Desde 2019, o valor de mercado de Nvidia aumentou em 63 vezes. A narrativa em torno da tese é de que praticamente não existem alternativas aos produtos da companhia para atender a demanda crescente por tecnologia para Inteligência Artificial. Mas que tecnologia é essa? E por que não há tantas empresas capazes de fornecê-la? Neste conteúdo, abordamos:
- Dominância técnica: A liderança da Nvidia na IA se baseia em GPUs especializadas para processamento paralelo e no ecossistema de software CUDA, que cria uma forte barreira à entrada de concorrentes.
- Modelo de negócio: A companhia migrou o foco de vender apenas chips para o fornecimento de infraestrutura completa, com o segmento de Data Centers respondendo por 92% da receita.
- Cenário competitivo: AMD e Intel enfrentam desafios em maturidade de software e escala, enquanto chips customizados (ASICs) atendem a nichos de inferência.
- Motor de demanda: O crescimento é impulsionado por investimentos (capex) das hyperscalers, que renovam constantemente sua infraestrutura.
- Riscos estruturais: Gargalos na oferta de componentes (especialmente memória), a alta concentração de clientes e a dependência de terceiros para fabricação compõem o principal cenário de riscos.
O que é uma placa de vídeo?
Primeiramente, vale entender o que a companhia vende e como esse mercado funciona. Uma placa de vídeo é um componente utilizado em computadores, servidores e consoles de videogames, especializado na criação de imagens.
A diferença entre uma placa de vídeo (ou GPU) e um processador convencional (CPU) está na arquitetura. Uma CPU tem poucos núcleos, mas cada um deles é rápido e flexível: serve para executar tarefas sequenciais e imprevisíveis. Uma GPU faz o oposto: tem milhares de núcleos menores, projetados para executar a mesma operação sobre grandes volumes de dados ao mesmo tempo, dividindo a carga em um conceito chamado de paralelismo.
E isso não nasceu recentemente, mas por uma necessidade gráfica. Para desenhar uma cena, o computador precisa calcular a posição, a cor e a iluminação de milhões de pontos. Cada um desses cálculos é independente dos outros e envolve basicamente multiplicação de matrizes e vetores. É um problema massivamente paralelo, que pode ser dividido para pequenos núcleos especializados, e foi para ele que a GPU foi desenhada.
Por que a IA roda em GPU e não em CPU?
Um modelo de linguagem é uma sequência de multiplicações de matrizes. É exatamente a mesma classe de operação que a GPU já fazia para renderizar gráficos, e é por isso que esse tipo de hardware foi rapidamente utilizado para rodar os modelos de inteligência artificial.
Três características explicam a distância em relação à CPU:
- Paralelismo e unidades dedicadas: além dos milhares de núcleos que se dividem em tarefas não sequenciais, as GPUs da Nvidia carregam desde 2017 os Tensor Cores, núcleos especializados na multiplicação e acumulação de matrizes, em precisões reduzidas. Precisão menor significa mais operações por segundo e menos energia por operação, o que tem impacto pequeno na qualidade do resultado em aplicações de IA.
- Largura de banda de memória: é o gargalo menos intuitivo e o mais importante. Dado que a IA processa grandes quantidades de dados e os armazena temporariamente na memória, um armazenamento rápido e que possibilite a passagem de muitos dados é necessário. Um processador de servidor com a última geração de memórias acessa-as em torno de 0,5 TB/s (uma unidade de quantidade de dados por tempo). Uma GPU de data center usa HBM (memória de banda larga) unida ao chip: o B200 da Nvidia atinge cerca de 8 TB/s e a nova geração Rubin, com HBM4, deve ultrapassar 13 TB/s. A diferença é de uma ordem de grandeza e sem isso, os núcleos ficariam ociosos esperando dados, gargalo chamado de memory wall.
- Latência e escala: modelos de fronteira não cabem em um único chip. Precisam ser divididos entre dezenas ou centenas de GPUs que trocam dados. Se essa comunicação for lenta, o conjunto opera na velocidade da conexão (e não do processamento). Foi para resolver isso que a Nvidia desenvolveu o NVLink, uma interconexão proprietária que liga GPUs entre si a velocidades muito superiores às do padrão PCIe, comum em servidores.
O retrospecto: como a Nvidia chegou até aqui
A companhia foi fundada em 1993 e popularizou o próprio termo GPU, em 1999. Desde então, consolidou sua liderança técnica no segmento de placas para jogos e no segmento profissional, com aplicações em engenharia, arquitetura e efeitos visuais.
