Pelago Enclave
ComputaçãoClusters GB300 NVL72 em modo de computação confidencial. Operador da nuvem, sistema operacional e a própria Data Pelago ficam do lado de fora.
Carta nº 001 — Arquipélago de dados
Treine com os dados de todos.Sem ver os de ninguém.
A Data Pelago é a plataforma de treinamento confidencial para setores regulados. Bancos, hospitais e cooperativas treinam modelos juntos dentro de enclaves de hardware em GPUs NVIDIA Blackwell — com prova criptográfica de que nenhum dado foi exposto, nem a nós.
HardwareNVIDIA GB300 NVL72
IsolamentoTEE na GPU e na CPU
ProvaAtestação remota
ConformidadeLGPD desde o projeto
Role para mergulharAtestação verificada72 × Blackwell UltraNVLink 1,8 TB/s por GPU288 GB HBM3eDados cifrados em usoPrivacidade diferencialPolítica como códigoRastro de auditoria imutável
01Manifesto
Os dados capazes de curar doenças raras, desmontar quadrilhas de fraude e prever a próxima seca já existem. Estão espalhados em milhares de ilhas — hospitais, bancos, cooperativas — separadas por lei, sigilo e concorrência.
Não vamos juntar as ilhas. Vamos construir as pontes.
72GPUs em um único domínio NVLink confidencial
288 GBde memória HBM3e por GPU
1,8 TB/sde banda NVLink por GPU
0 bytesde dados visíveis ao operador
02Como funciona
Quatro etapas. Nenhum dado exposto.
01Verificar
- 01Verificar
Atestação
Antes de enviar um único byte, cada instituição verifica a assinatura do hardware: a prova de que o código aprovado roda em GPUs genuínas, em modo confidencial.
- 02Cifrar
Travessia cifrada
Os dados viajam e repousam cifrados. As chaves só são liberadas ao enclave depois da atestação — e valem apenas para aquela execução.
- 03Treinar
Treinamento conjunto
O modelo aprende com a união das ilhas dentro da memória protegida da GPU. Privacidade diferencial impede que qualquer registro individual seja memorizado.
- 04Provar
Modelo e recibo
Cada participante recebe o modelo e um recibo assinado da sua contribuição. O rastro fica registrado no Lighthouse, sem possibilidade de edição.
03Produto
Tudo o que acontece no enclave, visível. Nada do que está nele, exposto.
O Pelago Console mostra atestações, políticas, orçamento de privacidade e contribuição de cada participante em tempo real — sem nunca exibir um registro sequer.
console.datapelago.cloud/pontes/consorcio-antifraudePrévia do Pelago Console
Pontes/consorcio-antifraude
Treinandoexecução #0142
Participantes4
AtestaçãoVerificada72/72 GPU · CC=on
Orçamento de privacidadeε 2,47 / 4,0
Época37 / 60
Perda de validação0,1712
GB300 NVL72 · 72 GPUs · modo CC87%
| Instituição | Status | Registros | Contribuição |
|---|---|---|---|
| ABanco A | ● atestado | 41,2 mi | 31,4% |
| BBanco B | ● atestado | 36,8 mi | 26,9% |
| CFintech C | ● atestado | 29,5 mi | 23,2% |
| DCooperativa D | ● atestado | 18,1 mi | 18,5% |
Registro do enclavetail -f
04Plataforma
Quatro peças. Uma rede de confiança.
Pelago Bridge
ColaboraçãoTreinamento entre instituições com regras escritas em código: quem treina, com quais dados, por quanto tempo e para qual finalidade.
Pelago Foundry
ModelosModelos de fundação verticais para finanças, saúde e agro, treinados sobre o arquipélago e ajustados a cada participante.
Pelago Lighthouse
GovernançaRastro de auditoria imutável: qual dado treinou qual modelo, sob qual política e com qual atestação.
05Para desenvolvedores
Sua primeira ponte em poucas linhas.
SDK em Python, CLI e políticas declarativas. A verificação de atestação acontece do lado do participante — você não precisa confiar em nós, só na matemática e no silício.
- Atestação verificada pelo cliente
- Políticas versionadas e assinadas
- Recibos exportáveis para auditoria
treinar.pyPrévia da API — sujeita a mudanças
1import pelago 2 3bridge = pelago.Bridge("consorcio-antifraude") 4 5# Cada instituição verifica o enclave antes de enviar dados 6bridge.verify_attestation(expect="gb300-nvl72/cc-on") 7 8run = bridge.train( 9 model="pelago-fraud-gnn",10 policy="policies/antifraude-v3.yaml",11 privacy={"epsilon": 4.0},12)13 14receipt = run.wait().receipt()15print(receipt.contributions)06Infraestrutura
Construída sobre o único silício que torna isso possível.
