Três acordos em três dias tiraram a Nvidia do padrão para uma opção entre várias

Em 2 de outubro, a Amazon e a Synopsys anunciaram uma parceria de vários anos no valor de mais de US$ 1 bilhão que concede à Amazon licenças exclusivas para as ferramentas de design de chips aceleradas por IA da Synopsys. No mesmo dia, relatos descreveram a OpenAI implantando processadores ASIC Jalapeno ao lado de CPUs AMD EPYC Turin em configurações de escala de rack, contornando os chips agênticos de alto desempenho da Nvidia. Em 3 de outubro, a General Compute assinou um acordo de vários anos para colocar os processadores de escala de wafer da Cerebras em sua nuvem de GPU.

Três empresas distintas, três rotas diferentes, uma direção. Os maiores compradores de computação de IA estão construindo ou comprando alternativas ao fornecedor que supriu quase toda ela.

Nada disso significa que a Nvidia está perdendo. Significa que o mercado não é mais de fonte única, e esse é um tipo diferente de risco.

A Amazon compra as ferramentas por trás do chip

O acordo com a Synopsys é o menos dramático e, possivelmente, o mais consequente. A Amazon já projeta seu próprio silício, incluindo as linhas Trainium e Inferentia. Possuir as ferramentas de design é um passo mais a montante. O software de design de chips determina a rapidez com que uma empresa consegue iterar, e o acesso exclusivo a ferramentas de design aceleradas por IA encurta o ciclo entre uma ideia e uma peça testável.

Exclusividade é a palavra-chave. Se a Amazon detém licenças que os concorrentes não conseguem obter, seus ciclos internos de design se acumulam mais rápido que os deles. Essa vantagem não diz respeito a um chip específico. Diz respeito a quantas gerações a Amazon consegue produzir no tempo em que um rival produz uma.

Há um custo nessa abordagem. Projetar aceleradores internamente significa manter uma pilha de software, um compilador e um conjunto de bibliotecas que os desenvolvedores precisam adotar. O verdadeiro fosso da Nvidia nunca foi apenas o silício. É o CUDA, os anos de ferramentas construídas sobre ele e o hábito dos engenheiros de recorrer à Nvidia em primeiro lugar. O US$ 1 bilhão da Amazon compra velocidade de design. Não compra esse hábito.

A OpenAI contorna o topo de linha de propósito

A implantação do Jalapeno pela OpenAI é mais direcionada. Combinar ASICs personalizados com CPUs AMD EPYC Turin em escala de rack significa que a OpenAI não está esperando o próximo componente de alto desempenho da Nvidia. Está montando capacidade de inferência a partir de componentes que pode adquirir nos seus próprios termos.

Para inferência, essa é uma aposta razoável. Treinar um modelo de fronteira exige a interconexão mais rápida e os maiores pools de memória, e é aí que os componentes de topo da Nvidia justificam seu preço. Servir um modelo pronto a milhões de usuários é uma carga de trabalho diferente, e recompensa mais o custo por token do que o desempenho de pico bruto. Se um ASIC personalizado mais uma CPU de propósito geral conseguem atender o mesmo tráfego por menos, a economia escala com o volume.

A OpenAI tem tanto o tráfego quanto o quadro de engenheiros para justificar o investimento. Também tem um motivo além do custo. Toda dependência de um único fornecedor confere a esse fornecedor influência, e nenhum laboratório quer que seu roadmap seja definido pelas decisões de alocação de outra pessoa.

A Cerebras encontra um canal de distribuição

O acordo com a General Compute é o sinal mais claro de que as alternativas estão passando da pesquisa para o varejo. A Cerebras fabrica processadores de escala de wafer, que são genuinamente diferentes de um rack de GPUs. Colocá-los em uma plataforma de nuvem de GPU significa que clientes que já alugam computação podem selecionar uma instância Cerebras da mesma forma que selecionam qualquer outro tipo de máquina.

Isso importa porque a adoção tem um problema de distribuição. Um acelerador melhor sem forma de ser alugado por hora é um projeto de pesquisa. Um acelerador pior que aparece em um menu suspenso é um negócio. A General Compute está fornecendo o menu suspenso.