O lançamento mais relevante da sua história, porém, não foi um chip: foi o CUDA, em 2006. Trata-se da plataforma que permite programar a GPU para tarefas genéricas, e não apenas gráficas. Na época, era um investimento arriscado. Vinte anos depois, é uma das principais razões pelas quais trocar de fornecedor é caro: bibliotecas, compiladores, ferramentas de depuração e uma geração inteira de engenheiros formada em CUDA. O software se tornou o padrão da indústria e os novos programas são otimizados para ele. O concorrente que quiser competir não precisa apenas igualar o chip, mas construir seu ecossistema de desenvolvimento.
O caminho até a IA passou por dois ciclos intermediários de alta demanda de placas. Em 2017 e 2018, a mineração de criptomoedas, que também é um problema matemático e paralelo, gerou demanda por placas muito acima do mercado gamer. Na pandemia, o ciclo se repetiu, agora com a combinação de mineração, consumo doméstico elevado e escassez global de semicondutores.
Quando o ChatGPT foi lançado, em novembro de 2022, e a demanda por computação explodiu, a infraestrutura, o software e o ambiente de desenvolvimento eram dominados pela Nvidia.
A mudança na matriz de receita
A composição do faturamento da companhia é o dado mais direto que demonstra o peso da IA neste mercado.
Em 2019, metade da receita veio do segmento de jogos e pouco mais de um quarto, do segmento de data centers. No ano de 2022, com a estreia de modelos de IA em massa, data center se tornou a maior parte do faturamento pela primeira vez, com pouco mais da metade da receita. No segundo trimestre deste ano, reportado em agosto, alcançou 92% do total.
Ou seja, o segmento de jogos, que era o negócio da companhia, hoje é uma linha secundária: responde por menos de 8% da receita. A concentração de clientes também aumentou, com as grandes vendas para empresas se tornando o padrão: dois clientes diretos responderam por 36% da receita total em 2025.
A concorrência: Intel
A Intel entrou tarde no mercado de GPUs, após ter problemas por mais de uma década com sua unidade de CPUs, e ainda não converteu presença em participação. As GPUs dedicadas da linha Arc começaram com a arquitetura Alchemist em 2022 e avançaram com Battlemage em 2024, com melhora relevante de drivers e uma proposta de custo-benefício no segmento de entrada gamer. A participação, no entanto, permanece em torno de 1% do mercado de placas dedicadas.
No segmento de data center, o histórico é de tentativas pouco sucedidas. A linha Gaudi não atingiu a meta de US$ 500 milhões de receita em 2024 e sua sucessora, a Falcon Shores, foi cancelada em 2025. A aposta atual é a Crescent Island, apresentada em agosto deste ano para competir no segmento de entrada: placa PCIe de 350 W refrigerada a ar, com 160 GB de memórias LPDDR5X na configuração de referência e até 480 GB em versões de parceiros.
O desenho é uma escolha explícita de custo. Ao usar LPDDR5X em vez de HBM e PCIe ao invés de concorrentes do NVLink, a Intel abre mão de largura de banda e conexão entre placas, o que a tira da disputa por treinamento de grandes modelos. O foco é em inferência em servidores corporativos menores que não precisam de refrigeração líquida nem de uma grande infraestrutura elétrica. É um nicho em crescimento, especialmente com os modelos de mistura de especialistas (MoE). A amostragem para clientes está prevista para o segundo semestre de 2026, o lançamento comercial pode ficar para para 2027 e, até aqui, não há nenhum contrato com hyperscaler anunciado.
O avanço mais concreto da companhia não está em GPUs, e sim na fundição. A companhia produz para a AWS um chip de IA na litografia 18A e um processador customizado no arquitetura Intel 3, e ampliou a carteira de clientes. Vale notar a direção dessa relação: a Intel está vendendo capacidade de fabricação e chips sob medida para a Amazon, não competindo com a Nvidia pela venda de aceleradores. No mesmo sentido, em setembro de 2025 a Nvidia investiu US$ 5 bilhões na Intel, com acordo para o desenvolvimento conjunto de CPUs x86, em um dos diversos casos em que a Nvidia se posiciona dentro da cadeia do concorrente em vez de contra ela.
A concorrência: AMD
A AMD é a única companhia que projeta CPUs e GPUs de alto desempenho para os mesmos mercados que a Intel e a Nvidia, respectivamente, e sua trajetória recente ajuda a entender por que a distância em GPUs persiste.
