Por que as principais empresas de IA estão buscando chips personalizados em 2026

Em 7 de julho, duas notícias sobre chips desenvolvidos internamente por empresas chinesas de IA se tornaram destaques.

Primeiro, a exclusiva da Reuters: DeepSeek está desenvolvendo seu próprio chip. A notícia, citando três fontes informadas, afirma que o chip é voltado para inferência, e não para treinamento. O relato indica que a DeepSeek já está recrutando silenciosamente engenheiros de design de chips, sem recorrer a canais públicos de contratação, e está em contato com fabricantes externos e fornecedores de armazenamento. A DeepSeek não respondeu aos pedidos de comentários, e há controvérsia, pois a informação atualmente tem apenas a Reuters como fonte única.

No mesmo dia, The Information relatou novamente que outro laboratório chinês, Zhipu, também está avaliando a desenvolvimento de chips personalizados. Segundo fontes informadas, a razão é o aumento repentino da demanda pelo GLM-5.2. De acordo com The Information e múltiplas fontes que o citam, esse modelo é o de mais rápido crescimento na plataforma de agregação de modelos da Vercel, com o consumo diário de tokens subindo até 27 vezes na primeira semana de lançamento. A Zhipu já entrou em contato preliminar com várias empresas chinesas de design de chips, mas ainda não escolheu um parceiro; o projeto inteiro pode levar mais de dois anos. Com a notícia, a Zhipu subiu cerca de 9,9% no mesmo dia na bolsa de Hong Kong.

Claro, ambas as mensagens ainda estão na fase inicial de avaliação, sem protótipos nem design finalizado.

Na verdade, a DeepSeek e a Zhipu não são exceções. Ao ampliar o foco, você perceberá que “empresas de IA querem fabricar seus próprios chips” tornou-se, em 2026, uma ação padrão da indústria: desde a OpenAI e a Anthropic do outro lado do oceano até esses dois laboratórios avançados no país, as ações são surpreendentemente consistentes. Este artigo busca responder: por quê?

Se as notícias sobre o DeepSeek ainda estão no nível de rumores, a OpenAI já colocou o produto real na mesa.

Em 24 de junho, a OpenAI e a Broadcom lançaram conjuntamente o Jalapeño, o primeiro chip desenvolvido internamente pela OpenAI, também um ASIC projetado especificamente para inferência de grandes modelos.

Richard Ho, responsável por hardware da OpenAI, afirmou que este chip foi "desenvolvido do zero para inferência de LLM", com otimizações direcionadas para o núcleo, transferência de memória, rede e modelo de serviço.

Segundo a OpenAI, testes iniciais de laboratório mostraram que o desempenho por watt do Jalapeño é "significativamente superior ao nível mais avançado atual da indústria". No entanto, a empresa também reconhece que o desempenho final ainda está sendo medido e que um relatório técnico detalhado só será publicado nos próximos meses. Essas afirmações de desempenho feitas pelos fabricantes só podem ser consideradas um ponto de vista único até que benchmarks de terceiros sejam disponibilizados.

Alguns detalhes merecem atenção. Segundo o Tom's Hardware, este chip levou apenas nove meses, do design ao tape-out, e a OpenAI afirma que este pode ser o ciclo de desenvolvimento ASIC mais rápido da história dos semicondutores avançados de alto desempenho; e o que acelerou esse ciclo foi exatamente o próprio modelo da OpenAI: usar IA para projetar chips que criam IA.

O Jalapeño está programado para começar a ser implantado no final de 2026, ancorado em uma parceria com Broadcom de escala de 10 GW, que será concluída em 2029. Relata-se que a Microsoft prevê adquirir cerca de 40% da primeira capacidade do Jalapeño.

Veja outra laboratório de ponta, a Anthropic. Em abril deste ano, a Reuters foi a primeira a relatar que a Anthropic também estava considerando o desenvolvimento de chips próprios, com linguagem cautelosa: o plano está em estágio inicial, e a empresa pode até decidir finalmente apenas comprar, em vez de fabricar; ainda não foi definido o design nem foi formada uma equipe dedicada.

Mas no início de julho, houve novos desenvolvimentos. Segundo múltiplas mídias, a Anthropic já entrou em contato com a Samsung para discutir a fabricação de um chip personalizado, supostamente visando o processo de 2 nanômetros e o empacotamento avançado da Samsung.

E a Anthropic recentemente contratou Clive Chan, que foi membro inicial da equipe de chips próprios da OpenAI.

Diante de perguntas adicionais, a resposta da Anthropic foi: a "diversificada pilha de hardware" composta por chips do Google, Amazon e NVIDIA continuará sendo o núcleo de sua estratégia de poder computacional, e a empresa não fará mais comentários sobre a parceria com a Samsung.

Essa declaração oficial aponta exatamente para a motivação mais realista por trás da onda de chips desenvolvidos internamente. Segundo dados da The Information, a NVIDIA detém cerca de 74% do mercado global de chips de IA; já a Anthropic nunca produziu um único chip próprio, e cada chamada do Claude roda em chips alugados de parceiros—parceiros que são, ao mesmo tempo, seus concorrentes.

