As unidades de processamento tensor do Google agora estão funcionando dentro dos data centers da Meta, de acordo com um relatório da Tom's Hardware publicado em 22 de outubro de 2026 – a primeira vez que o Google vendeu seus chips de IA personalizados para um cliente externo como hardware implantado, em vez de por meio de sua própria nuvem. A mudança marca uma mudança histórica no mercado de hardware de IA, onde as GPUs da Nvidia têm sido a escolha padrão para treinamento e atendimento de modelos grandes.
Durante anos, a suposição na indústria foi que o ecossistema de software CUDA da Nvidia tornou suas GPUs insubstituíveis, mesmo com o surgimento de alternativas. Essa suposição está agora sendo testada pelas duas empresas mais bem posicionadas para quebrá-la. O acordo, que se soma aos enormes gastos com infraestrutura de IA da Meta neste trimestre, mostra o quanto os hiperscaladores estão buscando seriamente a independência computacional – uma história que você pode acompanhar com mais profundidade com os últimos desenvolvimentos de IA abordados diariamente em nossa página inicial em aibuzzwire.news.
Do TorchTPU ao Aço e Silício
As bases para este momento foram lançadas publicamente apenas dois dias antes. Em 20 de outubro, Google e Meta abriram em conjunto o TorchTPU, um back-end PyTorch nativo para TPUs do Google, anunciado no blog oficial do PyTorch pela equipe TorchTPU. O projeto começou no Google em meados de 2025 em colaboração com a equipe PyTorch da Meta e faz algo que nenhum esforço anterior administrou de forma limpa: permite que cargas de trabalho PyTorch existentes sejam executadas em TPUs com uma alteração trivial de código, essencialmente trocando `.to("cuda")` por `.to("tpu")`.
Isso é importante porque a tentativa anterior do Google, PyTorch/XLA, lançada em 2020, exigia modificações intrusivas no código-fonte, sofria de longos tempos de compilação e não tinha suporte para o modo de execução nativo do PyTorch. Muitas equipes que experimentaram TPUs acabaram retornando para GPUs Nvidia simplesmente porque a experiência do desenvolvedor era muito dolorosa. O TorchTPU foi explicitamente projetado para corrigir isso, sem dependências JAX no tempo de execução e integração torch.compile construída no Torch Dynamo em vez da abordagem mais antiga do Lazy Tensor.
O que Meta ganha com o negócio
Os resultados técnicos divulgados pelo Google e pela Meta são notáveis. De acordo com detalhes relatados pelo Yahoo Tech, a pilha TorchTPU foi validada em 5.000 modelos Hugging Face, e o modo de execução DeferAndFuse do Google oferece ganhos de desempenho de 50% ou mais em relação à execução estrita e ansiosa. Estudos de caso de fornecedores mostram que o modelo Llama 3 405B da Meta atinge 57 por cento de utilização de FLOPs de modelo em clusters de 128 a 1.024 TPUs Ironwood – números que, embora auto-relatados, indicam que os chips podem executar cargas de trabalho de treinamento em escala de fronteira com competência.
A economia é a história maior. Há muito que há rumores de que as TPUs custam significativamente menos do que as GPUs Nvidia de ponta, e uma empresa com o apetite computacional da Meta – cobrindo tanto suas ambições de pesquisa de IA quanto seus sistemas de recomendação – tem todos os incentivos para diversificar longe de um único fornecedor. A Bloomberg informou já em novembro de 2025 que Meta e Google estavam discutindo a implantação de TPUs nos data centers da Meta, e a colaboração no TorchTPU foi relatada pela Reuters em dezembro de 2025. O que mudou agora é que o acordo passou da discussão para a implantação, com Tom's Hardware relatando que os chips estão fisicamente instalados e funcionando nas instalações da Meta.
Uma rachadura na armadura da Nvidia
A Nvidia ainda domina a esmagadora maioria do mercado de aceleradores de IA, e a receita de seu data center continua sendo a referência que todos os concorrentes perseguem. Mas a dinâmica está mudando. Como o TechCrunch colocou em sua cobertura do lançamento do TorchTPU, o Google se juntou à Amazon no ataque à fortaleza da Nvidia na camada de software que mantém os desenvolvedores vinculados ao seu hardware. Enquanto isso, a Meta ganha vantagem nas negociações: cada rack de TPU instalado é um rack de GPUs que ela não precisava comprar pelo preço da Nvidia.
A pressão vem de várias direções ao mesmo tempo. A Amazon tem seus chips Trainium, o Google tem TPUs e uma onda de startups está construindo aceleradores específicos para inferência. O que torna a implantação Meta diferente é a escala e a visibilidade. A Meta é um dos maiores clientes da Nvidia, e se suas equipes de engenharia concluírem que as TPUs podem transportar uma parcela significativa das cargas de trabalho de treinamento e inferência, outros grandes compradores prestarão muita atenção.
As advertências
Nada disso significa que a posição da Nvidia entrará em colapso da noite para o dia. O próprio blog PyTorch alerta que, embora os modelos possam funcionar imediatamente em TPUs, atingir o desempenho máximo ainda requer otimização com reconhecimento de hardware, porque formas de modelo, estratégias de fragmentação e implementações de kernel são normalmente ajustadas para arquiteturas de GPU. O conjunto de instruções da TPU difere do da Nvidia, e o ecossistema de ferramentas, bibliotecas e engenheiros experientes permanece fortemente centrado na GPU.
Há também a questão da oferta. Historicamente, o Google reservou TPUs para suas cargas de trabalho internas e clientes de nuvem, e a capacidade de fabricação de aceleradores personalizados não é ilimitada. Se o Google pode ou deseja fornecer TPUs em uma escala significativa para a pegada computacional total da Meta – que supera a da maioria das empresas – permanece uma questão em aberto.
O que assistir a seguir
Os sinais imediatos a serem monitorados são se outros hiperescaladores seguem o exemplo do Meta, como a Nvidia responde aos preços e se o impulso de código aberto do TorchTPU se traduz em uma migração genuína de cargas de trabalho PyTorch para a infraestrutura TPU. O mercado de hardware de IA espera há anos por uma alternativa confiável à Nvidia de ponta. Com as TPUs agora em execução nos data centers de uma segunda empresa, essa espera pode finalmente acabar.
Fique à frente da IA
A corrida ao hardware de IA está a acelerar rapidamente e os vencedores e perdedores da próxima década estão a ser decididos agora. Fique à frente da IA com cobertura independente dos chips, modelos e negócios que estão remodelando a indústria.
Leia mais notícias sobre IA →