No começo da década de 2010, a AMD estava atrás nos dois negócios. A arquitetura Bulldozer de processadores não foi bem sucedida e a empresa passou anos concorrendo apenas no segmento de entrada, com margem comprimida, enquanto a Intel dominava servidores e computadores domésticos.
Com um projeto melhor e impulsionada pelas evoluções da TSMC, que fabrica seus chips, a AMD reverteu a posição no mercado de CPUs com a linha Ryzen. Enquanto isso, a Intel perdeu mercado, sofrendo com seu processo de fabricação proprietário.
A companhia entrou no segmento de GPUs em 2006 com a aquisição da ATI. O histórico desde então é de uma perda relevante de mercado, entregando produtos competitivos em custo benefício e poder de processamento bruto, mas ficando atrás no software e nas inovações, com a indústria adotando as tecnologias da Nvidia como padrão.
A consequência aparece nas vendas: segundo a Jon Peddie Research, a Nvidia terminou 2025 com 94% do mercado de placas dedicadas para desktop, contra 5% da AMD — o menor patamar já registrado pela companhia.
No segmento de data center, a AMD é hoje a segunda fornecedora relevante, mas em uma ordem de grandeza inferior. Nos últimos doze meses, a receita de Nvidia nesse setor atingiu US$277 bi,quase 12 vezes maior que a da AMD, de US$23 bi.
A carteira de pedidos tem crescido, com contratos relevantes com OpenAI, Meta, Oracle e Microsoft. A companhia também respondeu à diversificação de receita da Nvidia, lançando o Helios, solução de rack com GPUs e CPUs AMD, usando padrões de conexão open-source.
O ponto que segue em aberto é software. O ROCm melhorou de maneira significativa, mas a distância para o CUDA em maturidade, cobertura de bibliotecas e base de desenvolvedores continua sendo um dos principais fatores que dificultam sua adoção.
A concorrência: TPUs e ASICs
A ameaça estrutural mais discutida à Nvidia vem dos chips sob medida. As GPUs da companhia estão na vanguarda do poder de processamento e podem ser usadas para diversas funções. Um ASIC (application-specific integrated circuit), por outro lado, é um circuito projetado para uma carga específica. Ao abrir mão da flexibilidade da GPU, ganha eficiência: menos energia e menor custo por operação naquela tarefa.
O programa mais maduro é o do Google, iniciado em 2015. A TPU de sétima geração, Ironwood, entrega números por chip próximos aos do Blackwell, geração anterior da Nvidia, com um custo total de propriedade divulgado pelo Google cerca de 44% menor.
A principal aplicação é em inferência, ou seja, a utilização para responder demandas dos usuários, e não para treinar o modelo. E a perspectiva é positiva: após o desenvolvimento inicial, a estimativas apontam que a demanda relativa para inferência, ou seja, para seu uso em si, deve crescer. Companhias como a Midjourney, que substituíram suas GPUs por ASICs da Google nessa etapa, reportaram economias próximas de 65%.
E os números impressionam: projeções da Trendforce indicam que 4 milhões de TPUs do Google serão produzidas este ano. A companhia tem diversificado seus fornecedores: Broadcom para treinamento, MediaTek e Marvell para inferência e conversas com a Intel para utilizar sua nova litografia 18A e diminuir a dependência do silício da TSMC.
Meta, Anthropic e Apple já usam TPUs. Estimativas de mercado colocam a receita de IA da Broadcom vinda de Google e Anthropic em US$ 21 bilhões em 2026, indo a US$ 42 bilhões em 2027, e os servidores baseados em ASIC em 27,8% dos embarques de 2026, crescendo 44,6% no ano.
São números relevantes e, ainda assim, os ASICs aparentam não canibalizar as vendas de Nvidia até aqui. Mas por quê?
