento práticos e os abre aos pesquisadores através de chamadas competitivas. Sua primeira rodada atraiu muito mais candidatos do que slots.
Este não é um nicho de preocupação. O Stanford Institute for Human-Centered AI tem rastreado um aumento de mais de cem vezes no computador usado para treinar modelos líderes desde 2017. A maioria dos pesquisadores universitários nunca tocará essa escala. O cluster médio do campus está localizado nas dezenas ou baixas centenas de GPUs, compartilhados em todos os departamentos que precisam deles. Quando um grupo de química quer monitorar bibliotecas moleculares e um linguista quer ajustar um pequeno modelo de idioma, a mesma fila decide ambas as linhas de tempo.
Onde a divisão aparece primeiro
Uma colega que eu chamaria Dr. M, uma linguista computacional em uma universidade de pesquisa europeia, disse-me que seus revisores de subvenções agora perguntam qual cluster ela usará antes de ler a seção do método. A pergunta tornou-se um filtro. Ela teve que emprestar tempo na máquina de uma instituição parceira para concluir uma revisão porque a alocação de sua própria universidade estava esgotada em meados de fevereiro. Multiplique Dr. M por cada laboratório cuja pesquisa mudou para o aprendizado de máquina nos últimos três anos.
A taxa de base é simples: instituições com grandes orçamentos de computação de pesquisa, pessoal de engenharia dedicado que pode realmente agendar empregos e parcerias da indústria estão capturando uma parte desproporcional do trabalho habilitado pela IA. Instituições que dependem de aglomerados de commodities e taxas de nuvem por laboratório ficam para trás no sucesso da proposta, velocidade de publicação e retenção do corpo docente que conduz ambos.
Os comitês de pesquisa em ciência da computação, estatísticas e ciências bancárias que agora usam imagens ou simulação em escala estão cada vez mais listando o acesso à infraestrutura de GPU como parte do pacote que eles colocam para os candidatos.Não é incomum ver um orçamento de start-up agora incluir tanto uma linha de pós-doutorado quanto uma alocação de computação.Quando as instituições congelam linhas de faculdade para proteger os orçamentos de infraestrutura, o compromisso torna-se visível.
As opções públicas são reais, mas sobrescritas
O NAIRR piloto é uma das várias tentativas públicas de preencher a lacuna. Os pesquisadores podem solicitar alocações em sistemas contribuídos pelo Departamento de Energia dos EUA, os Institutos Nacionais de Saúde e parceiros privados como a NVIDIA e a Microsoft. Os próprios materiais do piloto descrevem isso como um esforço de dois anos para aprender como uma infraestrutura de pesquisa nacional deveria parecer. A lição até agora é que a demanda se concentra rapidamente: chamadas direcionadas a instituições de pequeno e médio porte atraíram pedidos de vários tipos institucionais, incluindo muitos que nunca haviam aplicado para o tempo de supercomputador antes.Portal piloto da NAIRRLista de oportunidades atuais e políticas de alocação.
A Europa tem a sua própria resposta.Empresa Comum Europeia de Computação de Alto Desempenho, ou EuroHPC JU, opera sistemas pré-exascale, incluindo LUMI na Finlândia e Leonardo na Itália. O acesso é competitivo e nivelado: algumas chamadas são para consórcios europeus, outras para a indústria. Um pesquisador universitário em um Estado-Membro menor pode ganhar um prêmio, mas o esforço da proposta rivaliza com um pedido de subvenção.
Créditos em nuvem mudam a matemática, não o problema
Créditos em nuvem são a terceira rota.Fundação Nacional de Ciência dos EUACloudBancárioO programa fornece acesso à nuvem para pesquisadores de ciência da computação, e muitas universidades agora têm contratos empresariais com o Amazon Web Services e o Google Cloud, e alguns adicionaram o Microsoft Azure sob termos separados. O modelo de custo muda a conversa. Uma única hora de GPU em um provedor de nuvem pode parecer pequena até que um experimento seja executado por uma semana.
Instituições que criaram suas próprias
Algumas universidades decidiram não esperar por alocações públicas. O HiPerGator da Universidade da Flórida, um supercomputador do campus construído em parceria com a NVIDIA, deu ao corpo docente acesso a centenas de GPUs e apoiou o trabalho em grandes modelos de linguagem e imagem médica. A Universidade de Bristol hospeda Isambard-AI, parte do Recurso Nacional de Pesquisa de IA do Reino Unido, ao lado de parceiros. Estas são exceções, não a taxa de base. Eles exigem um compromisso estatal ou nacional, uma sala de dados construída ou reformada e uma equipe de engenheiros de software de pesquisa que mantêm a fila em movimento.
A instituição de nível médio enfrenta uma decisão diferente. Pode comprar um cluster modesto a cada três a cinco anos, pagar pela nuvem em ciclos de subsídios, ou tentar se juntar a um consórcio regional. A primeira opção oferece controle, mas desmorona rapidamente. O segundo é flexível e imprevisível. O terceiro depende da governança e da confiança, que são mais difíceis de financiar do que o hardware. Um quarto, cada vez mais comum, é não fazer nada e assistir os pesquisadores a sair.
O que isso significa para o seu laboratório
Se você é um membro do corpo docente, pós-doutorado, estudante de doutorado, ou o cientista do pessoal que detém a conta do cluster, trate o acesso computacional como um problema logístico, não um técnico. Pergunte ao seu escritório de pesquisa sobre a prioridade real da fila, o modelo de recuperação de custos que seu departamento paga, e o processo para solicitar alocações de emergência.
A questão não é política, mas o nosso relatório anterior sobre oFaculdade de Reabilitação Freezemostra o que acontece quando a retenção e a infraestrutura competem pelos mesmos fundos. Para os administradores, a intervenção mais barata é muitas vezes uma política de alocação compartilhada. Uma política escrita que nomeia os níveis de prioridade, limita o tempo do relógio de parede e explica como comprar capacidade adicional quando um prazo não custa nada e impede a negociação do corredor que consome o tempo do corpo docente. O próximo passo é contratar um engenheiro de software de pesquisa que pode perfilar empregos, reduzir o desperdício de memória de tamanhos de lote excessivos e ajudar os laboratórios a mudar de quatro GPUs para dois sem perder a saída.
Consórcios de aquisição e parcerias regionais valem a pena assistir.Grupos de universidades de tamanho médio no Canadá, partes da Austrália e o nordeste dos Estados Unidos uniram compras para obter melhores preços de fornecedores de hardware e provedores de nuvem.O poder de negociação existe; a parte difícil é concordar com uma estrutura de governança antes da chegada da primeira fatura.
Em 2024Relatório do ÍndiceComo os custos de treinamento de modelos aumentam, a computação pública e universitária precisará ser tratada como uma infraestrutura científica compartilhada, não como uma despesa de departamento.
Antes do próximo ciclo de subvenções, escreva uma página descrevendo o que a computação necessita do seu laboratório, o que custaria no mercado aberto sob um contrato de nuvem comercial e que política institucional o tornaria negociável. Envie essa página para o seu vice-presidente para pesquisa. Não é suficiente para ganhar a alocação. Você precisa da alocação para aparecer no orçamento institucional, com um nome anexado.
