NVIDIA x Google TPU: o que está em jogo na batalha ASIC vs GPU

O mercado de hardware para inteligência artificial vive há meses a mesma dúvida: será que os Tensor Processing Units do Google conseguem, de fato, abalar o domínio da NVIDIA nos data centers? Depois que surgiram notícias de que empresas como Meta e Anthropic estariam negociando compras de TPU na casa dos bilhões de dólares, muita gente passou a contar a história como se os ASICs do Google estivessem prontos para arrancar a coroa da gigante das GPUs.

Esse barulho não ficou só nos fóruns e relatórios de analistas.

A conversa ganhou tanto volume que a NVIDIA decidiu responder oficialmente. Em declaração enviada à imprensa, a empresa fez questão de parabenizar o Google pelos avanços em IA e lembrar que continua fornecendo placas para a companhia. Mas, nas entrelinhas, o recado foi bem mais direto. Como ironizam alguns memes que circulam por aí, o que Jensen Huang estaria basicamente dizendo é: “legal esses TPUs aí, mas o jogo grande ainda roda aqui, nas nossas GPUs e no nosso ecossistema”.

GPU x TPU: flexibilidade contra especialização extrema

Por trás das frases diplomáticas existe um debate técnico bem concreto: GPU de uso geral contra ASIC feito sob medida. O TPU do Google é um exemplo clássico de ASIC – um chip desenhado especificamente para operações de matriz e para um conjunto relativamente estreito de workloads de deep learning. Já as GPUs de data center da NVIDIA foram projetadas para ser o canivete suíço da computação acelerada: treinam modelos gigantes, fazem inferência em produção, rodam simulações científicas e ainda dão conta de tarefas de HPC mais tradicionais.

É justamente essa versatilidade que a NVIDIA coloca como ponto central quando compara sua plataforma aos ASICs. Segundo a empresa, o seu stack – da arquitetura de hardware ao universo CUDA – é capaz de executar praticamente qualquer modelo relevante, em qualquer lugar onde haja computação: nuvem pública, infraestrutura corporativa, borda, até estações de trabalho. E entra em cena um conceito que a companhia repete com frequência: fungibilidade. Uma GPU comprada hoje para treinar um modelo pode, amanhã, ser redirecionada para inferência, simulações financeiras ou visualização. Um ASIC, quando o mercado muda de arquitetura ou de framework, corre o risco de virar um ativo caro e difícil de reaproveitar.

O pano de fundo do posicionamento da NVIDIA é uma reportagem do The Information, segundo a qual a Meta estaria avaliando uma encomenda massiva de TPU ao Google. A matéria fala em valores de “bilhões de dólares” e menciona projeções de que a adoção externa desses chips poderia, no futuro, equivaler a cerca de 10% da atual receita de IA da NVIDIA. A lógica é clara: o Google passou anos verticalizando sua pilha de IA – do data center ao chip, passando pelo software de orquestração – e hoje usa TPU de forma agressiva em workloads de inferência, onde latência, consumo de energia e preço por requisição pesam mais do que a capacidade de rodar qualquer modelo possível.

Quando a força do software pesa mais que o brute force

No papel, o caso do Google é sedutor. A empresa está há quase uma década evoluindo o TPU, e boa parte dos seus serviços em produção – busca, anúncios, YouTube, modelos da família Gemini – roda sobre essa infraestrutura própria. Em tarefas bem definidas, um ASIC interno consegue entregar um combo poderoso de desempenho por watt e previsibilidade de latência. Mas todos esses ganhos vivem dentro de um cercadinho: novos tipos de modelo, operadores diferentes ou arquiteturas que fogem do padrão chegam primeiro onde há mais liberdade, e isso hoje significa GPUs NVIDIA, cercadas pelo ecossistema CUDA, bibliotecas como cuDNN e ferramentas de otimização como TensorRT.

Aqui entra o peso da comunidade e do ferramental. CUDA é muito mais do que uma API elegante: é a base de uma década de otimizações, exemplos, tutoriais, kernels ajustados à exaustão e pipelines inteiros feitos sob medida. Migrar uma operação de IA madura para outro acelerador não é só “recompilar para outro backend”. Significa treinar times, reescrever partes críticas do código, revalidar modelos, redesenhar observabilidade e cumprir de novo todos os requisitos de compliance. Do ponto de vista de muitas equipes, a promessa de economizar uns centavos por token em um TPU pode não justificar o esforço gigantesco de abandonar o que já funciona. Daí nasce o tom meio provocador na resposta da NVIDIA: quem está enterrado até o pescoço em CUDA não se mexe só por causa de um slide bonito sobre ASICs.

Não por acaso, comentários de engenheiros em fóruns e redes sociais costumam ir nessa linha. O resumo da ópera é algo como: “TPU manda bem, mas ninguém aqui está com tempo sobrando para refazer anos de stack por modinha”. O que aparece como oportunidade estratégica no slide do board vira, no dia a dia, jornadas de migração longas, risco operacional e custo humano alto.

Frenemies de data center e um futuro heterogêneo

Outro ponto que passa batido em muitos debates é a relação ambígua entre NVIDIA e Google. Apesar da narrativa “GPU versus TPU”, o Google continua sendo um dos maiores clientes da NVIDIA para workloads que não se encaixam bem nos seus próprios chips ou que dependem de ferramentas já consolidadas no mercado. Na prática, os dois jogam em campos que se sobrepõem: por um lado, competem na venda de computação acelerada; por outro, Google compra toneladas de GPU e ajuda a justificar os roadmaps agressivos da NVIDIA.

O campo de batalha que realmente vai importar nos próximos anos não é só quem treina o maior modelo, e sim quem consegue baratear a inferência em escala global. À medida que IA deixa de ser demonstração de palco e vira recurso embutido em tudo – busca, produtividade, entretenimento, código – , margens passam a depender de quantos tokens por segundo você consegue gerar por dólar e por watt. Nesse cenário, faz todo sentido que hyperscalers invistam em ASICs próprios, ao mesmo tempo em que continuam lotando racks com GPUs.

No fim das contas, o futuro mais provável é o da heterogeneidade: grandes nuvens rodando TPU, outras variantes de ASIC e várias gerações de GPU NVIDIA lado a lado; startups alugando “o que tiver disponível neste data center hoje”; times de engenharia tentando abstrair essa bagunça com camadas de software cada vez mais sofisticadas. A resposta da NVIDIA ao hype em cima de TPU é justamente um lembrete disso: a empresa enxerga a ameaça, mas faz a aposta de longo prazo em uma plataforma aberta em possibilidades, e não em um único chip altamente especializado.