- Funções diferentes: um ASIC é otimizado para uma arquitetura de modelo específica, que existia quando ele foi projetado e cujo ciclo de projeto é longo. A GPU é mais cara por operação, mas é mais flexível, podendo rodar novos modelos sem novas placas. Na prática, o mercado se dividiu entre inferência estável e de altíssimo volume, onde os ASICs ganham, e pesquisa, treinamento de fronteira e cargas que ainda estão mudando, onde a GPU ganha;
- Clientes diferentes: a especificidade do ASIC faz com que seu custo de desenvolvimento inviabilize a sua adoção por clientes menores, se concentrando nas hyperscalers. Escala é um ponto fundamental. O restante dos clientes compra hardware de prateleira ou aluga poder de processamento. E não por acaso, o segmento ACIE da Nvidia, que é destinado para companhias além das hyperscalers, foi o que mais cresceu no 2T26;
- Ganhos com a expansão do ecossistema: a Nvidia investiu US$ 2 bilhões na Marvell, uma das principais projetistas de ASICs, e integrou seus produtos customizados ao seu ecossistema, com o NVLink Fusion. A regra da plataforma é que todo sistema precisa incluir ao menos um produto Nvidia, seja CPU, GPU ou switch. O resultado é que, mesmo em um rack onde a GPU da Nvidia foi substituída por um chip customizado, a companhia continua vendendo interconexão, rede, DPU e software.
O capex dos hyperscalers: a depreciação e o ciclo de reposição
Como mostramos em nosso último gráfico de capex, Microsoft, Amazon, Alphabet e Meta elevaram novamente suas projeções de investimento, de US$ 700 bilhões para US$ 732 bilhões em 2026, com guidances maiores para 2027. A própria Nvidia trabalha com um número mais amplo: capex combinado dos cinco maiores hyperscalers próximo de US$ 800 bilhões em 2026 e de US$ 1,3 trilhão em 2027. A AWS informou que pretende implantar mais 2 milhões de GPUs Nvidia em 2027 e 2028.
Esse investimento entra no balanço como ativo e sai pela linha de depreciação. E é aqui que existe um debate contábil relevante. Entre 2020 e 2024, os hyperscalers estenderam a vida útil estimada de servidores de três ou quatro anos para cinco ou seis, o que reduziu a despesa de depreciação anual.
O ponto de debate é simples: a Nvidia lança uma arquitetura por ano, e o ganho entre gerações não é marginal. Entre uma geração e outra, a companhia reporta até 10 vezes mais rendimento de inferência por watt e um décimo do custo por token, além de treinar modelos MoE com um quarto do número de GPUs. Michael Burry, o famoso investidor que apostou na crise de 2008, mas que desde então vem apostando seguidamente em crises (e errando), estimou que, se a depreciação real fosse de dois ou três anos, a depreciação subestimada entre 2026 e 2028 chegaria a US$ 176 bilhões.
Independentemente de quem esteja certo no debate contábil, a consequência operacional é a mesma e favorece a Nvidia: quem treina modelos de fronteira tem incentivos a buscar hardware de última geração para evitar que o custo por token do concorrente seja muito menor. O hardware antigo não vira sucata, migrando para cargas de inferência menos exigentes, mas a fronteira precisa ser renovada. O ciclo de reposição é definido pela economia do token e pelos avanços geracionais, não pelo cronograma meramente contábil de depreciação.
Quem paga a conta?
A pergunta que sustenta o debate sobre esses investimentos é se existe receita do outro lado. E aqui houve mudanças relevantes nos últimos doze meses.
A Anthropic saiu de US$ 9 bilhões de receita anualizada (run rate) no fim de 2025 para US$ 65 bilhões em julho de 2026, com o primeiro trimestre de resultado operacional ajustado positivo e cerca de 80% da receita vinda de clientes corporativos. A OpenAI dobrou o faturamento anualizado (run rate) de aproximadamente US$ 21 bilhões no fim de 2025 para cerca de US$ 40 bilhões em agosto, com a receita empresarial superando a de consumidores pela primeira vez.
A cadeia é direta: esses laboratórios alugam capacidade dos hyperscalers (e de provedores especializados, os neoclouds) para treinar e servir modelo. Os hyperscalers, por sua vez, compram hardware da Nvidia.
O resultado do 2T e o guidance para o ano fiscal de 2028
No trimestre encerrado em 26 de julho, a Nvidia reportou receita de US$ 96,2 bilhões, crescimento de 106% na comparação anual, margem bruta de 75,0% e lucro líquido com crescimento de 126% a/a.
Duas ressalvas nesse resultado, que vêm demonstrando a solidez da companhia:
- US$ 7,8 bilhões do lucro líquido, cerca de 13% do total, vieram de ganhos com participações societárias em outras empresas, que não são resultado operacional, como posições em Intel, SpaceX e Marvell;
- As contas a receber subiram para US$ 63,1 bilhões, mas o prazo médio de recebimento também subiu, de 60 dias contra 45 no trimestre anterior, com clientes de grau de investimento.
