Entre 2023 e 2025, o principal tema na indústria de chips de IA centrou-se numa "corrida ao armamento pelo poder computacional". Os fornecedores de serviços cloud e os gigantes tecnológicos apressaram-se a adquirir GPUs, expandir centros de dados e investir centenas de milhares de milhões de dólares em infraestruturas de computação em nuvem. A NVIDIA, aproveitando o seu ecossistema CUDA e a gama de GPUs de alto desempenho, consolidou uma posição de mercado praticamente inatacável durante este período.
Contudo, à medida que avançamos para 2026, a lógica do setor está a sofrer uma mudança fundamental. Os retornos marginais dos custos de treino de modelos de grande escala estão a diminuir, a procura por inferência de IA está a aumentar e as empresas estão a mudar o foco de "Conseguimos treinar modelos?" para "Conseguimos implementá-los em escala?". O mercado de chips de IA está a passar da primeira fase de construção de infraestruturas para a segunda fase — competição pela eficiência comercial.
Revisão da Primeira Fase: O Domínio da Construção de Infraestruturas
Entre 2023 e 2025, o motor da procura no mercado de chips de IA foi a necessidade insaciável de poder computacional para treinar modelos de grande escala. A NVIDIA aproveitou esta janela de oportunidade, transformando as GPUs de ferramentas de renderização gráfica na "moeda do poder computacional" da era da IA.
No exercício de 2026, a receita total da NVIDIA atingiu 215,9 mil milhões $, um aumento de 65% face ao ano anterior, ultrapassando pela primeira vez a marca dos 200 mil milhões $. Destes, a receita de centros de dados chegou aos 193,7 mil milhões $, um crescimento de 68%, representando quase 90% do rendimento da empresa. Só no quarto trimestre, a receita de centros de dados atingiu 62,3 mil milhões $, um aumento de 22% face ao trimestre anterior e de 75% em relação ao ano anterior. A visibilidade combinada de receitas das plataformas Blackwell e Rubin ultrapassou os 500 mil milhões $ no final de 2026.
A vantagem competitiva da NVIDIA nesta fase assentou não só no desempenho do hardware, mas também na forte dependência do ecossistema de software CUDA. Os programadores habituaram-se a desenvolver aplicações de IA em CUDA, enquanto os fornecedores cloud estruturaram as suas infraestruturas em torno das GPUs da NVIDIA, tornando os custos de migração extremamente elevados. Esta vantagem de "hardware + software + sistema" permitiu à NVIDIA capturar cerca de 80% do mercado de aceleradores de IA em centros de dados.
Entretanto, a AMD desenvolveu a sua linha de GPUs Instinct, mas a quota de mercado manteve-se entre 5% e 7%, com o fosso absoluto a aumentar. A empresa de pesquisa Futurum Group apresentou uma estimativa ainda mais conservadora, situando a quota de mercado da AMD em GPUs de centros de dados em cerca de 4,5%.
Início da Segunda Fase: Da Potência de Treino à Eficiência de Inferência
Após 2026, a dinâmica competitiva do mercado de chips de IA está a sofrer uma transformação estrutural. A principal mudança: o foco do mercado está a passar de "potência de treino" para "eficiência de inferência", e de "escala de aquisição de GPUs" para "otimização de custos e escala de implementação comercial".
Vários fatores impulsionam esta mudança. Primeiro, os grandes investimentos em treino de modelos de grande escala estão praticamente concluídos, e as reservas de poder computacional dos principais players estão a atingir a saturação. Segundo, as aplicações de IA estão a passar de "demonstração" para "produção", com as cargas de trabalho de inferência a aumentar rapidamente — a AMD estima oficialmente que estas cargas estão agora a crescer mais de 80%. Terceiro, as empresas estão a priorizar o custo total de propriedade nas decisões de aquisição, em vez de perseguirem apenas o pico de poder computacional.
A J.P. Morgan prevê que o mercado de chips de rede para IA atinja 107,5 mil milhões $ em 2026 e suba para 154,9 mil milhões $ em 2027. A World Semiconductor Trade Statistics aumentou drasticamente a previsão para o mercado global de semicondutores em 2026, de 975,4 mil milhões $ para 1,51 biliões $, um crescimento de 89,9% face ao ano anterior. O mercado está a expandir-se, mas a lógica de divisão do bolo está a mudar.
A Ofensiva da AMD: De "Alternativa de Baixo Custo" a "Narrativa de Poder de Preço"
A estratégia da AMD para desafiar a NVIDIA evoluiu claramente nesta segunda fase.