Computação confidencial em GPU nasceu na geração Hopper e amadureceu na Blackwell, que estende a proteção a dezenas de GPUs interligadas por NVLink com desempenho praticamente igual ao modo convencional. Em hardware mais antigo, a Data Pelago simplesmente não existe.
118 bandejas de computação72 GPUs Blackwell Ultra + 36 CPUs Grace
3Perímetro de confiançaTEE da GPU e da CPU, atestados em conjunto
Um rack. Um perímetro de confiança.
29 bandejas NVLink Switch1,8 TB/s por GPU, todas com todas
4Refrigeração líquidaDensidade impossível de resfriar a ar
01
Confidencialidade no hardware
TEE dentro da GPU, memória protegida e atestação com raiz de confiança no silício.
02
Um único domínio de 72 GPUs
O limite de confiança coincide com o limite de computação: modelos grandes sem dados saindo do enclave.
03
Memória para dados reais
288 GB por GPU acomodam tomografias 3D, grafos de milhões de transações e séries de satélite.
04
Inferência em tempo real
NVFP4 acelerado em hardware pontua transações em milissegundos, em escala nacional.
Folha de dados comparativaDP-DS-001
| A100 | H100 | GB300Data Pelago | |
|---|---|---|---|
| Computação confidencial | Não | Sim | Sim |
| Confidencial multi-GPU | Não | Com sobrecarga | Praticamente nativo |
| Memória por GPU | 80 GB HBM2e | 80 GB HBM3 | 288 GB HBM3e |
| FP8 denso | — | ≈ 2 PFLOPS | ≈ 5 PFLOPS |
| FP4 denso | — | — | ≈ 15 PFLOPS |
| NVLink por GPU | 600 GB/s | 900 GB/s | 1,8 TB/s |
Valores de pico por GPU conforme especificações públicas da NVIDIA (A100 e H100 SXM).
Calculadora de computação
Estime o treinamento de um modelo de fundação do arquipélago.
Computação total8,4 × 10²³ FLOPs
GPUs no cluster
NVIDIA A1000,31 PF BF16135 dias
NVIDIA H1001,98 PF FP821 dias
NVIDIA GB3005 PF FP88,4 dias
Estimativa ilustrativa: FLOPs ≈ 6 × parâmetros × tokens. Picos FP8 densos de especificações públicas da NVIDIA (A100 em BF16). Não inclui sobrecarga de comunicação, checkpoints ou falhas.
A demanda cresce com o arquipélago.
Não é um treino só. Cada nova ilha dispara re-treinamentos, valoração de contribuição e inferência contínua. Quanto maior a rede, melhor o modelo — e maior a necessidade de computação confidencial de ponta.
07Casos de uso
O que uma ilha não vê, o arquipélago vê.
Alterne entre a visão de um único participante e a visão do modelo treinado no enclave.
Rede antifraude interbancária
Quadrilhas espalham contas-laranja por várias instituições e movem o dinheiro em segundos. Uma rede neural de grafos treinada sobre a união das transações enxerga o anel inteiro — e cada banco recebe alertas apenas sobre as próprias contas.
Um banco vê só as próprias contas. O anel parece tráfego normal.
- Banco A
- Banco B
- Banco C
- Banco D
- Anel de fraude
FINANÇAS · Visão de um bancoSimulação ilustrativa
08Economia do arquipélago
Dado deixa de ser risco e vira receita.
Medimos quanto cada ilha contribui para a qualidade do modelo, com valoração inspirada no valor de Shapley. Quando o modelo é usado, parte da receita volta para quem forneceu o dado que o tornou bom.
- 01
Contribuição medida
Cada execução gera um recibo com o impacto marginal de cada ilha nas métricas do modelo.
- 02
Receita compartilhada
O uso do modelo gera dividendos de dados, distribuídos conforme os recibos.
- 03
Controle total
Revogue quando quiser: a próxima execução já não usa o seu dado, e o Lighthouse registra.