Aos poucos o setor de hardware vem financiando os seus clientes de hardware, seja com prazos maiores ou leasing. É um dado que merece atenção à medida que risco de crédito externo é incorporado aos balanços.
O dado que moveu o mercado, porém, foi outro. Pela primeira vez em sua história, a companhia deu um guidance de receita para o ano seguinte: crescimento de 70% em 2027 (ano fiscal de 2028), bem maior que o consenso do mercado, de 45%.
Jensen Huang justificou a mudança de prática pela visibilidade que a companhia passou a ter sobre memória, capacidade de manufatura e infraestrutura física, itens que precisam ser contratados com dois a três anos de antecedência. E foi explícito ao dizer que o número seria mais alto se a companhia não estivesse limitada por oferta. A companhia não produz mais porque não consegue. A CFO Colette Kress afirmou que as projeções dos clientes indicam que a receita poderia dobrar no ano que vem.
O gargalo tem nome: memória. Os preços de memórias subiram 76% no 4T25 em relação aos do 3T25 e há projeções que subam ainda mais, atingindo mais de 300% de alta em relação ao 3T25, com Samsung, SK Hynix e Micron redirecionando capacidade de produção para HBM, as memórias para data centers, com margens maiores e competição menor. A Nvidia reagiu de duas formas:
- Contratos longos para garantir oferta e preço: a companhia firmou US$ 160 bi de compromissos com fornecedores somente no último trimestre, mais do que duplicando o volume total de contratos dessa natureza, com a maioria sendo de memórias;
- Aumento de preços repassando custos: elevações acima de 15% nos sistemas Vera Rubin e Grace Blackwell. A margem bruta estimada pelo mercado deve recuar dos 75% atuais para 74% no terceiro trimestre, voltando a crescer em 2027, quando os reajustes entrarão em vigor.
Vale registrar que o guidance não inclui nenhuma receita de computação de data center na China, mercado ao qual a companhia hoje praticamente não tem acesso com as restrições de exportação. Qualquer mudança geopolítica nesse sentido seria um “bônus” frente às previsões.
Dos chips à infraestrutura
Uma parte do crescimento não vem de vender mais GPUs, e sim de vender a infraestrutura necessária por GPU instalada. A Nvidia estima que a receita capturada por cada gigawatt de infraestrutura de IA instalado subiu de cerca de US$ 18 bilhões com Hopper para US$ 25 bilhões com Blackwell e US$ 40 bilhões com a geração atual Vera Rubin. A razão é que a companhia passou a vender o rack inteiro: GPU, CPU, NVLink, placa de rede, DPU e switch Ethernet.
O caso mais claro dessa expansão é a CPU. Com o desenvolvimento dos modelos de agentes de IA, os quais executam tarefas de maneira autônoma, o uso dos componentes mudou, demandando muito mais CPU. São operações sequenciais e mais genéricas, que não paralelizam bem e por isso não se beneficiam da arquitetura das placas de vídeos.
O efeito é mensurável. A Arm estima que um data center de IA tradicional demanda cerca de 30 milhões de núcleos de CPU por gigawatt, contra 120 milhões na era agêntica — quatro vezes mais. A AMD observa a mesma tendência, com as arquiteturas convergindo para uma proporção de 1:1 entre CPU e GPU.
Foi essa demanda que a Nvidia atendeu com a Vera, sua primeira CPU para agentes. O ponto não é apenas vender um processador a mais, é que a CPU e a GPU precisam ser projetadas juntas para que o conjunto não fique ocioso esperando o trabalho sequencial terminar. Quem vende as duas pontas tem uma vantagem de co-desenho que quem vende só uma não tem.
Por que a receita cresce tanto e a margem se mantém?
- Demanda crescente e superior à oferta: a Nvidia opera com margem bruta de 75% porque vende em um mercado onde a demanda excede a oferta e onde o produto define o custo por token do cliente. Enquanto o cliente enxergar que a alternativa custa mais por token entregue, o preço se sustenta. A pressão que existe hoje sobre ela não vem de concorrência, e sim de custo de insumo — memória —, e a companhia já anunciou repasse.
