HPC em Santa Catarina: Guia Estratégico para Empresas 2026

A computação de alto desempenho deixou de ser um assunto restrito a laboratórios de física e centros meteorológicos. Em 2026, ela sustenta o treinamento de modelos de IA, simulações de engenharia, genômica e previsão climática. Para as empresas do Sul do Brasil, o HPC em Santa Catarina passou a ser uma questão de estratégia, e não apenas de TI.
O estado reúne indústria diversificada, uma base tecnológica densa e universidades públicas que começaram a receber infraestrutura de ponta. O desafio é transformar essa capacidade em vantagem competitiva, sem cair em compras superdimensionadas ou projetos que nunca chegam à produção.
Ignorar o tema tem custo. Empresas que adiam decisões de infraestrutura para IA e simulação enfrentam ciclos de desenvolvimento mais longos, dependência de capacidade contratada no exterior e dificuldade de reter talentos. Por outro lado, uma implementação mal planejada consome orçamento em GPUs ociosas, energia e refrigeração subutilizadas.
Neste guia, analisamos o cenário atual de HPC no estado, os fundamentos técnicos de uma solução, os pontos de falha mais comuns, as práticas de governança e as métricas que mostram se o investimento está dando retorno.
O panorama do HPC em Santa Catarina em 2026
Santa Catarina tem hoje um conjunto de iniciativas públicas de supercomputação que, somadas, formam o embrião de um ecossistema regional. O mais visível é o Vlab@UFSC, o Laboratório Virtual de Ensino, Extensão e Pesquisa em IA, genômica, computação quântica e HPC, inaugurado em 23 de abril de 2025 no campus de Florianópolis da UFSC.
O laboratório recebeu R$ 2,2 milhões da Fapesc por meio do edital 15/2023, e a Baguete informou a aquisição de um servidor NVIDIA DGX H100 para IA. Os fornecedores citados na inauguração foram a Versatus HPC e a NVIDIA.
Em junho de 2026, a UFSC recebeu também um supercomputador Intel Habana Gaudi2, doado pela Intel ao Ministério da Ciência, Tecnologia e Inovação (MCTI), segundo a Convergência Digital. A aplicação prevista inclui IA generativa, grandes modelos de linguagem, visão computacional, bioinformática e imagens médicas.
Há ainda o laboratório de modelagem numérica climática e ambiental do IFSC em Florianópolis, financiado pela Fapesc via MultiLab. De acordo com o NSC Total, o investimento foi de R$ 2,5 milhões e o sistema serve à Defesa Civil e ao Instituto do Meio Ambiente (IMA).
| Iniciativa | Instituição | Foco | Fonte |
|---|---|---|---|
| Vlab@UFSC (DGX H100) | UFSC | IA, genômica, quântica, HPC | Fapesc / Baguete (abr/2025) |
| Intel Gaudi2 | UFSC / MCTI | IA generativa, LLMs, bioinformática | Convergência Digital (jun/2026) |
| Modelagem climática | IFSC | Clima, qualidade do ar | NSC Total |
| Cluster institucional | UFSC / SeTIC | Pesquisa geral | hpc.setic.ufsc.br |
O pano de fundo é o MultiLab SC, programa em que o governo estadual investiu mais de R$ 111 milhões em 50 projetos de laboratórios multiusuários, distribuídos por 19 instituições nas seis mesorregiões. O programa também prevê uma rede para interligar laboratórios e estimular o uso compartilhado, segundo a cobertura da Tiinside.
Seção 1: o problema estratégico
Capacidade pública existe, mas não resolve sozinha a demanda empresarial
A infraestrutura acadêmica foi desenhada para pesquisa, ensino e extensão. Isso implica filas de acesso, políticas de priorização e regras de uso que nem sempre combinam com o ritmo de uma empresa. Uma indústria que precisa rodar simulações de engenharia antes de um lançamento não pode depender de um calendário de editais.
Além disso, o acesso a equipamentos públicos varia conforme o projeto e a parceria. Reportagens sobre o supercomputador federal de IA já alertam que ter infraestrutura pública não garante acesso irrestrito, pois preços, segurança e distribuição de capacidade dependem das regras de operação.