É importante notar que o momento em que a Anthropic explorou o desenvolvimento próprio está quase sincronizado com seu aumento repentino de receita. Segundo sua própria divulgação, a receita operacional anualizada em 2026 já ultrapassou 30 bilhões de dólares, enquanto no final de 2025 era de apenas cerca de 9 bilhões de dólares. Uma vez que o tamanho atinge essa escala, a conta econômica de desenvolver chips próprios só então se torna viável.

Ao comparar lado a lado as notícias sobre DeepSeek, Zhipu, OpenAI e Anthropic, percebe-se um ponto em comum: todas estão desenvolvendo chips de inferência, e não chips de treinamento. Isso não é coincidência.

Uma transição estrutural em andamento no setor é que o foco do consumo de poder de computação está se deslocando da "treinamento de modelos" para a "execução de modelos". O treinamento é um custo único, enquanto servir modelos a centenas de milhões de usuários é uma despesa contínua. Segundo a análise setorial da Introl, a inferência já consome cerca de dois terços de toda a capacidade de IA.

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

E o raciocínio é exatamente o território dos ASICs. Usando uma metáfora de Chris Miller, autor de "A Guerra dos Chips", para a CNBC: as GPUs da NVIDIA são como uma faca suíça, capazes de realizar qualquer tipo de cálculo paralelo; já os ASICs são como ferramentas de uso único, muito eficientes e rápidas, mas fixas em fiação para realizar apenas um tipo de tarefa. A fase de treinamento exige a flexibilidade da faca suíça, pois a arquitetura do modelo ainda está em mudança; mas, uma vez que o modelo esteja finalizado e precise atender a uma grande quantidade de requisições, essa "ferramenta de uso único" é mais econômica em energia e mais barata.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

A explosão de agentes ampliou ainda mais essa conta. Uma análise da MindCast AI apresentou uma distinção interessante:

O raciocínio tradicional é o "custo de consulta": uma pergunta, uma resposta, encerrada.

O agente é um “custo cíclico”: um objetivo do usuário desencadeia dezenas ou até centenas de chamadas de inferência, pois o agente precisa inferir, planejar, recuperar e executar.

Imagem traduzida de https://www.mindcast-ai.com/p/ai-inference-economy

Quando agentes forem implantados em larga escala, o desequilíbrio econômico entre treinamento e inferência crescerá de forma não linear. Por isso, esta instituição de análise conclui: a economia da inferência não é algo a ser considerado apenas em 2028, mas uma decisão de aquisição que precisa ser tomada em 2026.

Para a pergunta “por que construir por conta própria”, o setor já possui dados bastante específicos que sustentam essa ideia.

Um exemplo mais direto vem da plataforma de imagens de IA Midjourney. Relatou-se que, após migrar a carga de inferência das GPUs da NVIDIA para os TPU da sétima geração do Google, os custos mensais de computação caíram de aproximadamente US$ 2,1 milhões para cerca de US$ 700 mil, uma redução de 65%. Ampliando essa proporção para empresas de grande escala que executam bilhões de consultas por dia, como um analista observou, investir bilhões de dólares no desenvolvimento próprio de chips torna-se uma “questão financeira direta”.

A resposta a esta questão está mudando todo o mercado. Segundo previsões da TrendForce, a taxa de crescimento das expedições de ASIC personalizados em 2026 alcançará 44,6%, enquanto os GPU comerciais atingirão apenas 16,1% — pela primeira vez, o crescimento de chips personalizados supera o dos GPU. A Introl cita números da Bloomberg Intelligence de forma ainda mais abrangente: até 2033, todo o mercado de aceleradores de IA deverá atingir US$ 604 bilhões, e a participação de silício personalizado nesse mercado continua a aumentar.

Fabricantes de grande escala já votaram com dinheiro real. Os TPU do Google, Trainium da Amazon, Maia da Microsoft, MTIA do Meta... esses chips desenvolvidos internamente atendem cada um a enormes cargas de inferência dentro de suas respectivas empresas-mãe.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Segundo a CNBC, Ron Diamant, arquiteto-chefe do Trainium, afirmou que este ASIC da Amazon oferece uma vantagem de custo-benefício de 30% a 40% em comparação com outros fornecedores de hardware na AWS.

Esses números indicam que, quando sua demanda por capacidade de processamento crescer até níveis ultraescala, os chips deixam de ser um item de custo e se tornam a própria barreira competitiva. Como destacado em uma análise da Oplexa, controlar seus próprios silícios significa controlar seu próprio roadmap de desempenho, estrutura de custos e cadeia de suprimentos. Esses três elementos não podem ser adquiridos com nenhum pedido de compra.

Se a conta econômica é a razão aparente, então "não querer entregar o destino a uma empresa" é a corrente mais profunda por baixo da onda.