- Alavancagem operacional: no segundo trimestre de 2026, a receita cresceu 106% na comparação anual, enquanto as despesas operacionais cresceram 55%. Como P&D e despesas administrativas não escalam na mesma proporção do volume vendido, cada dólar adicional de receita chega ao lucro operacional com menos custo incremental — e a margem operacional se expande;
- Diversificação de receita: o crescimento não depende apenas de vender mais unidades. Vendendo o rack completo, a Nvidia captura de US$ 18 bilhões para US$ 40 bilhões por gigawatt implantado. Ou seja: mesmo que o número de gigawatts crescesse mais devagar, a receita por gigawatt seria menos afetada.
Principais riscos
- Demanda abaixo do projetado: as projeções dos clientes podem não se confirmar, especialmente por falta de energia, de espaço físico e de capital e, nesse cenário, os US$ 279 bilhões de compromissos pré-acordados com fornecedores virariam um problema. Neste sentido, modelos descentralizados de IA também aparecem como ameaça;
- Risco de crédito crescente ao financiar seus clientes: à medida que a companhia incorpora riscos de crédito de seus clientes no balanço, seja ampliando prazos, entrando como avalista em operações ou fazendo leasing, ela incorpora o risco de software (e dos possíveis perdedores) da corrida de IA dentro de seu negócio;
- Concorrência: a diminuição das barreiras à adoção de ASICs e placas de concorrentes poderiam impactar de maneira relevante na receita da companhia, embora ela esteja tomando medidas para mitigar esse risco;
- Concentração de clientes: no ano passado, 36% da receita veio de apenas 2 clientes, que podem em geral cancelar ou adiar compromissos sem penalidades relevantes, segundo informações divulgadas em seu formulário 10-K;
- Dependência de insumos e fabricação terceirizados: o grande gargalo atual que vem pressionando suas margens é a alta dos custos de memórias. Hoje, a companhia tem poder de repassar esse custo no preço, mas em cenários de maior competitividade, ela poderia ser o elo mais frágil da cadeia e, por isso, tem firmado contratos longos para garantir matérias-primas a preços menores.
Glossário
- Hyperscalers: as poucas empresas de nuvem em escala global — Amazon, Microsoft, Google, Meta, Oracle — que compram GPUs em volume massivo para treinar e servir modelos de IA. São elas que fecham os contratos de capex bilionários citados no texto e para quem os ASICs sob medida fazem sentido econômico;
- GPU: placa de vídeo com milhares de núcleos menores que processam a mesma operação em paralelo sobre grandes volumes de dados. É o hardware por trás do treinamento e da inferência de IA;
- CPU: processador com poucos núcleos, mas rápidos e flexíveis, feito para tarefas sequenciais e imprevisíveis. É o oposto complementar da GPU — e é por isso que a era dos "agentes de IA" está exigindo mais CPU;
- ASIC: application-specific integrated circuit, chip projetado sob medida para uma única carga de trabalho. Ganha eficiência (menos energia, menor custo por operação) abrindo mão da flexibilidade da GPU;.
- DRAM: memória de acesso aleatório usada para armazenar dados temporariamente enquanto são processados. HBM e LPDDR5X são, na prática, variações de DRAM otimizadas para contextos diferentes;
- HBM: high bandwidth memory, memória empilhada junto ao chip, com largura de banda muito maior para passagem de dados que memórias convencionais — é o que permite à GPU não ficar ociosa esperando dados. É também o gargalo atual de oferta que está pressionando a margem da Nvidia;
- LPDDR5X: tipo de memória de menor largura de banda que a HBM, mais barata e usada em dispositivos móveis. É a escolha da Intel na Crescent Island — uma opção de custo que a afatas da disputa por treinamento de ponta;
- Litografia: processo de fabricação de chips que define o tamanho dos transistores, medido em nanômetros (por exemplo, litografia 18A da Intel). Quanto menor, mais transistores cabem no chip;
- Agente de IA: sistema de IA que executa tarefas de forma autônoma e sequencial, não apenas responde a um prompt. É a razão pela qual a demanda por CPU está crescendo tanto;
- CUDA: plataforma de software da Nvidia, lançada em 2006, que permite programar a GPU para tarefas genéricas além de gráficos;
- ROCm: a resposta da AMD ao CUDA — pilha de software para programar suas GPUs. O texto aponta que, mesmo tendo melhorado, ainda está atrás em maturidade e base de desenvolvedores;
- Gigawatt: unidade de potência usada no texto para medir a escala de infraestrutura de data center instalada;
- Rack: o "armário" físico onde ficam as GPUs, CPUs e demais componentes de um data center. O texto destaca que a Nvidia passou a vender o rack inteiro (GPU, CPU, NVLink, rede, DPU, switch), não só o chip.