O problema estratégico, portanto, é decidir qual parte da carga de trabalho deve ficar em capacidade própria, qual pode usar parcerias com universidades e qual deve ser contratada como serviço. Essa decisão precisa partir da carga real, e não do equipamento disponível.
Implicações técnicas e de negócio
Do lado técnico, cargas de IA e simulação têm perfis diferentes. Treinamento de modelos exige GPUs com memória alta e interconexão rápida. Simulações de dinâmica de fluidos ou elementos finitos costumam depender mais de CPUs com muitos núcleos, largura de banda de memória e sistemas de arquivos paralelos.
Do lado do negócio, a pergunta é qual decisão depende do resultado computacional. Se uma simulação mais rápida reduz protótipos físicos, o ganho é mensurável. Se o cluster serve apenas a um experimento exploratório, talvez o modelo certo seja pagar por uso.
Seção 2: consequências da inação
Riscos específicos e custo de oportunidade
O primeiro risco é a dependência. Sem competência interna em HPC, a empresa contrata capacidade sem conseguir avaliar o que recebe, e tende a aceitar configurações caras para cargas que não as exigem.
O segundo é o custo de oportunidade. Equipes de engenharia e ciência de dados esperam horas ou dias por resultados que poderiam sair em minutos. Esse atraso se acumula em cada ciclo de desenvolvimento e aparece no time-to-market.
O terceiro é a perda de talentos. Profissionais de IA e computação científica avaliam o ambiente de trabalho pela infraestrutura disponível, e as universidades catarinenses agora oferecem recursos que muitas empresas ainda não têm.
Desvantagem competitiva
O MCTI informou que investiu R$ 5,6 bilhões em Santa Catarina entre 2023 e 2025, sendo R$ 5,1 bilhões via Finep em 706 projetos em 148 municípios. O volume sinaliza que o ecossistema de inovação do estado está recebendo capital, e concorrentes que o aproveitarem terão acesso mais cedo a competências e parcerias.
Seção 3: fundamentos da solução
Arquitetura de um ambiente HPC
Um ambiente HPC combina quatro camadas: computação (CPUs e GPUs), rede de baixa latência, armazenamento paralelo e um escalonador de tarefas, como o SLURM, que distribui jobs entre os nós. A UFSC, por exemplo, mantém seu cluster institucional acessível pelo portal hpc.setic.ufsc.br, operado pela SeTIC, o que mostra o modelo de fila compartilhada em uso.
O desempenho do conjunto depende do elo mais fraco. GPUs de última geração com armazenamento lento resultam em aceleradores esperando dados, e é um erro comum em projetos iniciais.
Aceleradores: GPU, Gaudi e a questão do software
A presença de plataformas distintas no estado, como NVIDIA DGX H100 no Vlab e Intel Gaudi2 na UFSC, ilustra uma escolha estratégica: o ecossistema de software. O hardware mais potente perde valor se as bibliotecas, frameworks e a equipe não estiverem preparados para ele.
Antes de comprar, avalie a portabilidade do seu código, o suporte dos frameworks que a equipe usa e a disponibilidade de profissionais com experiência na plataforma.
Interoperabilidade com sistemas existentes
O cluster precisa se integrar a identidade corporativa, repositórios de dados, pipelines de MLOps e ferramentas de monitoramento. Esse trabalho costuma consumir mais tempo que a instalação física e deve entrar no cronograma desde o início.
Seção 4: implementação estratégica
Abordagem metodológica
Comece por um levantamento de cargas: quais aplicações, com que frequência, que volume de dados e qual janela de resultado. Com isso, defina um perfil de referência e teste em capacidade emprestada ou contratada antes de investir em hardware próprio.
Uma abordagem híbrida costuma ser a mais segura. Cargas estáveis e previsíveis vão para capacidade própria, picos vão para nuvem ou parceiros, e experimentos acadêmicos podem usar infraestrutura universitária por convênio.