DATA PELAGORECIBO DE TREINAMENTONº 0142 · Período 09/2026
- Modelo
- pelago-fraud-gnn v3
- Política
- antifraude-v3
- Enclave
- GB300 NVL72 · CC
- Privacidade
- DP-SGD · ε 4,0
CONTRIBUIÇÃO
- Banco A
- 31,4%
- Banco B
- 26,9%
- Fintech C
- 23,2%
- Cooperativa D
- 18,5%
- TOTAL
- 100,0%
ATESTAÇÃO
sha256 9f3a 6b1e 02cd 77a4 … c41e
Ilhas de dados. Um oceano de inteligência.
Exemplo ilustrativo09Segurança
Confiança verificável, não prometida.
O que nem nós podemos fazer
- ✕Ver seus dados
- ✕Copiar seu modelo
- ✕Treinar fora da política
- ✕Apagar o rastro de auditoria
01
Raiz de confiança no silício
Chaves e medições ancoradas no hardware NVIDIA, não em cláusulas contratuais.
02
Atestação a cada execução
Nenhuma chave é liberada sem prova de que o ambiente é exatamente o aprovado.
03
Cifrado em repouso, trânsito e uso
Inclusive na memória da GPU durante o treinamento.
04
Privacidade diferencial
Garantia matemática contra a memorização de registros individuais.
05
Política como código
Finalidade, prazo e saídas permitidas, versionados e assinados por todos.
06
Residência no Brasil
Arquitetura pensada para manter os dados em território nacional, em linha com a LGPD.
10Rota
IA soberana, construída no Brasil para o mundo.
- Agora
Enclave piloto
Cluster GB300 NVL72 em modo confidencial com os primeiros parceiros de design em finanças e saúde.
- Próximo
Primeiras pontes
Treinamentos multi-institucionais em produção, com Lighthouse e divisão de receita ativos.
- Depois
Forja de fundação
Modelos de fundação verticais em escala de milhares de GPUs, prontos para a geração NVIDIA Vera Rubin.
11Notas técnicas
Do nosso diário de bordo.
Infraestrutura
Computação confidencial em GPU: por que ela muda o que é possível
Por mais de uma década, ambientes de execução confiáveis protegeram apenas a CPU. Com Hopper e Blackwell, a proteção chegou ao acelerador, e isso muda quem pode treinar modelos sobre quais dados.
5 min de leituraLer nota
Pesquisa
Quanto vale o seu dado? Valoração de Shapley em treinamento conjunto
Quando várias instituições treinam um modelo juntas, alguém precisa medir quem contribuiu com o quê. O valor de Shapley dá a resposta mais justa, e ela custa caro em GPU.
5 min de leituraLer nota
Finanças
Antifraude interbancário sem compartilhar um único dado
Golpes modernos atravessam várias instituições em segundos. Mostramos como uma rede neural de grafos, treinada em enclave confidencial, enxerga o que nenhum banco vê sozinho.
5 min de leituraLer nota
12Perguntas frequentes
O que mais nos perguntam.
Saem apenas cifrados e só são decifrados dentro do enclave, depois que a sua própria equipe verifica a atestação. Para cenários mais restritos, estamos desenhando uma opção de implantação na infraestrutura do participante.
Não. O perímetro é imposto pelo hardware: nem o operador da nuvem, nem o sistema operacional, nem a nossa equipe acessam a memória protegida da GPU. E você não precisa acreditar na nossa palavra — a atestação é verificável por você.
Computação confidencial em GPU só existe a partir da arquitetura Hopper, e é na Blackwell que ela se estende a várias GPUs interligadas com desempenho praticamente nativo. Sem isso, treinar modelos grandes de forma confidencial seria lento demais ou impossível.
Finalidade definida em política, minimização, segurança técnica comprovável e trilha de auditoria completa. A base legal e os contratos de cada tratamento são definidos junto ao jurídico de cada participante.
Aplicamos privacidade diferencial no treinamento e restringimos por política as saídas permitidas. O orçamento de privacidade (ε) é acordado entre os participantes e registrado no Lighthouse.
Cada execução gera um recibo com a contribuição medida de cada ilha. Quando o modelo é usado, uma parcela da receita é distribuída de acordo com esses recibos.
Instituições de finanças, saúde e agro com dados relevantes e interesse em co-desenvolver os primeiros modelos. Parceiros de infraestrutura e investidores também são bem-vindos.
13Contato
Traga sua ilha.
Estamos selecionando parceiros de design em finanças, saúde e agro para o primeiro enclave. Também queremos conversar com investidores e parceiros de infraestrutura.
Ou escreva direto para