FPGA vs GPU em HPC: Guia Estratégico para Decidir em 2026

Em novembro de 2026, escolher entre FPGA e GPU para HPC é uma decisão de arquitetura com impacto direto em orçamento, energia e prazo. Na lista TOP500 de novembro, divulgada no SC26, 291 dos 500 sistemas, ou 58,2%, usam aceleradores. A GPU domina o mercado, mas o cenário mudou com a nova geração de chips.

O mercado de GPUs se reorientou para IA, e isso afeta quem faz simulação científica. A Blackwell Ultra (B300) chegou com 288 GB de HBM3E, mas com FP64 por pacote na casa de 1,39 TFLOPS, contra 40 TFLOPS da geração anterior, segundo o Tom’s Hardware. Quem depende de dupla precisão precisa olhar com mais cuidado para o que está comprando.

Os riscos da decisão errada são concretos. Comprar GPUs de IA para um código dominado por FP64 vetorial desperdiça capital. Apostar em FPGA sem equipe de hardware gera projetos que não fecham timing e não entram em produção.

Neste guia, analisamos os dois paradigmas com dados recentes, as consequências de cada escolha e os fundamentos arquiteturais. Em seguida, tratamos da implementação, das boas práticas e das métricas de sucesso, com uma matriz de decisão para o seu caso.

1. O problema estratégico: dois mundos de computação

O problema central é que HPC e IA passaram a puxar o silício em direções diferentes. O TOP500 observou que muitas GPUs saíram dos supercomputadores científicos para “fábricas de IA”, medidas por tempo de treino e tokens por segundo, e não por HPL. A mesma análise descreve a divisão entre sistemas de capacidade, voltados à IA, e sistemas de capability, voltados à ciência.

Esse fluxo tem escala. Segundo a análise citada pelo TOP500, os maiores data centers de IA já somam o equivalente a 15,8 milhões de GPUs H100. O fornecimento de silício, o roadmap e o ecossistema de software seguem a demanda de IA.

Onde o FPGA entra nesse cenário

Em HPC, o FPGA entra como alternativa para cargas que a GPU atende mal: pipelines de dados contínuos, latência determinística, precisão customizada e integração direta com rede ou sensores. Comparativos de 2026 apontam que o processamento de pacotes em linha exige hardware determinístico, algo que GPUs não igualam.

Também há o argumento da eficiência energética. Pesquisa publicada em novembro de 2025 reforça que FPGAs têm vantagem clara nesse ponto, mas exigem conhecimento especializado de hardware. Esse equilíbrio entre eficiência e dificuldade de programação atravessa toda a análise.

O que está em jogo para a empresa

Para o gestor de infraestrutura, a escolha define o custo operacional de cinco a sete anos. Define também quais competências contratar e qual fornecedor terá poder sobre o seu roadmap. Por isso o tema é estratégico, e não apenas técnico.

2. Consequências da inação (ou da escolha inadequada)

Adiar a decisão também tem custo, porque a janela de oportunidade do hardware é curta. O TOP500 de novembro registrou o menor número de sistemas novos da história da lista: 27, ou 5,4%. Quem compra agora usa a máquina por anos, e o erro se paga por muito tempo.

Risco 1: pagar por FP64 que o chip não entrega

A NVIDIA responde com emulação. As GPUs Rubin entregam 33 TFLOPS de FP64 nativo, um a menos que a H100, e até 200 TFLOPS com emulação em Tensor Cores. O benefício, porém, é contestado.

Um executivo da AMD estimou que 60% a 70% das cargas de HPC, dominadas por FMA vetorial, ganham pouco com a emulação. A AMD vende o produto concorrente, então o argumento tem interesse comercial. Mas ele indica que o risco de validação existe e deve ser testado no seu código.

Risco 2: energia como limite físico

Sistemas de escala exa consomem dezenas de megawatts. O Aurora entrega 1,012 exaflops em FP64 com 38,70 MW. O LineShine, líder da lista, atinge 2,198 exaflops com cerca de 42,2 MW.

Em escala menor, a conta se repete. A MI355X da AMD consome 1.400 W por acelerador, enquanto a placa Alveo V80, baseada em FPGA, tem TDP de 190 W. Os números não são comparáveis em desempenho, mas mostram a diferença de envelope térmico.

Risco 3: apostar em FPGA sem ecossistema

O risco inverso também é real. Christian Plessl, da Universidade de Paderborn, lembrou em palestra de março de 2026 que a Intel cancelou o híbrido Xeon+FPGA em 2020 e que a Microsoft reduziu a prioridade do Brainwave por volta de 2022. Na mesma apresentação, ele atribui o domínio das GPUs ao ganho rápido de desempenho e ao software da NVIDIA.

