Nvidia persegue oportunidade de US$ 30 bilhões em chips personalizados com nova unidade
A movimentação da Nvidia para um mercado de US$ 30 bilhões em chips personalizados de IA e computação provoca debate sobre se os compradores realmente precisam de silício sob medida ou apenas de GPUs mais baratas e com alta VRAM para cargas de trabalho como grandes modelos de linguagem. Comentadores destacam o ecossistema dominante de software da Nvidia, a segmentação agressiva de produtos e o poder de precificação, contrastando isso com os esforços do ROCm da AMD e uma onda de startups e propostas como as ambições reportadas da OpenAI por chips de vários trilhões de dólares. Muitos veem chips personalizados como uma extensão lógica da estratégia de plataforma da Nvidia, ao mesmo tempo em que questionam se ganhos significativos em relação às GPUs de uso geral justificam o enorme capital proposto para novas fabs e arquiteturas.
GPUs de consumo, VRAM e cargas de trabalho de IA
- Vários comentaristas querem GPUs de consumo com VRAM muito grande (por exemplo, 128GB) para executar localmente LLMs de código aberto maiores.
- Outros observam que isso está muito além do que cargas de trabalho gráficas precisam; essas especificações, na prática, transformam uma placa em um acelerador de computação.
- A discussão argumenta que a Nvidia mantém a VRAM de consumo baixa para evitar canibalizar placas de datacenter de alta margem, com grandes saltos de preço entre modelos de 24GB e 40GB atribuídos à segmentação artificial e a licenciamento.
- São apontadas restrições físicas: com as capacidades atuais de GDDR e larguras de barramento, cerca de 48GB é praticamente o máximo em uma GPU de consumo convencional sem HBM, que é caro e limitado pelo encapsulamento.
Abordagens alternativas de memória e computação
- Alguns defendem investimento em computação na memória / ReRAM para reduzir o consumo de energia da IA e o impacto climático.
- Outros descartam isso como algo repetidamente tentado e fracassado, e não comparável a “apenas adicionar mais VRAM”.
- Um ponto intermediário observa que GPUs e estratégias de package-on-package já avançam em direção a computação “próxima da memória” com maior largura de banda.
Eficiência de software vs. abundância de hardware
- Debate sobre se grandes recursos (VRAM, RAM) incentivam código desperdiçador ou permitem produtividade e novos tipos de software.
- Os exemplos vão de código legado altamente otimizado até apps modernos em Electron e ferramentas cotidianas lentas.
- Alguns argumentam que simplificar a “contabilidade” é bom; outros dizem que o desempenho regrediu mais rápido do que o hardware melhorou.
Nvidia, CUDA e concorrentes
- A Nvidia é vista como tendo uma pilha hardware–software forte e coerente (CUDA, PTX, drivers), e uma cultura que prioriza software funcional.
- O ROCm da AMD é considerado tecnicamente em evolução para computação pura, mas com suporte ruim, cobertura oficial limitada de GPUs e instabilidade ao misturar gráficos e computação.
- Essa maturidade torna a Nvidia um candidato natural para chips personalizados de IA em comparação com startups mais novas.
Chips de IA personalizados / sob medida e o debate dos US$ 7 trilhões
- Chips personalizados são apresentados como uma forma de remover recursos de GPU desnecessários ou adicionar blocos específicos de domínio (por exemplo, instruções para telecom).
- Alguns argumentam que muitos clientes realmente só querem GPUs mais baratas e simplificadas, não personalização de verdade.
- O valor reportado de US$ 7 trilhões em financiamento para chips de IA ligado a outra empresa é amplamente visto como irrealista ou puramente voltado a manchetes; comentaristas observam que ele supera projetos históricos como a Segunda Guerra Mundial (em termos ajustados pela inflação) e toda a receita vitalícia da TSMC.
Dinâmica de cloud e preços
- Os preços de GPUs nas principais clouds (AWS/Azure) são criticados por serem altos; outros provedores e hardware especializado (TPUs, Gaudi) são mencionados, mas muitas vezes também têm preços elevados.
- O GeForce Now da Nvidia é citado como surpreendentemente bom em custo-benefício para jogos, levantando dúvidas sobre sua economia de longo prazo.
- Alguns esperam mais provedores de treinamento com GPU mais baratos, “tipo Hetzner”, em 2024–2025, mas observam que hyperscalers podem subsidiar seus próprios custos de treinamento.
Estratégia da Nvidia, fabs e parcerias
- A Nvidia é fabless e vista como portátil entre nós de fabricação, usando a TSMC, a Samsung e, potencialmente, a Intel, dependendo de custo e produto.
- Uma nova unidade de chips personalizados se encaixa em uma mudança mais ampla rumo a licenciamento de IP e domínio de plataforma (por exemplo, acordos anteriores com fabricantes de consoles e fornecedores de SoC).
- Há visões mistas sobre a Nvidia como parceira: tecnicamente bem-sucedida em consoles e datacenters, mas percebida como difícil de lidar e altamente protetora de seu IP de drivers e software.