A força da NVIDIA vem em parte do próprio chip, mas em grande parte do CUDA. E o CUDA é um ecossistema de software acumulado ao longo de mais de vinte anos. Segundo análise da Spheron, quase todas as otimizações sérias de inferência de LLM, desde o FlashAttention até o processamento em lote contínuo no vLLM, funcionam exclusivamente no CUDA. Esse ecossistema é menos uma vantagem competitiva da NVIDIA e mais um "custo de migração" que qualquer equipe que queira trocar de chip precisa pagar. Estima-se que migrar a pilha de serviços do vLLM para o SDK da Amazon Neuron geralmente exige de duas a seis semanas de esforço de engenharia, e algumas arquiteturas de modelo nem sequer são suportadas.

https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/

Por causa dessa parede alta e espessa, o incentivo para contorná-la é ainda mais forte. Para grandes fabricantes e laboratórios de ponta, cada carga executada em chips próprios significa mais lucro mantido em seus próprios bolsos e mais poder de negociação ao negociar com a NVIDIA.

A avaliação do TheStreet é bastante direta: o que está mudando é a suposição padrão de que os laboratórios de IA devem aceitar qualquer preço e condição de fornecimento impostos pela NVIDIA. A Microsoft tem a Maia, a Amazon tem a Trainium, o Google tem o TPU, e os mais recentes laboratórios de IA agora também querem acumular seus próprios cartas na manga.

Volte às duas mensagens de 7 de julho. Para a DeepSeek e a Zhipu, além de todos os motivos acima, o desenvolvimento próprio de chips enfrenta um problema que seus pares americanos não têm: restrições de exportação.

Além disso, vale destacar que o rumor sobre o desenvolvimento próprio da DeepSeek coincide exatamente com seu primeiro financiamento externo: a empresa concluiu uma rodada de financiamento superior a 50 bilhões de yuans, com uma avaliação superior a 330 bilhões de yuans. Fabricar chips é muito custoso; o fato de dinheiro e chips estarem ocorrendo ao mesmo tempo talvez não seja coincidência.

Já o Zhipu tornou-se, já em janeiro deste ano, o primeiro laboratório de IA chinês a ser listado na Bolsa de Valores de Hong Kong. Ambas estão se preparando para essa aposta cara, garantindo primeiro seus recursos financeiros.

Reúna essas pistas: a resposta para a pergunta “por que as empresas de IA querem fabricar seus próprios chips” é na verdade a convergência de várias forças: a inferência substituiu o treinamento como o principal campo de batalha para computação, dando espaço aos ASICs especializados; a explosão de agentes inteligentes impulsionou os custos de inferência para uma expansão não linear, amplificando cada centavo economizado; e a profunda dependência da NVIDIA fez todos quererem acumular seu próprio capital de negociação. Para empresas chinesas como DeepSeek e Zhipu, adicione ainda o problema das restrições de exportação.

Mas sob a onda de entusiasmo, também é hora de derramar um pouco de água fria. Chips desenvolvidos internamente longe de serem uma vitória garantida. O ciclo de design pode levar de 18 a 24 meses, exige grandes investimentos iniciais em engenharia e precisa de cargas de trabalho suficientemente estáveis e previsíveis para justificar o design em torno de uma arquitetura fixa. Para startups ainda testando arquiteturas de modelos ou empresas com tarefas variadas, a flexibilidade das GPUs da NVIDIA é, na verdade, a escolha mais vantajosa.

O TechTimes esclarece que essa vantagem de custo de 40% a 65% aplica-se apenas às grandes empresas que realizam bilhões de consultas por dia; para empresas que realizam apenas algumas dezenas de milhares de consultas por semana, esse cálculo é invertido.

Uma pergunta ainda mais relevante é: essa onda enfraquecerá a NVIDIA ou simplesmente lhe dará um “cargo complementar”? A maioria das análises tende a apoiar a segunda opção. Segundo a Oplexa, até 2027, a quantidade de ASICs embarcados poderá superar a de GPUs, mas ambos os mercados continuarão a crescer: a infraestrutura de IA está se dividindo em duas trilhas distintas — cargas fixas, de alta frequência e previsíveis vão para os ASICs; cargas de pesquisa, diversificadas e cujas arquiteturas ainda estão em evolução vão para as GPUs. A NVIDIA ainda mantém firmemente o controle sobre o treinamento e a maioria do mercado.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

DeepSeek e Zhipu ainda não têm resposta sobre se conseguirão desenvolver seus próprios chips, pois ambas as notícias ainda estão na fase inicial de avaliação.

Mas elas aconteceram no mesmo dia, como duas pedras lançadas simultaneamente na água, cujas ondulações revelaram a mesma ansiedade: da Califórnia a Pequim, nesta era em que o poder computacional é poder, nenhuma empresa de IA que deseje sobreviver até a próxima rodada está disposta a alugar para sempre seu pulso vital nas mãos de outrem.

Este artigo é do número do WeChat "Machine Heart" (ID: almosthuman2014), autor: Panda