Uma organização sem time de FPGA que escolhe a tecnologia pelo benefício energético pode ficar presa em projetos longos. O custo da escolha inadequada aparece como atraso de produto, e não só como gasto em hardware.

3. Fundamentos da solução: como cada arquitetura computa

A GPU executa milhares de threads sobre uma máquina paralela fixa. O FPGA é configurado para se tornar a máquina do seu algoritmo. Nele, é possível moldar o caminho de dados, incluindo pipelines, larguras aritméticas, interfaces de memória e links de comunicação.

Comparação de especificações

Acelerador Tipo Memória Largura de banda FP64 de pico Potência
NVIDIA H100 SXM GPU 80 GB HBM3 3,35 TB/s 34 TFLOPS até 700 W
NVIDIA B300 GPU 288 GB HBM3E 8 TB/s ~1,3 a 1,4 TFLOPS 1.400 W
AMD Instinct MI355X GPU 288 GB HBM3E 8 TB/s 78,6 TFLOPS 1.400 W
AMD Alveo U55C FPGA 16 GB HBM2 460 GB/s depende do design 115 W típico
AMD Alveo V80 FPGA 32 GB HBM2e 820 GB/s (fabricante) depende do design 190 W

Fontes: tabela comparativa do Ampheo (julho de 2026) para H100 e U55C; AMD para a MI355X; bases de especificações públicas para a B300 e a V80.

Por que o FPGA não “empata” em FLOPS

A diferença de pico é estrutural. Um artigo de 2025 estima que a GPU tem uma ordem de magnitude mais capacidade de cálculo que o FPGA da mesma geração, em parte pelo processo de fabricação mais avançado. Por isso o FPGA vence por especialização, e não por força bruta.

Interoperabilidade com sistemas existentes

Os dois mundos não são excludentes. O mesmo trabalho propõe usar o FPGA como SmartNIC centrado na GPU, movendo dados direto para a memória da GPU via GPUDirect e deixando as operações coletivas de rede com o FPGA. A GPU fica com GEMM, e o FPGA cuida do que a GPU faz mal.

Na prática, isso significa que o FPGA precisa conviver com a pilha atual de MPI, Slurm e interconexões. O cluster Otus, de Paderborn, integra o Slurm para nós FPGA, com qualidade de serviço dedicada para jobs de síntese.

4. Implementação estratégica: de onde partir

A abordagem correta começa pela carga de trabalho, não pelo chip. Classifique o código em três perfis: dominado por GEMM denso, dominado por FP64 vetorial, ou fluxo de dados contínuo com baixa precisão. Cada perfil aponta para uma plataforma diferente.

Perfil 1: GEMM denso e IA

Aqui a GPU é a resposta padrão. O comparativo do Ampheo conclui que GPUs são melhores para treino, inferência de grandes modelos, ponto flutuante denso e software maduro. Se o seu HPC é “IA para ciência”, a decisão é simples.

Perfil 2: FP64 vetorial

Este é o perfil mais delicado em 2026. O subsecretário de Ciência do Departamento de Energia dos EUA, Darío Gil, afirmou ao HPCwire que o FP64 continua muito importante para a Missão Gênesis. Para esse público, MI355X, H100 e H200 permanecem relevantes.

Há também a via da emulação. Um preprint de 2026 argumenta que FP8 com o esquema Ozaki II pode substituir FP64 nativo na B300. Trate isso como hipótese a validar no seu código, com análise de condicionamento numérico, e não como garantia.

Perfil 3: fluxo de dados e baixa latência

Este é o território do FPGA. Em estudos de Paderborn, um FPGA superou dois CPUs em equações de Maxwell com Galerkin descontínuo, com consumo bem menor, e alcançou 3 TFLOPS em precisão simples com cerca de 120 W em multiplicação de matrizes. Esses ganhos dependem de projetos feitos sob medida para a aplicação.

Pontos de falha potenciais

O principal obstáculo é o modelo de programação. Segundo Plessl, as ferramentas de alto nível ainda exigem entender a arquitetura: usar GPU é ligar uma biblioteca, enquanto usar FPGA é projetar hardware de ponta a ponta. Planeje o tempo de síntese e de fechamento de timing no cronograma.