Se o silício de escala de wafer vence em cargas de trabalho reais ainda está em aberto. O ponto é que a capacidade de inferência não precisa mais vir da linha de produtos de um único fornecedor para chegar aos clientes.

Por que o fosso de software é mais difícil de comprar

Toda empresa que persegue um acelerador alternativo esbarra no mesmo muro, e ele não é feito de silício. A vantagem da Nvidia repousa sobre uma pilha de bibliotecas, compiladores e ferramentas de depuração que os desenvolvedores já conhecem. Reescrever um script de treinamento para um novo acelerador é tarefa de um fim de semana. Reescrever um sistema de produção inteiro, retreinar uma equipe e aceitar um período de desempenho pior é uma decisão que precisa ser justificada a alguém.

É por isso que os três acordos se concentram em camadas diferentes. A Amazon está comprando ferramentas de design, o que reduz o custo de produzir componentes. A OpenAI está implantando silício de inferência, onde a superfície de software é mais estreita que no treinamento. A General Compute está adicionando um item de menu, para que os clientes possam experimentar uma alternativa sem se comprometer com uma migração.

O caminho mais provável para os desafiadores não é substituir o incumbente no treinamento. É vencer na inferência, onde as cargas de trabalho são mais padronizadas e o custo por token é mais fácil de medir. Uma vez que um grande volume de inferência roda em alternativas, as ferramentas em torno delas melhoram, e a lacuna diminui para a próxima geração.

Há um paralelo histórico útil. O Linux não desbancou o Unix no desktop, e não precisou. Conquistou os servidores, onde a carga de trabalho era padronizada e o comprador se importava com o custo por unidade de trabalho. Um ecossistema desafiador só precisa de uma categoria de carga de trabalho para se estabelecer antes de poder crescer para as outras.

O padrão é heterogêneo, não anti-Nvidia

Junte os três movimentos e a estratégia não é substituir a Nvidia. É parar de depender de uma única curva de oferta. A Amazon quer velocidade de design. A OpenAI quer economia de inferência. A General Compute quer um menu diferenciado. Cada comprador está otimizando para uma restrição diferente, e nenhum deles está tentando ganhar um benchmark.

É assim que mercados maduros de computação se comportam. Mainframes, x86 e, por fim, o mobile, todos se fragmentaram à medida que o volume cresceu e os compradores ganharam poder de barganha. O mercado de aceleradores de IA chegou a esse ponto, e a fragmentação está aparecendo nas compras, não nos anúncios de produtos.

Para a Nvidia, a implicação não é perder participação amanhã. É que preços e alocações serão negociados em vez de aceitos. Quando um cliente pode dizer de forma crível que tem uma alternativa funcional, a conversa muda.

O que observar

Se as ferramentas de design da Amazon produzirão componentes que desenvolvedores externos queiram usar. A exclusividade ajuda a Amazon internamente. Uma alternativa real precisa de um ecossistema externo, e isso exige documentação, compiladores e paciência.

Se os racks Jalapeno da OpenAI lidarão com tráfego de produção com a confiabilidade que seus usuários esperam. Silício personalizado é fácil de anunciar e difícil de operar. Uma única indisponibilidade de alto perfil atrasaria a estratégia alternativa em um ano.

Se outras nuvens seguirão a General Compute e listarão aceleradores que não são GPUs. A distribuição é o gargalo de todo desafiante, e cada vitrine adicional torna a próxima mais fácil.

O detalhe interessante é o timing. Esses três acordos surgiram em um intervalo de cerca de 72 horas, vindos de empresas que não se coordenam. Quando compradores independentes chegam à mesma conclusão na mesma semana, a conclusão geralmente reflete uma mudança real nas condições subjacentes, e não uma coincidência.

A compra de computação acaba de se tornar uma decisão de portfólio, o que é uma mudança mais silenciosa do que qualquer lançamento de chip e que sobreviverá à próxima geração de produtos.