A natureza da concorrência na infraestrutura de inteligência artificial está mudando. Depois de anos em que a vantagem da Nvidia esteve associada principalmente à posse das unidades de processamento gráfico GPU mais avançadas, esta análise indica que o centro de gravidade está gradualmente se transferindo para o que envolve o processador: gestão da memória, roteamento de dados, armazenamento, redes e coordenação do trabalho entre os componentes do sistema. Com a expansão das cargas de trabalho de inteligência artificial para a escala de gigawatts, aumentar apenas o número de ciclos de processamento já não é suficiente para alcançar a eficiência necessária.
Esta leitura ocorre em um momento em que grandes empresas de infraestrutura de nuvem, como Amazon e Google, começaram a desenvolver seus próprios chips, enfraquecendo a ideia de que a Nvidia é a única opção para obter hardware avançado de inteligência artificial. Isso levantou questões sobre a sustentabilidade da vantagem da empresa, especialmente depois que seu valor de mercado cresceu dez vezes entre o início de 2023 e meados de 2025, antes que o movimento de suas ações se tornasse mais moderado durante o ano seguinte, em meio a preocupações com a concorrência nas unidades GPU.
Do processador ao sistema de rack
Segundo o material, a Nvidia oferece atualmente a arquitetura Vera Rubin, que combina a unidade Rubin GPU com um conjunto de outras unidades, entre elas a Vera CPU, o acelerador de inferência Groq 3 LPX e racks dedicados para armazenamento e redes. Esses componentes não se concentram necessariamente na execução direta de tokens, mas em garantir que os dados cheguem às unidades GPU na velocidade e no momento adequados.
É possível comparar a GPU ao motor, enquanto os demais componentes do sistema desempenham as funções do carro que garantem o uso eficiente da potência do motor. Quanto maior a capacidade dos data centers, maior a necessidade de memória, mas transferir dados da memória para o processador sem gargalos tornou-se um desafio independente. Esse desafio ganha importância à medida que os operadores de infraestrutura buscam reduzir o número de tokens que podem ser produzidos por watt.
O papel da Vera CPU no roteamento de dados
Jason Hardy, vice-presidente de tecnologias de armazenamento da Nvidia, afirmou que a Vera é importante porque a quantidade de memória que pode ser instalada em um único servidor ou plataforma de computação é limitada. De acordo com o que a análise atribuiu a ele, as operações obtiveram uma melhoria de até três vezes quando a Vera CPU permitiu acelerá-las, possibilitando o uso das unidades de armazenamento flash em todo o seu potencial, em vez de deixar o desempenho ser prejudicado por gargalos na transferência de dados.
O significado prático é que o desempenho de um data center não é determinado apenas pelas especificações de uma GPU individual. Mesmo uma unidade de processamento rápida pode não alcançar todo o seu potencial se os dados não chegarem a ela no momento adequado, ou se a memória, o armazenamento e as redes não forem capazes de acompanhar o fluxo de trabalho. Por isso, a Nvidia tenta vender um sistema integrado, e não apenas um chip separado.
Uma solução diferente da OpenAI
A Nvidia não é a única a enfrentar o problema do fluxo de dados. Quando a OpenAI desenvolveu o chip Jalapeño, reduzir a quantidade de dados que precisava ser transferida entre os componentes foi um foco central do projeto. A empresa afirmou que a grande área do chip permite que toda a carga de trabalho permaneça dentro de um único sistema conectado, reduzindo o movimento de dados e as latências de comunicação e ajudando a manter a solicitação rápida e eficiente de ponta a ponta.
As duas abordagens são diferentes: a arquitetura da Nvidia tenta gerenciar o fluxo de dados com eficiência por meio de um conjunto de componentes especializados, enquanto a OpenAI busca reduzir o próprio movimento mantendo a carga de trabalho dentro de um chip ou sistema integrado. Mas o objetivo é o mesmo: melhorar a eficiência em vez de depender apenas da adição de ciclos de processamento ou de mais chips.
Por que essa mudança é importante?
Aqui surge uma nova camada de concorrência na inteligência artificial. Construir uma GPU concorrente já não é necessariamente suficiente; as empresas também precisam fazer com que todo o sistema opere com eficiência. Isso abre espaço para que fabricantes de chips e operadores de serviços de nuvem concorram no projeto de racks, na coordenação da memória e na gestão do armazenamento e das redes, e não apenas na potência bruta de processamento.
Leitura da certi.news: o que realmente mudou foi a definição de desempenho nos data centers de inteligência artificial. O critério passa da pergunta “quão rápida é a placa?” para uma pergunta mais ampla: “quão eficiente é o sistema em manter a placa ocupada com os dados adequados?”. Isso dá à Nvidia a oportunidade de expandir sua vantagem para uma camada difícil de separar do restante da infraestrutura, mas não encerra a concorrência. A empresa enfrentará concorrentes tanto nas unidades GPU quanto na gestão e coordenação dos sistemas, e a fonte não apresenta números comparativos abrangentes entre a arquitetura da Nvidia e as soluções dos concorrentes, nem comprova que a vantagem atual continuará no longo prazo.
Para os operadores de data centers, isso significa que as decisões de infraestrutura podem exigir uma análise da eficiência do sistema como um todo, e não apenas do preço ou do desempenho do processador. Para os projetistas de chips, o desafio se amplia do aumento da capacidade computacional para a redução do movimento de dados e dos gargalos. A análise indica que a Nvidia parece estar nos estágios iniciais com um forte avanço nessa nova camada, sem que isso signifique o fim da concorrência ou garanta uma superioridade permanente.