A indústria tenta reduzir essa barreira. A Altera anunciou uma ferramenta que reduz a abertura de um projeto FPGA de 5 dias para 2 horas. É uma alegação do fabricante, que deve ser validada em uma prova de conceito.

5. Melhores práticas avançadas

A prática mais madura em 2026 é a computação heterogênea. O FPGA assume rede, pré-processamento e coleta, e a GPU assume o cálculo denso. Reportagem sobre a recuperação da Altera descreve a parceria com a Arm para integrar FPGAs a sistemas de IA, acelerando rede e SmartNIC em vez de substituir GPUs.

Otimização baseada em evidência histórica

Estudos mais antigos ajudam a calibrar expectativas, desde que lidos como contexto. Um estudo do Lawrence Berkeley National Laboratory concluiu que FPGAs têm dificuldade de competir em desempenho absoluto com GPUs, mas consomem bem menos e chegam perto em eficiência energética.

Em um mini-app apresentado no SC20, quatro kernels FPGA entregaram cerca de 290 GFLOPS com 72 W, contra 407 GFLOPS da V100 com cerca de 170 W. São dados da era V100, anteriores a 2024, que mostram o padrão e não valores atuais.

Governança, compliance e segurança

Em FPGA, o bitstream é um artefato de software crítico. Versione, assine e audite cada bitstream, e trate a cadeia de ferramentas como dependência regulada. Plessl aponta que a operação em produção exige tratar erros causados por designs de usuários, manter compatibilidade e depender fortemente do suporte do fabricante.

Em segurança, há avanços de fabricante. A Altera divulgou o Agilex 2X com inicialização segura pós-quântica e uma base unificada de segurança funcional. Para ambientes regulados, esse tipo de recurso entra na avaliação de compliance.

Considerações de roadmap

O Agilex 2X foi anunciado em 28 de outubro de 2026, e as primeiras amostras do Agilex 27 estão previstas para o fim de 2027. Considere esse prazo no planejamento, pois produtos futuros não substituem a validação do hardware disponível hoje.

6. Medição de sucesso: métricas que importam

Comparar TFLOPS de pico gera conclusões erradas. O Ampheo recomenda medir throughput, latência de requisição única, latência de cauda, energia até a solução, precisão, comportamento de memória e esforço de desenvolvimento. Defina esses indicadores antes da compra.

KPIs técnicos

Os indicadores técnicos mínimos para a comparação são:

  • Tempo até a solução do seu código real, não de benchmarks sintéticos.
  • Energia até a solução, em joules por simulação concluída.
  • Latência p99 em cargas de streaming, quando a previsibilidade é requisito.
  • Utilização sustentada do acelerador ao longo de um mês de produção.

KPIs de negócio

O indicador financeiro central é o custo por carga concluída. Inclua depreciação, energia, refrigeração, licenças e horas de engenharia. O mesmo guia do Ampheo lista, entre os custos do FPGA, licenças de ferramentas, IP de terceiros, verificação e manutenção de bitstreams.

Cuidado com rankings

O HPL não resume tudo. A cobertura do The Register argumenta que o HPL deixou de marcar os maiores computadores. Em eficiência, o Green500 segue liderado pelo KAIROS, da França, com 73,28 GFLOPS por watt. Use rankings como referência, e não como critério de compra.

Matriz de decisão resumida

Cenário Plataforma recomendada
Treino e inferência em larga escala GPU
FP64 denso com bibliotecas maduras GPU (validar emulação, se aplicável)
Streaming contínuo, baixa latência determinística FPGA
Integração com rede, sensores ou protocolo proprietário FPGA
Carga mista, com rede e computação pesada Heterogêneo (FPGA + GPU)

Conclusão

A GPU é o padrão para a maior parte do HPC e da IA, por desempenho absoluto, memória e software. O FPGA vence em nichos bem definidos: latência determinística, precisão customizada, E/S integrada e eficiência em fluxo contínuo. A melhor arquitetura muitas vezes combina os dois.

Mesmo o Otus, de Paderborn, que opera nós FPGA em produção, aparece nos rankings pela partição de GPUs, e seu piloto de FPGAs usa placas Alveo V80. Isso resume o cenário atual: o FPGA complementa, e a GPU lidera.

O horizonte próximo traz mais opções. A NVIDIA apresentou a Rubin HPC no SC26, com chegada prevista para 2028, depois da MI430X da AMD, prevista para 2027. Segundo o Hardwareluxx, a MI430X teria 288 TFLOPS em FP64, número preliminar do fabricante. Do lado FPGA, as amostras do Agilex 27 chegam no fim de 2027.