Meta vai começar a produzir chips de IA próprios em setembro de 2026 para reduzir a dependência da Nvidia
A Meta planeja começar a produzir seu próprio chip para sistemas de inteligência artificial já em setembro de 2026, segundo a Reuters, que cita um memorando interno da empresa. A iniciativa faz parte da estratégia de ampliar a capacidade computacional para 14 gigawatts até 2027 e reduzir a dependência dos chips da Nvidia.
Processado por IA de 3DNews AI; editado por Hamidun News
A Meta Platforms (reconhecida como organização extremista, com atividades proibidas no território da Rússia) pretende começar a produzir seu próprio chip para sistemas de inteligência artificial já em setembro de 2026. A informação é da Reuters, que cita um memorando interno da empresa.
Por que a Meta quer chips próprios
Assim como a maioria das grandes empresas de tecnologia, a Meta passou anos dependendo quase totalmente das GPUs da Nvidia para treinar e rodar seus modelos de IA. O desenvolvimento de um chip próprio deve reduzir essa dependência e dar à Meta mais controle sobre o custo e a disponibilidade de capacidade computacional, que segue como o principal gargalo de toda a indústria de IA. A empresa apresentou os primeiros chips da linha MTIA (Meta Training and Inference Accelerator) ainda em 2023, mas os usou principalmente para tarefas de inferência, e não para treinar modelos realmente grandes.
- A produção do chip próprio está prevista para começar em setembro de 2026
- O objetivo é reduzir a dependência dos chips da Nvidia
- A empresa pretende ampliar a capacidade computacional para 14 GW até 2027
- A fonte da informação é um memorando interno da Meta obtido pela Reuters
De quanta capacidade a Meta precisa
Os 14 gigawatts de capacidade computacional que a empresa espera alcançar no próximo ano representam uma ordem de grandeza acima do consumo da maioria dos data centers existentes. Para comparação, um gigawatt é suficiente para abastecer centenas de milhares de residências. Essa escala se explica pelos investimentos contínuos da Meta no treinamento de modelos cada vez maiores da família Llama e na infraestrutura para seus produtos de IA dentro do Facebook (rede social proibida na Rússia) e do Instagram (serviço proibido na Rússia).
O aumento do consumo de energia dos data centers das empresas de IA já é perceptível também fora da indústria de tecnologia: construir nova capacidade exige não só chips, mas também contratos de longo prazo de fornecimento de energia, incluindo acordos com usinas nucleares e a gás.
Por que essa é uma questão estratégica para toda a indústria
A demanda por chips da Nvidia supera tanto a oferta que os maiores compradores passam anos na fila por entregas e são obrigados a aceitar os preços definidos pela própria Nvidia. Na prática, a empresa se tornou o principal gargalo de toda a indústria de IA. O surgimento de chips próprios entre grandes clientes não tira a Nvidia totalmente do mercado: o treinamento dos maiores modelos continua exigindo GPUs de ponta, enquanto os projetos internos costumam atender tarefas mais específicas, como a inferência. Ou seja, as respostas dos modelos às solicitações dos usuários, executadas bilhões de vezes por dia e que saem mais baratas em hardware especializado.
O que isso significa
Chips de IA próprios permitem que grandes empresas de tecnologia dependam menos da Nvidia e de sua política de preços. O Google, com os chips TPU, e a Amazon, com os chips Trainium, já seguem um caminho semelhante, e a entrada da Meta nesse mercado acirra ainda mais a disputa por componentes e capacidade de data centers. Para a Nvidia, é um sinal de que até os maiores clientes buscam diversificar seus fornecedores de computação. Para o mercado como um todo, indica que a corrida pelo silício de IA próprio está se tornando regra entre todos os gigantes do setor, e não exceção.
- 1 de nov. de 2026Camada de proteção MoneyGate barrou os 42 pedidos fraudulentos feitos a IAs locais
- 31 de out. de 2026Gateway de LLM open source KTMS 1.0 conecta GPUs próprias à nuvem e sobrevive a falhas
- 31 de out. de 2026LTX-2.5 de 22 bilhões de parâmetros roda em RTX 3080 de 10 GB, mas leva 5 minutos por plano
- 29 de out. de 2026T-Tech cria o método LIMe, que treina modelos de linguagem com 15% menos computação
Perguntas frequentes sobre a notícia
Por que a Meta quer chips próprios?
Assim como a maioria das grandes empresas de tecnologia, a Meta passou anos dependendo quase totalmente das GPUs da Nvidia para treinar e rodar seus modelos de IA. O desenvolvimento de um chip próprio deve reduzir essa dependência e dar à Meta mais controle sobre o custo e a disponibilidade de capacidade computacional, que segue como o principal gargalo de toda a indústria de IA. A empresa apresentou os primeiros chips da linha MTIA (Meta Training and Inference Accelerator) ainda em 2023, mas os usou principalmente para tarefas de inferência, e não para treinar modelos real
O que se sabe sobre De quanta capacidade a Meta precisa?
Os 14 gigawatts de capacidade computacional que a empresa espera alcançar no próximo ano representam uma ordem de grandeza acima do consumo da maioria dos data centers existentes. Para comparação, um gigawatt é suficiente para abastecer centenas de milhares de residências. Essa escala se explica pelos investimentos contínuos da Meta no treinamento de modelos cada vez maiores da família Llama e na infraestrutura para seus produtos de IA dentro do Facebook (rede social proibida na Rússia) e do Instagram (serviço proibido na Rússia). O aumento do consumo de energia dos data ce
Por que essa é uma questão estratégica para toda a indústria?
A demanda por chips da Nvidia supera tanto a oferta que os maiores compradores passam anos na fila por entregas e são obrigados a aceitar os preços definidos pela própria Nvidia. Na prática, a empresa se tornou o principal gargalo de toda a indústria de IA. O surgimento de chips próprios entre grandes clientes não tira a Nvidia totalmente do mercado: o treinamento dos maiores modelos continua exigindo GPUs de ponta, enquanto os projetos internos costumam atender tarefas mais específicas, como a inferência. Ou seja, as respostas dos modelos às solicitações dos usuários, exec
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.