NVIDIA, CUDA e os Novos Desafiadores
"Você não pode conectar os pontos olhando para frente; só pode conectá-los olhando para trás."
Steve Jobs
Parte 1 deste ensaio de 3 partes abordou as guerras RISC vs CISC e como o ISA x86 da Intel, auxiliado pelo ciclo virtuoso da Wintel, economias de escala e um ecossistema completo de bloqueio na era dos PCs, derrotou uma geração de arquiteturas RISC mais elegantes, enquanto a DEC e a Sun Microsystems, duas empresas icônicas, se tornaram meras notas de rodapé.
Esta parte examina como a NVIDIA construiu um império notavelmente semelhante ao longo de três décadas para se estabelecer como a líder indiscutível na atual era da IA, e como um novo conjunto de desafiadores está tentando roubar sua fatia de mercado.
NVIDIA: De uma Cabine de Denny's a uma Fortaleza de Trilhões de Dólares
Em 1993, a Intel lançou o processador Pentium, que consolidou seu status como a plataforma de computação indiscutível da era dos PCs. No mesmo ano, três engenheiros – Jensen Huang, Chris Malachowsky e Curtis Priem – esboçaram a ideia de um negócio que se tornaria a NVIDIA – durante um café da manhã em uma cabine de Denny's em San Jose, Califórnia.
Priem e Malachowsky eram colegas de trabalho na Sun, uma das empresas mais proeminentes da era RISC, discutida na Parte 1, que o ecossistema x86 da Intel acabou destruindo. A arquitetura SPARC da Sun, suas margens de hardware proprietário e seu modelo verticalmente integrado foram todos commoditizados pelo x86 + Linux na década seguinte.
E, no entanto, dois engenheiros da mesma empresa construíram a NVIDIA, que em 2023 se tornou exatamente o que a Intel era em 1993 – a plataforma dominante e controladora de ecossistema de sua era computacional. A empresa que a Intel matou, inadvertidamente, gerou a empresa que um dia ofuscaria a Intel.
Nada sobre a cristalização de três décadas da NVIDIA era visível em 1993. A NVIDIA passou sua primeira década como uma empresa de placas de vídeo, sua segunda década construindo uma plataforma de nicho para computação científica, e apenas em sua terceira década, com o boom da IA, ficou claro que a NVIDIA havia construído um fosso estruturalmente idêntico ao que a Intel construiu com o x86 e a Wintel – e, argumentavelmente, mais profundo. Os fundadores da NVIDIA, que viram a Sun perder para o manual de ecossistema da Intel, acabaram executando o mesmo manual, de forma mais eficaz, uma geração depois.
Após quase morrer com o chip NV1, a NVIDIA se estabeleceu como líder em gráficos com a GeForce 256, comercializada como "a primeira GPU do mundo" em 1999. Mas as GPUs ainda eram apenas periféricos de nicho para gamers e engenheiros de CAD. A transformação da NVIDIA em um gigante da IA começou com uma única aposta: CUDA.
CUDA: A Aposta que Criou um Império
Em 2006, a NVIDIA lançou uma Compute Unified Device Architecture, ou CUDA. As origens intelectuais remontam a Ian Buck, um estudante de doutorado em Stanford cuja linguagem de GPU de propósito geral, Brook, convenceu a NVIDIA a contratá-lo em 2004. Buck e o arquiteto de GPU John Nickolls transformaram Brook em uma plataforma de desenvolvimento completa. Pela primeira vez, desenvolvedores podiam programar GPUs para tarefas não gráficas em C/C++.
A CUDA cresceu lentamente por anos, meramente como uma ferramenta de nicho para cientistas computacionais. A NVIDIA investiu pesadamente em bibliotecas, documentação, parcerias universitárias e relações com desenvolvedores, com convicção e sem qualquer retorno de curto prazo. Jensen mais tarde relembraria como seu investimento implacável em CUDA quase levou a NVIDIA à falência.
Então, em 2012, a AlexNet, uma rede neural construída pela equipe de Geoffrey Hinton na Universidade de Toronto, destruiu o benchmark de reconhecimento de imagem ImageNet usando duas GPUs da NVIDIA. Uma curiosidade de pesquisa de nicho de repente parecia o futuro da IA. A NVIDIA agiu com velocidade extraordinária e execução impecável para aproveitar a oportunidade:
- Construiu o cuDNN, que TensorFlow e PyTorch integraram como seu backend de deep learning padrão.
