ASIC
Um ASIC (Application-Specific Integrated Circuit) é um chip projetado e fabricado para executar uma função específica, oferecendo maior desempenho e eficiência energética para essa tarefa do que um processador de propósito geral, mas sem flexibilidade para outras cargas de trabalho.
Um Application-Specific Integrated Circuit (ASIC) é um dispositivo semicondutor cuja lógica é permanentemente fixada no momento da fabricação para implementar um algoritmo ou função particular, em contraste com uma CPU ou GPU de propósito geral, que executam instruções arbitrárias, ou um FPGA, que pode ser reconfigurado após a fabricação. Como cada transistor em um ASIC serve à função alvo e não tem overhead para decodificação de instruções, previsão de branch ou reconfigurabilidade, os ASICs podem alcançar uma melhoria de uma ordem de magnitude ou maior em desempenho por watt comparado com alternativas de propósito geral para a mesma tarefa.
O design de um ASIC envolve criar uma descrição de hardware em Verilog ou VHDL, sintetizá-la para um netlist de nível de porta, posicionar e rotear esse netlist para um nó de processo específico (por exemplo, TSMC 3 nm ou Samsung 4 nm), e depois se comprometer com um conjunto de máscaras—templates fotolitográficos que podem custar dezenas de milhões de dólares—antes de qualquer silício ser produzido. Este alto custo de engenharia não-recorrente (NRE) significa que ASICs são economicamente justificáveis apenas para produção de alto volume (eletrônicos de consumidor) ou para cargas de trabalho onde a vantagem de desempenho por watt compensa o investimento ao longo de um período longo de implantação, como com ASICs de mineração de criptografia ou chips de inferência de IA em escala de nuvem.
No contexto de IA, ASICs importam porque o treinamento e serviço de grandes redes neurais se tornou uma das tarefas mais computacionalmente intensivas da indústria, e o custo energético de executar clusters de GPU em escala é substancial. ASICs de IA personalizados—TPU do Google, Inferentia e Trainium da Amazon, Neural Engine da Apple, LPU do Groq—são engenheirados precisamente para as operações de multiplicação-acumulação de matrizes e padrões de acesso à memória de modelos transformadores, resultando em latência menor e custo menor por token de inferência do que GPUs de propósito geral para cargas de trabalho estáveis e previsíveis.
Até 2026, quase todas as grandes empresas de tecnologia operando em escala de IA ou fizeram tape out ou anunciaram publicamente um ASIC de IA proprietário. A tendência reflete a maturação das arquiteturas de rede neural—tornando viável otimizar silício para um conjunto conhecido de operações—e a escala da demanda de inferência, que justifica o ciclo de design de vários anos. Prototipagem FPGA é comumente usada para validar designs antes de se comprometer com o passo irreversível da fabricação de ASIC.