OpenAI apresenta GPT-5.3-Codex-Spark baseado em chips da Cerebras em vez da Nvidia

# OpenAI abandona a Nvidia. O que isso significa para o futuro da inteligência artificial

Um momento ocorreu na história dos grandes modelos de linguagem que muitos consideravam impossível. OpenAI apresentou GPT-5.3-Codex-Spark — o primeiro modelo principal da empresa que foi treinado e implantado não em processadores gráficos Nvidia, mas em chips alternativos Wafer Scale Engine 3 da Cerebras Systems. Esse passo revela não apenas uma conquista técnica, mas um ponto de inflexão na economia da inteligência artificial e na luta pela independência das empresas mais poderosas da indústria.

Nos últimos cinco anos, a Nvidia estabeleceu controle quase monopolista no mercado de aceleradores para treinamento de redes neurais. Quando ficou claro que as arquiteturas transformer exigiam imensa potência computacional, todos os grandes laboratórios — de OpenAI a Meta e Google — apostaram em suas GPUs. Mas a dependência de um único fornecedor carrega risco. Restrições de exportação para a China, escassez de chips, preços crescentes — tudo isso pressionava as empresas que tentavam escalar seus modelos. OpenAI sofreu em silêncio junto com todos, mas agora decidiu agir.

Cerebras Systems propôs uma abordagem inusitada. Em vez de criar milhares de pequenos processadores, a empresa projetou a WSE-3 — um cristal de silício monolítico do tamanho de uma pastilha inteira, impossível de montar em um soquete padrão. Não é apenas um chip, mas uma mini-fazenda inteira em um pedaço de silício, contendo mais de 900 mil núcleos. Parece que essa solução ia contra os princípios da modularidade, mas foi exatamente isso que permitiu à Cerebras evitar os gargalos de transferência de dados entre processadores individuais — o principal inimigo do treinamento paralelo.

Quando OpenAI testou o treinamento de GPT-5.3-Codex-Spark na WSE-3, os resultados foram inesperados. A velocidade de convergência do modelo permaneceu no nível do treinamento em Nvidia H100, mas exigia menos sincronização e movimento de dados entre aceleradores. Em outras palavras, aquelas horas de tempo ocioso de rede que a empresa desperdiçava antes agora podem ser usadas para computação útil. Isso significa mais barato. Isso significa mais rápido.

Mas o principal não são os números técnicos, mas o significado estratégico. OpenAI demonstrou que uma alternativa à Nvidia existe e que grandes modelos podem ser treinados em chips que não os seus. Este é o primeiro desafio sério ao monopólio, e o mercado já está reagindo. Outras empresas — Intel com sua Gaudi, AMD com EPYC e MI300, até mesmo Google com TPU — agora sabem que existe uma janela de oportunidade. Se OpenAI pode retreinar um modelo em novo hardware e alcançar resultados comparáveis, elas também podem.

A economia da inteligência artificial mudará, mas não instantaneamente. Cerebras atualmente não pode produzir WSE-3 nos volumes que Nvidia produz H100. Reconstrução de infraestrutura, reescrita de código para otimização na nova arquitetura — tudo isso exigirá tempo. Porém, um começo foi feito. Nos próximos dois ou três anos, provavelmente veremos designs de aceleradores mais extravagantes, experimentação mais ativa com chips neuromórficos e computadores quânticos. Nvidia permanecerá um jogador poderoso, mas não o único.

Para usuários comuns de ChatGPT, isso praticamente não mudará nada — o modelo permanece o mesmo, suas capacidades inalteradas. Mas para a indústria, a diferença é enorme. OpenAI provou que grande inteligência pode ser construída de forma diferente, e que na corrida pelo hardware, o sucesso pertence não àqueles que chegaram primeiro, mas àqueles que pensam mais rápido.