- Adicionou Tensor Cores para matemática matricial de deep learning.
- Lançou sistemas DGX como o dispositivo padrão para pesquisa em IA.
- Em 2016, doou o primeiro DGX1 para a OpenAI, cultivando a organização que criaria o ChatGPT.
- Adquiriu a Mellanox, ganhando controle da malha de rede que conecta milhares de GPUs em supercomputadores de IA.
Quando o ChatGPT desencadeou a demanda do mercado de massa por IA generativa em novembro de 2022, o fosso da CUDA já estava em construção há dezesseis anos! O H100 se tornou o chip indispensável do boom da IA, e a receita da NVIDIA disparou, crescendo 5 vezes nos 3 anos seguintes.
O início lento e a explosiva ascensão da NVIDIA espelham a evolução da Intel, de fabricante de memória em sua fundação em 1968 a porta-bandeira da revolução do microprocessador e do PC nos anos 1990.
Tanto a Intel quanto a NVIDIA começaram desenvolvendo tecnologias distintas do que viria a se tornar seus motores centrais de crescimento. Ambas usaram eficazmente suas competências essenciais a seu favor e se tornaram plataformas de computação dominantes, com três décadas de diferença. Ambas enfrentaram uma lista completa de desafiadores, tanto incumbentes quanto startups.
Os Desafiadores: Uma Dúzia de Maneiras de Acelerar
O elenco de desafiadores da NVIDIA em 2026 guarda uma semelhança estrutural com os desafiadores da Intel e do x86 nos anos 1990. Cada um traz inovação genuína, e cada um enfrenta a mesma gravidade do ecossistema.
A AMD é a concorrente de silício comercial mais próxima e desempenha o mesmo papel de sombra que desempenhou contra a Intel no x86. O hardware da AMD é competitivo. Mas a lacuna do ecossistema de software é o que mantém a CUDA dominante, exatamente como a base de software x86 manteve a Intel dominante mesmo quando o hardware RISC era mais rápido.
Os TPUs do Google são a alternativa de treinamento mais confiável. O Google tem o stack de IA mais completo, do silício à nuvem. Mas os TPUs são exclusivos do Google Cloud, trocando o lock-in da NVIDIA pelo lock-in do Google.
O Amazon Trainium alimenta o treinamento de modelos de fronteira com uma relação preço-desempenho substancialmente melhor que as instâncias da NVIDIA, mas é exclusivo da AWS, novamente trocando o lock-in da NVIDIA pelo lock-in da AWS. A Amazon está subsidiando sua própria fuga da NVIDIA.
O Microsoft Maia 100 foi projetado não para substituir a NVIDIA, mas para reduzir a dependência do Azure em relação à NVIDIA – uma jogada de otimização de TCO, não um desafio de plataforma. A Cerebras construiu o Wafer-Scale Engine – quase um wafer inteiro de silício de 300 mm como um único processador. Uma solução disruptiva e ousada, mas de nicho, ganhando alguma tração, mas a adoção generalizada ainda é incerta.
A SambaNova adotou uma abordagem diferente com sua Reconfigurable Dataflow Unit (RDU), uma arquitetura de fluxo de dados distinta de GPUs e TPUs.
A Tenstorrent também aposta que as GPUs são fundamentalmente a abstração errada para cargas de trabalho de IA e que o fluxo de dados vencerá em escala, assim como o RISC venceu o argumento técnico contra o CISC. A Tenstorrent desenvolveu uma arquitetura de acelerador construída em torno de uma grade de pequenos núcleos de computação idênticos, cada um com sua própria SRAM local, unidade de matemática matricial, unidade vetorial e processadores RISC-V que gerenciam o movimento de dados e o agendamento localmente.
Há também várias outras startups. O JP Morgan projeta que o silício personalizado pode capturar 45% do mercado de chips de IA até 2028. A NVIDIA agora enfrenta concorrência de seus próprios clientes.
O Fosso da CUDA: Wintel, Recarregada
Os paralelos entre a NVIDIA hoje e a Intel nos anos 1990 são estruturais, e não meramente superficiais:
O lock-in da CUDA não é uma dependência única. Ele se acumula em vários níveis – kernels ajustados às bibliotecas matemáticas da NVIDIA, comportamento de precisão mista calibrado ao cuDNN, treinamento distribuído otimizado em torno da NVIDIA Collective Communications Library (NCCL), pipelines de integração e implantação contínuas construídos sobre as ferramentas da CUDA e toda uma geração de engenheiros treinados em CUDA antes mesmo de se formarem.
