NVIDIA, CUDA e os Novos Desafiadores
“Você não pode conectar os pontos olhando para frente; só pode conectá-los olhando para trás.”
Steve Jobs
A Parte 1 deste ensaio em 3 partes cobriu as guerras entre RISC e CISC e como o ISA x86 da Intel, auxiliado pelo volante Wintel, pela economia de escala e por um ecossistema completo que dominou a era do PC, 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 tomar participação de mercado dela.
NVIDIA: De um Banco do Denny's a uma Fortaleza de Trilhões de Dólares
Em 1993, a Intel lançou o processador Pentium, que cimentou seu status como a plataforma de computação indiscutível da era do PC. 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 um banco do 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 comoditizados pelo x86 + Linux na década seguinte.
E, no entanto, dois engenheiros da mesma empresa foram construir a NVIDIA, que em 2023 se tornou exatamente o que a Intel era em 1993 – a plataforma dominante e controladora do ecossistema de sua era da computação. 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 gráficas, sua segunda década construindo uma plataforma de computação científica de nicho, e apenas em sua terceira década, com o boom da IA, ficou claro que a NVIDIA havia construído um fosso estruturalmente idêntico e, indiscutivelmente, mais profundo do que aquele que a Intel construiu com o x86 e o Wintel. Os fundadores da NVIDIA, que viram a Sun perder para o manual de jogadas do ecossistema da Intel, acabaram executando o mesmo manual, de forma mais eficaz, uma geração depois.
Depois de quase morrer com o chip NV1, a NVIDIA se estabeleceu como a 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 jogadores e engenheiros de CAD. A transformação da NVIDIA em um gigante da IA começou com uma única aposta: CUDA.
CUDA: A Ousadia que Criou um Império
Em 2006, a NVIDIA lançou uma Arquitetura de Dispositivo Computacional Unificado, ou CUDA. As origens intelectuais remontam a Ian Buck, um PhD de Stanford cuja linguagem de GPU para 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 beira da 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 NVIDIA. Uma curiosidade de pesquisa de nicho de repente pareceu o futuro da IA. A NVIDIA se moveu com velocidade extraordinária e execução impecável para aproveitar a oportunidade:
- Construiu a cuDNN, que o TensorFlow e o PyTorch integraram como seu backend de deep learning padrão.
- Adicionou Tensor Cores para matemática matricial de deep learning.
- Lançou sistemas DGX como o aparelho padrão de pesquisa em IA.
- Em 2016, doou o primeiro DGX1 para a OpenAI, cultivando a organização que criaria o ChatGPT.
- Adquiriu a Mellanox, ganhando controle sobre a malha de rede que conecta milhares de GPUs em supercomputadores de IA.
Quando o ChatGPT desencadeou a demanda de mercado de massa para 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 subsequente ascensão explosiva da NVIDIA espelham a evolução da Intel, de uma fabricante de memória em sua fundação em 1968 a se tornar a portadora da bandeira do microprocessador e da revolução do PC nos anos 1990.
Tanto a Intel quanto a NVIDIA começaram desenvolvendo tecnologias distintas do que eventualmente se tornariam seus motores de crescimento principais. Ambas usaram efetivamente suas competências principais a seu favor e se tornaram plataformas de computação dominantes, com três décadas de diferença. Ambas enfrentaram um leque completo de desafiadores, tanto empresas estabelecidas quanto startups.
Os Desafiadores: Uma Dúzia de Maneiras de Acelerar
O rol de desafiadores da NVIDIA em 2026 tem uma semelhança estrutural com os desafiadores da Intel e do x86 dos 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 credível. 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 do que as instâncias 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 é projetado não para substituir a NVIDIA, mas para reduzir a dependência do Azure da NVIDIA – uma jogada de otimização de TCO, não um desafio de plataforma. A Cerebras construiu o Wafer-Scale Engine – quase um wafer de silício de 300 mm inteiro como um único processador. Uma solução disruptiva e ousada, mas de nicho, ganhando alguma tração, mas a adoção generalizada permanece incerta.
A SambaNova adotou uma abordagem diferente com sua Unidade de Fluxo de Dados Reconfigurável (RDU), uma arquitetura de fluxo de dados distinta de GPUs e TPUs.
A Tenstorrent também está apostando que as GPUs são fundamentalmente a abstração errada para cargas de trabalho de IA, e que o fluxo de dados vencerá em escala da mesma forma que o RISC venceu o argumento técnico contra o CISC. A Tenstorrent desenvolveu uma arquitetura de acelerador construída em torno de uma grade de núcleos de computação pequenos e 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.
Existem 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, Recarregado
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 está acumulado em múltiplos níveis – kernels ajustados às bibliotecas matemáticas da NVIDIA, comportamento de precisão mista calibrado para cuDNN, treinamento distribuído otimizado em torno da Biblioteca de Comunicações Coletivas da NVIDIA (NCCL), pipelines de integração contínua e implantação contínua construídos sobre ferramentas CUDA, e uma geração inteira de engenheiros treinados em CUDA antes mesmo de se formarem.
O fosso da NVIDIA pode ser mais profundo do que o fosso que a Intel construiu por duas razões principais:
Integração vertical: O 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). No GTC 2026, a NVIDIA apresentou a plataforma Vera Rubin com sete tipos distintos de chip compreendendo cinco configurações de sistema em escala de rack, estendendo o controle vertical mais longe do que a Intel jamais alcançou.
Custos de troca 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 ano passado seja o que aconteceu com um desafiador que estava ganhando tração real. A Groq, fundada pelo ex-engenheiro de TPU do Google Jonathan Ross, havia construído uma Unidade de Processamento de Linguagem (LPU) otimizada para inferência de latência ultrabaixa. Sua arquitetura baseada em SRAM afirmava fornecer geração de tokens 4-7X mais rápida do que GPUs com latência determinística. Em 2025, a Groq estava visando 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.
No 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 de fase de decodificação e, de acordo com Jensen, representará ~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 GPU.
É fascinante notar que este também é um manual de jogadas 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 de CPUs x86 durante a era do PC, 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 do que o fosso do x86 e Wintel jamais foi, e, ao contrário da Intel, a NVIDIA foi rápida em subir no stack 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 rol de desafiadores, incluindo empresas de chips comerciais, hyperscalers e uma série de startups construindo silício personalizado. Esses desafiadores desenvolveram arquiteturas inovadoras e elegantes que estão indo contra o gigante NVIDIA. Mas, assim como no passado, eles carecem da escala, da economia de volume, do lock-in de software e da integração de sistemas dominados pela NVIDIA.
Assim como o imenso pé-de-meia da Intel permitiu que ela derrotasse quase todos os concorrentes de fabricação de semicondutores dos anos 1990, a NVIDIA está usando sua enorme fortuna para fazer aquisições inteligentes em todo o stack de tecnologia, cobrindo quase todas as tendências emergentes potenciais, de interconexões ópticas à computação quântica.
A Parte 3 dará um passo atrás das especificidades para ponderar uma pergunta fascinante: O que acontece a seguir?