No primeiro trimestre de 2026, a receita da AMD atingiu 10,25 mil milhões $, um aumento de 37,85% face ao ano anterior, com o lucro líquido a disparar 95% para 1,38 mil milhões $. A receita de centros de dados chegou aos 5,8 mil milhões $, um crescimento de 57%, tornando-se o principal motor de crescimento da AMD. A empresa prevê uma receita de cerca de 11,2 mil milhões $ no segundo trimestre, um aumento de aproximadamente 46% em relação ao ano anterior.
No plano de produtos, a AMD apresenta uma estratégia clara e agressiva. A série Instinct MI400, construída com o processo de 2 nm da TSMC e a arquitetura CDNA Next, oferece 432 GB de memória HBM4, 19,6 TB/s de largura de banda e 40 PFLOPs de computação FP4 — duplicando o desempenho da geração anterior. A série já garantiu encomendas da Oracle, OpenAI e do Departamento de Energia dos EUA.
Ainda mais relevante é o sistema de IA Helios em escala de rack. Esta plataforma integra de forma eficiente CPUs EPYC Venice de sexta geração, GPUs MI450X, chips de rede Vulcano 800G e sistemas de arrefecimento líquido, fornecendo 2,9 exaFLOPS FP4 de desempenho máximo por rack e até 31 TB de capacidade total de HBM4.
O verdadeiro ponto de viragem vem do lado dos clientes. Em julho de 2026, a Microsoft anunciou que iria implementar a solução Helios em escala de rack da AMD no Azure para potenciar cargas de trabalho avançadas de inferência de IA. Este é o primeiro caso de implementação full-stack da AMD — GPU, CPU e rede — num único cliente cloud. Anteriormente, a Meta assinou acordos de infraestruturas de IA multi-geração, totalizando até 6 gigawatts; OpenAI, Oracle e a indiana TCS também assumiram compromissos significativos. Segundo a AMD, oito das dez maiores empresas de IA do mundo já estão a executar cargas de trabalho em GPUs Instinct.
O analista da Futurum Group, Daniel Newman, acredita que a AMD pode aumentar a sua quota de mercado em GPUs de centros de dados dos atuais 4,5% para entre 20% e 25%. A Morgan Stanley prevê que a procura por CoWoS da AMD cresça 308% em 2027.
O Fosso da NVIDIA — e as Fissuras Emergentes
A NVIDIA não está a ficar parada perante os concorrentes. A plataforma Rubin está agora em plena produção, combinando GPUs de alto desempenho com CPUs Vera para aumentar a velocidade de processamento de tokens em dez vezes, a custos inferiores. A arquitetura Vera Rubin suporta até 144 GPUs por armário, com versões topo de gama a ligar até 576 GPUs. A NVIDIA anunciou que, até ao final de 2026, as entregas combinadas das plataformas Blackwell e Rubin atingirão 20 milhões de unidades.
Contudo, o domínio da NVIDIA não está isento de fissuras. No segundo trimestre do exercício de 2026, a receita de centros de dados da NVIDIA foi de 41,1 mil milhões $, um aumento de 56% face ao ano anterior, mas aquém da previsão dos analistas de 41,3 mil milhões $. A empresa confirmou vendas nulas do chip H20, destinado ao mercado chinês, no trimestre, e não prevê envios para a China no terceiro trimestre. No mercado de servidores aceleradores de IA na China, a quota combinada dos fornecedores domésticos subiu de 41–46% em 2025 para cerca de 56% em 2026. Os controlos de exportação estão a redesenhar o panorama competitivo regional.
No lado do software, o fosso CUDA da NVIDIA também está a ser erodido. A linguagem SCALE permite agora que binários CUDA não modificados sejam executados em GPUs AMD. O software ROCm 7.0 da AMD oferece um desempenho 3,5 vezes superior ao ROCm 6 e está profundamente integrado com frameworks open-source líderes como vLLM e SGLang.
Custo de Inferência: O Principal Indicador Competitivo na Segunda Fase
Se a primeira fase foi definida pelo "desempenho de treino por dólar", a segunda fase centra-se no "custo de inferência por token".
Em julho de 2026, a empresa de otimização de inferência Wafer reportou que o AMD MI355X, a executar o modelo open-source GLM 5.2, apresentou custos de inferência apenas metade dos do NVIDIA B200, com 80% do desempenho. A SemiAnalysis chegou a conclusões semelhantes: em cenários de inferência interativa, o AMD MI355X atingiu um custo de inferência por milhão de tokens de cerca de 0,22 $, comparativamente a 0,30 $ para o NVIDIA B200.
