CEO da Nvidia: Apostamos tudo na IA e ninguém sabia disso
A afirmação da Nvidia de que “apostou tudo” na IA provoca debate sobre quanto de sua dominância vem de visão estratégica versus timing favorável. Comentadores apontam décadas de investimento em CUDA e software GPGPU, que posicionaram a Nvidia perfeitamente quando o deep learning, a mineração de criptomoedas e agora os grandes modelos de linguagem decolaram, enquanto rivais subinvestiram ou cometeram erros. Outros argumentam que, embora a Nvidia tenha construído o ecossistema crucial, ela não poderia ter previsto especificamente o boom atual da IA e se beneficiou por ser a empresa mais bem preparada quando a oportunidade surgiu.
Sorte vs. Estratégia
- Grande divisão: alguns dizem que a Nvidia “teve sorte” com as criptomoedas, a demanda da era da COVID e depois a IA; outros argumentam que apostas estratégicas de longo prazo tornaram essa sorte aproveitável.
- Ponto de consenso comum: o sucesso exigiu tanto preparação (CUDA, GPUs, ecossistema) quanto um timing favorável; descartar isso como “apenas sorte” ou “gênio puro” é visto como ingênuo.
CUDA e o Ecossistema de Software
- Muitos comentários ressaltam o CUDA (lançado em 2007) como o movimento estratégico central: tornar as GPUs programáveis para computação de uso geral (GPGPU) muito antes dos booms do Bitcoin ou do deep learning moderno.
- A Nvidia investiu durante anos em CUDA, cuDNN, ferramentas e conferências, criando um fosso de software e uma visão de “supercomputação pessoal”.
- Esse investimento precedeu as criptomoedas e os LLMs modernos; IA e cripto são enquadrados como “aplicações matadoras” posteriores para uma plataforma de computação vetorial já existente.
Concorrência: AMD, Intel e Outras
- A AMD é frequentemente citada como o contraponto: potencial de hardware comparável, mas subinvestimento em software (OpenCL, concorrentes do CUDA), restrições financeiras e erros estratégicos.
- O Phi da Intel e outras iniciativas são descritos como carentes de ecossistema e visão; também são mencionados problemas de fabricação e liderança.
- Os TPUs do Google e outros aceleradores especializados são vistos como mais eficientes em teoria, mas limitados por acesso, necessidade de flexibilidade e pela evolução da pesquisa.
Linha do Tempo: Cripto, Jogos e IA
- O tópico contesta a ideia de que a IA começou depois das criptomoedas. O deep learning em GPUs (por exemplo, na era ImageNet/AlexNet) já havia deslocado a pesquisa para a Nvidia anos antes do pico do Ethereum.
- Diz-se que a Nvidia reconheceu o potencial da IA por volta desse período e se reposicionou fortemente para o deep learning, mas não que tenha previsto a explosão exata dos LLMs de hoje.
DLSS, Recursos de Jogos e Drivers
- Debate paralelo acalorado sobre DLSS e frame generation: alguns chamam quadros interpolados de “falsos” e propensos a artefatos; outros relatam bons resultados, especialmente sem frame generation.
- Divergência persistente sobre a qualidade dos drivers da AMD: alguns dizem que os problemas ficaram no passado; outros relatam instabilidade contínua em comparação com a Nvidia.
P&D, Apostas de Longo Prazo e Riscos Futuros
- Vários comentários destacam a cultura da Nvidia de apostas de plataforma de longo horizonte e alto risco, em vez de otimização financeira de curto prazo.
- Alguns especulam que o hardware futuro de redes neurais pode se afastar do compute no estilo FMA/tensor core, o que representaria risco para as arquiteturas atuais, embora os detalhes ainda sejam अस्पष्ट.