O fosso da NVIDIA pode ser mais profundo que o fosso que a Intel construiu por duas razões principais:
Integração vertical: A Wintel controlava o SO e a CPU, mas dependia de terceiros para todo o resto. A NVIDIA controla a GPU, a rede (NVLink, InfiniBand), o software (CUDA, cuDNN, TensorRT, NCCL) e sistemas completos em escala de rack (NVL72, 72 GPUs Blackwell como uma única unidade lógica de computação). Na GTC 2026, a NVIDIA revelou a plataforma Vera Rubin com sete tipos distintos de chips compreendendo cinco configurações de sistema em escala de rack, estendendo o controle vertical além do que a Intel jamais alcançou.
Custos de mudança intensivos em capital: Portar um aplicativo Windows para Linux nos anos 1990 era caro, mas limitado. Retreinar um modelo de IA de fronteira em hardware alternativo custa centenas de milhões de dólares e meses de engenharia.
Groq: NVIDIA Absorve um Desafiador
Talvez o desenvolvimento mais revelador do último ano seja o que aconteceu com um desafiador que estava ganhando tração real. A Groq, fundada pelo ex-engenheiro de TPU do Google Jonathan Ross, construiu uma Language Processing Unit (LPU) otimizada para inferência de latência ultrabaixa. Sua arquitetura baseada em SRAM alegava oferecer geração de tokens 4 a 7 vezes mais rápida que GPUs, com latência determinística. Em 2025, a Groq estava mirando US$ 500 milhões em receita e havia levantado US$ 750 milhões com uma avaliação de US$ 6,9 bilhões. Na véspera de Natal de 2025, a NVIDIA anunciou um acordo de US$ 20 bilhões, o maior de sua história, para licenciar a tecnologia de inferência da Groq e contratar a maior parte de sua equipe técnica, incluindo o fundador Ross.
Na GTC 2026, Jensen revelou seu plano para a tecnologia Groq. O acelerador de inferência Groq 3 LPX será encaixado na plataforma Vera Rubin como um coprocessador dedicado à fase de decodificação e, segundo Jensen, representará cerca de 25% da computação em um cluster de IA.
A aquisição carrega um sinal mais profundo. Por um lado, valida a existência de um mercado para aceleradores não-GPU, especialmente para cargas de trabalho de inferência. Por outro lado, indica que Jensen e a NVIDIA podem estar dispostos a engolir qualquer ameaça emergente ao seu império de GPUs.
É fascinante notar que este também é um manual com precedente histórico. Em 1998, a Intel adquiriu o IP Alpha da DEC e sua fábrica de fabricação de silício, não para usá-lo, mas para neutralizá-lo. O acordo com a Groq é um pouco mais sofisticado – a NVIDIA está integrando tecnologia genuinamente útil –, mas o efeito competitivo é semelhante: um desafiador a menos na mesa.
Resumo
Assim como a Intel construiu um ecossistema formidável em torno dos CPUs x86 durante a era dos PCs, a NVIDIA construiu um império notavelmente semelhante em torno de GPUs programáveis para lançar a era da IA. O fosso da CUDA pode ser mais profundo que o fosso do x86 e da Wintel jamais foi, e, diferentemente da Intel, a NVIDIA foi rápida em subir na pilha de tecnologia e se tornar uma provedora de sistemas e software, em vez de permanecer uma mera fornecedora de silício comercial.
Assim como no passado, junto com a ascensão da NVIDIA, veio um novo elenco de desafiadores, incluindo empresas de chips comerciais, hyperscalers e uma série de startups construindo silício personalizado. Esses desafiadores desenvolveram arquiteturas inovadoras e elegantes que vão contra o gigante NVIDIA. Mas, assim como no passado, eles carecem da escala, das economias de volume, do lock-in de software e da integração de sistemas dominados pela NVIDIA.
Assim como o imenso cofre de guerra da Intel permitiu que ela derrotasse quase todos os concorrentes de fabricação de semicondutores dos anos 1990, a NVIDIA está usando sua enorme bonança para fazer aquisições inteligentes em toda a pilha de tecnologia, cobrindo quase todas as tendências emergentes potenciais, de interconexões ópticas à computação quântica.
A Parte 3 dará um passo atrás dos detalhes para ponderar uma questão fascinante: O que acontece a seguir?