O responsável pelo segmento de centros de dados da AMD, Forrest Norrod, resumiu a principal vantagem do Helios como "o melhor custo total de propriedade e o custo por token mais baixo". Esta narrativa é altamente convincente na segunda fase — quando as empresas precisam de escalar implementações de IA do piloto à produção, mesmo pequenas diferenças no custo de inferência podem traduzir-se em milhares de milhões de dólares em despesas operacionais.
Naturalmente, a NVIDIA mantém a liderança no desempenho de inferência em escala de rack. O GB200 NVL72, com interligação NVLink a nível de armário e orquestração de software, pode entregar até 28 vezes o throughput do AMD MI350X em determinados cenários. No entanto, a AMD está a mudar a sua estratégia de diferenciação de "recuperação de desempenho" para "liderança de custos".
Conclusão
O mercado de chips de IA passou da primeira fase de construção de infraestruturas para a segunda fase de competição pela eficiência comercial. Esta mudança alarga o panorama competitivo de um foco único em "potência de treino" para uma competição multidimensional envolvendo "eficiência de inferência, otimização de custos e escala de implementação comercial".
A NVIDIA, com o seu ecossistema CUDA, capacidades full-stack e uma base de clientes massiva, continua a controlar cerca de 80% do mercado de aceleradores de IA em centros de dados. Mas a AMD está a construir um sistema competitivo diferenciado, centrado no "custo total de propriedade" e "custo por token", através da solução Helios em rack, da série MI400 e do ecossistema open-source ROCm. As decisões de aquisição de clientes líderes como Microsoft, Meta e OpenAI mostram que a procura de mercado por uma "segunda fonte" é real e está a acelerar.
Na segunda fase da competição de chips de IA, o vencedor não será a empresa que construir o chip mais potente, mas sim aquela que ajudar as empresas a implementar IA do laboratório à produção ao menor custo e com a maior eficiência.
FAQ
Q1: Qual é a principal diferença entre a primeira e a segunda fases da competição de chips de IA?
A primeira fase (2023–2025) centrou-se na construção de infraestruturas de IA, com a procura a focar-se na aquisição de GPUs, expansão de centros de dados e investimento em computação cloud. O foco competitivo era o poder de treino. A segunda fase (após 2026) passa para a comercialização da IA, onde o mercado prioriza o custo de inferência, a eficiência energética e a escala de implementação empresarial. O foco passa de "Conseguimos treinar?" para "Conseguimos escalar e rentabilizar?"
Q2: Como está a AMD a desafiar o domínio de mercado da NVIDIA?
A estratégia da AMD evoluiu de "alternativa de baixo custo" para uma "narrativa de poder de preço". O sistema Helios em rack garantiu uma aquisição full-stack por parte da Microsoft a um preço cerca de 40% superior ao Rubin da NVIDIA, provando que o mercado está disposto a pagar por valor diferenciado. A série MI400 oferece 1,5 vezes a capacidade de memória e largura de banda do Rubin, e o ROCm 7.0 entrega um desempenho de software 3,5 vezes superior. Com clientes de referência como Meta e Microsoft, a AMD está a passar de "seguidora" a "fornecedora alternativa".
Q3: Está o fosso do ecossistema CUDA da NVIDIA a ser erodido?
Sim. A linguagem SCALE permite agora que binários CUDA não modificados sejam executados nativamente em GPUs AMD, quebrando o bloqueio de software de 15 anos da NVIDIA. O ROCm 7.0 da AMD está profundamente integrado com frameworks de inferência open-source como vLLM e SGLang. Embora o CUDA continue a ser o padrão da indústria, a sua "unicidade" entre os ecossistemas de programadores está a desaparecer.
Q4: Porque é que o custo de inferência é tão crítico na segunda fase da competição?
À medida que a IA passa da demonstração para a implementação em escala de produção, o custo de inferência determina diretamente a viabilidade dos modelos de negócio. O AMD MI355X entrega um custo de inferência por milhão de tokens de cerca de 0,22 $, comparativamente a 0,30 $ para o B200 da NVIDIA. Para aplicações de IA em grande escala, que processam milhares de milhões de tokens diariamente, esta diferença representa centenas de milhões de dólares em poupanças anuais. Na segunda fase, quem conseguir oferecer um custo por token mais baixo sem sacrificar o desempenho terá a melhor hipótese de conquistar grandes encomendas de implementação empresarial.