Considerações críticas: energia e refrigeração
Energia é o fator que mais surpreende projetos de HPC. Para dimensionar o impacto, vale lembrar o debate sobre o supercomputador federal de IA: segundo o Movimento Econômico, o LNCC alertou que a tarifa local levaria a conta de luz do equipamento a mais de R$ 7 milhões por mensais. Embora seja uma máquina de escala nacional, o raciocínio vale para qualquer projeto: o custo operacional pode superar o de aquisição em poucos anos.
Densidades elevadas de potência por rack exigem refrigeração dedicada, e o piso e a estrutura do prédio precisam suportar o peso. Esse requisito de infraestrutura atrasou, inclusive, a definição do local do supercomputador do Plano Brasileiro de IA, conforme a Gazeta do Povo.
Pontos de falha potenciais
Os mais comuns são subestimar a rede e o armazenamento, ignorar o custo de energia, comprar acelerador sem plano de software e não prever quem operará o ambiente. Nenhum deles é puramente técnico, e todos aparecem em projetos que tinham orçamento suficiente para o hardware.
Seção 5: melhores práticas avançadas
Otimização baseada em experiência prática
Meça a utilização antes de expandir. Se o cluster atual passa longos períodos abaixo da capacidade, o problema é escalonamento, empacotamento de jobs ou fluxo de dados, e não falta de hardware. Ferramentas de telemetria de GPU e de filas mostram onde está o gargalo.
Padronize ambientes com contêineres e gerenciamento de dependências. Isso reduz o tempo entre uma ideia e uma execução reproduzível, além de facilitar a migração entre cluster próprio, nuvem e parceiros.
Governança e compliance
Dados de saúde, genômicos e de clientes exigem atenção à LGPD, inclusive quando processados em infraestrutura compartilhada com universidades. Defina classificação de dados, regras de anonimização e contratos que deixem claro quem responde por quê.
Propriedade intelectual é outro ponto. Em parcerias com instituições públicas, esclareça antes quem detém os resultados de modelos e simulações treinados com dados da empresa.
Segurança
Clusters concentram poder computacional e dados valiosos, o que os torna alvos atraentes. Aplique segmentação de rede, autenticação forte, registro de acessos e isolamento entre projetos. Em ambientes multiusuário, o isolamento entre equipes é requisito básico, e não diferencial.
Seção 6: medição de sucesso
Métricas técnicas
Acompanhe a utilização de GPU e CPU, o tempo médio de fila, a taxa de falha de jobs e o tempo de execução de cargas de referência. Essas métricas indicam se o ambiente está equilibrado e se uma expansão é mesmo necessária.
KPIs de negócio
Associe o uso do cluster a resultados que o negócio reconhece: redução de ciclos de simulação, menos protótipos físicos, tempo de treinamento de modelos e custo por experimento. Sem essa ligação, o investimento em HPC fica difícil de defender no orçamento seguinte.
Avaliação de eficácia
Revise o plano a cada semestre. O cenário muda rápido: o supercomputador federal de IA, por exemplo, teve a contratação adiada para 2027, segundo a Convergência Digital, e uma decisão baseada em prazos públicos deve ser revista quando os cronogramas mudam.
Perspectivas e conclusão
O HPC em Santa Catarina avança em duas frentes. De um lado, laboratórios como o Vlab@UFSC, o Gaudi2 da UFSC e o sistema climático do IFSC mostram que o estado tem capacidade pública crescente. De outro, o Plano Brasileiro de IA prevê um supercomputador nacional e cinco Centros Nacionais de Processamento de Alto Desempenho, um por região, embora as fontes que consultei não confirmem a localização do centro do Sul.
Para as empresas, a lição é pragmática. A capacidade existe e vai crescer, mas o valor depende de quem consegue conectar carga de trabalho, infraestrutura e competência. Decisões baseadas em levantamento real de cargas, arquitetura híbrida, atenção à energia e governança clara tendem a render mais do que corridas por hardware.
Os próximos passos práticos são: mapear suas cargas de HPC e IA, testar em capacidade contratada ou em parceria com universidades, estimar o custo operacional completo e definir métricas de negócio antes de comprar. Revise o plano semestralmente, porque o cenário público muda com frequência.
