Três chips depois, o Google Tensor está em suporte de vida
Os chips Tensor personalizados da Google em telefones Pixel estão sendo criticados por desempenho fraco, baixa eficiência energética e modems inferiores aos concorrentes baseados em Qualcomm, levando muitos recursos de IA a rodar na nuvem em vez de no dispositivo, como foi inicialmente prometido. Os comentaristas debatem se isso é principalmente um atraso técnico, uma consequência dos incentivos de negócio da Google para manter processamento e dados em seus data centers, ou simplesmente um descompasso normal entre modelos de IA que evoluem rápido e ciclos lentos de projeto de silício. Alguns usuários relatam UI fluida e recursos de ML úteis, mas muitos citam superaquecimento, bateria ruim e conectividade instável como motivos para evitar os Pixels atuais ou desejar que a Google voltasse ao Snapdragon.
IA no dispositivo vs. na nuvem e privacidade
- Muitos veem a continuação do descarregamento para a nuvem da Google para novos recursos de IA como motivada por coleta de dados, e não apenas por limitações de hardware.
- Outros observam que a Google poderia processar localmente e enviar resumos depois, mas que fazer uploads de dados brutos completos após o processamento local pareceria pior em termos de imagem.
- Contra-argumento: executar tudo na nuvem é caro; os custos de computação e a escassez de GPU/TPU podem empurrar os fornecedores, com o tempo, para mais trabalho no dispositivo.
Desempenho do Tensor e trade-offs de design
- Há um consenso amplo: o Tensor tem desempenho geral e eficiência decepcionantes em comparação com concorrentes, especialmente a Qualcomm.
- Em ML, alguns argumentam que as decisões foram tomadas anos antes do boom atual de LLMs; modelos grandes e de alta qualidade favorecem naturalmente a nuvem.
- Alguns criticam a formulação do artigo, “on life support”, como clickbait; outros dizem que a falta de cumprimento das próprias promessas da Google de “IA no dispositivo” torna a frase justa.
Vida útil da bateria, térmica e problemas de modem
- Há múltiplos relatos de bateria ruim e superaquecimento nas séries Pixel 6–8, muitas vezes ligados a modems Samsung e a recepção fraca.
- Alguns usuários têm bateria aceitável ou boa, sugerindo que carga de trabalho, cobertura, apps em segundo plano e ROMs importam.
- Vários devolveram Pixels principalmente por causa do consumo de energia do modem e da conectividade de dados pouco confiável; potenciais compradores para GrapheneOS estão repensando.
Experiência do usuário com recursos de ML
- Muitos elogiam a fluidez da UI do Pixel, speech-to-text, tratamento de chamadas e recursos de câmera como “líderes de categoria” no uso diário.
- Outros veem a maioria dos recursos de ML como truques, em comparação com fundamentos como recepção e bateria.
- O ML no dispositivo da Apple (OCR, busca em fotos, reconhecimento de rosto/pet) é citado como um exemplo forte de recursos práticos e privados dos quais os usuários dependem muito.
Considerações de negócio e ecossistema
- Manter caminhos de código tanto no dispositivo quanto na nuvem é visto como caro; equipes de produto podem priorizar um caminho que escale para todos os dispositivos Android.
- A Google quer recursos de IA em telefones que não sejam Pixel para impulsionar assinaturas e o uso do ecossistema, e não apenas as vendas de hardware.
- O poder de licenciamento da Qualcomm e a alavancagem muito maior da Apple são citados como razões pelas quais a Google optou por seu próprio SoC + modem Samsung, apesar dos trade-offs.
Hardware de IA e restrições de modelos
- Vários comentários explicam que chips de ML/“IA” são unidades vetoriais/matriciais altamente paralelas, otimizadas para matemática de baixa precisão e largura de banda, e não para cargas de trabalho gerais de LLM.
- LLMs são descritos como altamente limitados por largura de banda de memória e grandes demais para os telefones atuais; modelos locais menores vs. grandes modelos na nuvem é um trade-off explícito.