Meta desenvolve seus próprios chips para treinar modelos de AI

A empresa que gasta dezenas de bilhões de dólares por ano em infraestrutura de inteligência artificial não quer mais depender de processadores de terceiros, nem mesmo na etapa mais crítica — o treinamento de modelos. O diretor financeiro do Meta Platforms confirmou que a empresa está desenvolvendo chips customizados destinados ao treinamento de futuras modelos de IA. Este anúncio vem no contexto de contratos recentemente fechados com os principais fabricantes de semicondutores e sinaliza que a estratégia do Meta em infraestrutura computacional está se tornando significativamente mais ambiciosa.

Para compreender a escala deste passo, é necessário entender o contexto. Até agora, os chips customizados do Meta — principalmente a família MTIA — foram orientados para inferência, ou seja, executar modelos já treinados. Inferência é uma tarefa mais simples: o modelo já sabe o que fazer, precisa apenas produzir resultados de forma rápida e eficiente.

Treinamento é uma besta completamente diferente. Treinar um grande modelo de linguagem requer um poder computacional enorme, coordenação extremamente complexa entre milhares de processadores e uma largura de banda de memória excepcional. É precisamente por isso que NVIDIA com suas séries GPU H100 e B200 continua sendo praticamente a única fornecedora alternativa para este estágio.

Anunciar o desenvolvimento de um chip de treinamento customizado é desafiar este monopólio.

A motivação do Meta é bastante transparente e medida em números concretos. Em 2025, a empresa gastou em despesas de capital, principalmente relacionadas à infraestrutura de IA, aproximadamente 35-40 bilhões de dólares. Uma parcela significativa desses fundos foi para compra de GPUs da NVIDIA.

Em tais escalas, até uma pequena redução na dependência de um fornecedor externo poderia economizar bilhões. Mas não é apenas sobre dinheiro. Chips customizados oferecem a capacidade de otimizar a arquitetura para necessidades específicas: para a arquitetura dos modelos LLaMA, para as especificidades do treinamento distribuído nos data centers do Meta, para padrões únicos de carga.

Os GPUs universais da NVIDIA são excelentes, mas são precisamente universais — o que significa que inevitavelmente carregam compromissos consigo.

É digno de nota que este anúncio veio após o Meta fechar grandes negócios com os principais fabricantes de chips. Pode parecer estranho: por que investir em desenvolvimentos customizados se parcerias com Broadcom, TSMC e outros players já oferecem acesso a tecnologias de ponta? A resposta está no horizonte de planejamento estratégico.

Desenvolver um chip de treinamento do zero é um processo que leva de três a cinco anos desde o conceito até a produção em massa. O Meta está jogando para o longo prazo: contratos atuais cobrem as necessidades de hoje, enquanto o silício customizado deve garantir independência na próxima década. Esta é a mesma lógica seguida pelo Google com TPU, Amazon com Trainium e Microsoft com Maia — os maiores consumidores de poder computacional não podem permitir-se dependência estratégica de um único fornecedor.

Porém, o caminho de ambições para um chip de treinamento funcionando está repleto de complexidades técnicas e organizacionais. Levou ao Google quase uma década para trazer o TPU ao nível onde a empresa pudesse treinar seus maiores modelos principalmente em seu próprio hardware. Amazon, apesar dos investimentos significativos em Trainium, ainda enfrenta questões sobre ecossistema de software e compatibilidade. Criar um chip é metade da batalha. É necessário construir uma pilha completa: compiladores, frameworks, ferramentas de debug, sistemas de monitoramento. É necessário convencer seus próprios pesquisadores, acostumados a CUDA e PyTorch, a fazer a transição para uma nova plataforma. É necessário garantir confiabilidade no nível de milhares de chips trabalhando juntos por meses sem falhas.

Para NVIDIA, este anúncio é mais um sinal de alerta em uma longa série de similares. Cada cliente importante anunciando seu próprio programa de chips potencialmente reduz o mercado endereçável da empresa de Jensen Huang. Porém, a experiência mostra que a substituição real acontece lentamente. Até o Google, que possui os chips de IA customizados mais maduros da indústria, continua comprando GPUs da NVIDIA para certas tarefas. Muito provavelmente, o Meta está se movimentando para um modelo híbrido, onde chips customizados gradualmente assumem uma parcela cada vez maior da carga, enquanto compras de fornecedores terceiros permanecem como seguro e complemento.

A decisão do Meta de desenvolver chips de treinamento não é apenas notícia corporativa mas um indicador de uma mudança fundamental na indústria. A era quando um único fornecedor podia controlar a fundação computacional de toda a revolução de IA está chegando ao fim. As maiores empresas de tecnologia do mundo estão consistentemente construindo integração vertical — de modelos e dados até o próprio silício no qual tudo roda. A questão não é mais se o Meta pode criar um chip de treinamento competitivo, mas quão rapidamente pode fazer isso — e como isso vai reformatar o mapa do mercado multi-bilionário de infraestrutura de IA.