Entrada 101
Silício Personalizado: Por Que os ASICs Importam Mesmo se a NVIDIA Ganhar
O silício de IA personalizado — o TPU do Google, o Trainium e o Inferentia da Amazon, o MTIA da Meta, o Maia da Microsoft, e uma onda de chips específicos para clientes projetados pela Broadcom e pela Marvell — é frequentemente descrito como uma ameaça à NVIDIA. Essa leitura está errada. O silício personalizado não é uma disputa de vencedor único; ele é específico para cada carga de trabalho. A NVIDIA domina o mercado de treinamento e inferência de uso geral por causa do CUDA e do aprisionamento ao seu ecossistema. Os ASICs vencem em cargas de trabalho de inferência específicas onde as hyperscalers conseguem justificar o custo de projeto. As duas tendências crescem simultaneamente, e a Broadcom e a Marvell recolhem taxas de projeto do lado dos ASICs independentemente de qual hyperscaler vença.
Traduzido automaticamente do original em inglês. Ler o original em inglês →
Os Três Atores do Silício Personalizado
- Hyperscalers que projetam internamente: Google (TPU v5), Amazon (Trainium 2, Inferentia 3), Meta (MTIA v2), Microsoft (Maia). Programas de vários anos, bilhões em gastos com projeto.
- Fundições de silício personalizado: Broadcom (a maior, com o TPU do Google entre seus clientes), Marvell (AWS, entre outros). Elas projetam e finalizam (tape out) chips conforme as especificações do cliente.
- Propriedade intelectual e ferramentas de projeto: Arm, Cadence, Synopsys. Todo chip personalizado usa IP licenciada e software de projeto — e esses fornecedores são pagos independentemente de qual chip vença.
Por Que os ASICs Fazem Sentido para Cargas de Trabalho Específicas
Uma carga de trabalho executada em escala 24 horas por dia — ranqueamento de busca, inferência de anúncios, sistemas de recomendação — pode amortizar um custo de projeto de chip de US$ 500 milhões ao longo de anos de operação. Os ASICs oferecem de 3 a 10 vezes mais desempenho por watt em comparação com GPUs em cargas de trabalho específicas e restritas. Uma vez que uma hyperscaler atinja volume interno suficiente, o silício interno se torna justificável em termos de ROI puro. A conta é direta e não depende da continuidade de nenhuma tendência específica de IA.
Por Que os ASICs Não Matam a NVIDIA
O treinamento de modelos de fronteira exige a programabilidade de uso geral que o CUDA + GPUs oferecem. Novas arquiteturas de modelos surgem mais rápido do que os ciclos de projeto de ASICs conseguem acompanhar — um ciclo de projeto de chip de 2 anos contra mudanças arquiteturais de 6 meses. Os efeitos de rede do ecossistema CUDA (mentalidade dos desenvolvedores, maturidade das bibliotecas, compatibilidade) se acumulam ano após ano. Clientes que executam cargas de trabalho mistas — a maioria das empresas — não conseguem justificar o projeto de ASICs; eles compram GPUs. A narrativa da “assassina da NVIDIA” está errada há uma década porque interpreta mal a estrutura do mercado.
Para Onde o Dinheiro Flui
A NVIDIA captura o treinamento, a inferência de uso geral e a longa cauda das cargas de trabalho de IA empresarial. As hyperscalers capturam economia de custos em sua inferência interna de alto volume. Broadcom e Marvell capturam receita de serviços de projeto independentemente de qual hyperscaler vença. A TSMC captura participação de wafers tanto da NVIDIA quanto do ecossistema de ASICs. O bolo total do silício de IA cresce; as fatias são diferentes.
A Implicação para o Investidor
O barbell — posição comprada em NVIDIA para treinamento e uso geral, posição comprada em Broadcom/Marvell/Arm para o ecossistema de ASICs — captura as duas pernas da tendência. Apostar contra a NVIDIA apenas com base na ameaça dos ASICs tem sido uma operação perdedora desde 2017. Ignorar o silício personalizado deixa passar uma das histórias de crescimento de serviços de projeto mais claras do setor de semicondutores.