A Meta anunciou recentemente que conseguiu dobrar a eficiência de treinamento do seu modelo de inteligência artificial para recomendação de anúncios, chamado GEM (Generative Ads Recommendation Model). Esse é o sistema que decide quais anúncios aparecem no feed do Instagram e do Facebook. A melhora veio com o uso de milhares de GPUs (unidades de processamento gráfico) topo de linha, que são como superprocessadores especializados em IA.

O GEM é um modelo grande, na escala dos chamados LLMs (Large Language Models, ou modelos de linguagem de grande porte), como o GPT. Ele analisa bilhões de interações de usuários com anúncios para prever qual propaganda será mais relevante para cada pessoa. Treinar um modelo desse tamanho é um desafio imenso de engenharia. A Meta explica que, agora, consegue treinar o GEM com 4 vezes mais operações matemáticas (FLOPs) do que antes, mas usando o dobro da eficiência dos chips.

O indicador usado para medir essa eficiência é o MFU (Model FLOPs Utilization). Em termos simples, o MFU mostra o quanto dos recursos computacionais das GPUs está sendo realmente aproveitado. Se uma GPU pode fazer 100 cálculos por segundo, mas o modelo só usa 20, o MFU é de 20%. A Meta elevou esse número para a faixa de 20% a 25% — considerado muito bom para modelos desse porte. Antes, o aproveitamento era a metade disso.

Para alcançar esse resultado, a empresa combinou técnicas como paralelismo de dados, paralelismo de modelo e paralelismo de pipeline, além de otimizações na comunicação entre as GPUs. Tudo isso soa técnico, mas a essência é simples: a Meta aprendeu a usar melhor suas milhares de GPUs, reduzindo o tempo de treinamento e o custo.

Por que isso importa? Para o usuário comum, a mudança pode ser invisível, mas trará consequências práticas. Com um treinamento mais eficiente, a Meta consegue atualizar o modelo mais rapidamente, incorporar novos dados de comportamento dos usuários e, teoricamente, entregar anúncios mais relevantes. Além disso, a economia de energia e de recursos computacionais pode reduzir os custos operacionais da empresa — o que, em um negócio de publicidade, pode significar margens maiores.

Outro ponto é a escalabilidade. A capacidade de treinar modelos quatro vezes maiores ou com quatro vezes mais dados abre portas para novos recursos. Por exemplo, o GEM pode começar a considerar ainda mais sinais contextuais, como o humor da postagem ou o horário do dia, para fazer recomendações mais precisas.

O alerta é que essa evolução não vem sem questões. Uma eficiência maior pode acelerar a entrega de anúncios, mas também levanta debates sobre privacidade e o uso cada vez mais intensivo de dados pessoais. Será que essa eficiência extra vai se traduzir em anúncios mais úteis para os usuários, ou apenas em mais lucros para a Meta?

O anúncio da Meta mostra que a corrida por modelos de IA mais eficientes está longe de terminar. Enquanto empresas como Google e OpenAI competem para reduzir o custo de treinamento de seus modelos, a Meta aposta em otimizações de hardware e software para manter seu domínio no mercado de publicidade digital.

Para quem não é da área de tecnologia, a principal mensagem é: os anúncios que você vê no Instagram e no Facebook estão sendo impulsionados por um sistema de IA cada vez mais potente e econômico. E isso, em algum nível, afeta sua experiência na plataforma — mesmo que você nunca tenha ouvido falar em MFU ou GEM.

Produtos recomendados: A Era da Inteligência Artificial | Monitor Ultrawide 34 polegadas