Os 25+ Principais Fabricantes de Chips de IA: NVIDIA & Os Seus Concorrentes
Com base na nossa experiência a executar o benchmark de GPU na nuvem da AIMultiple com 10 modelos de GPU diferentes em 4 cenários diferentes, estas são as principais empresas de hardware de IA para cargas de trabalho de centro de dados. Siga as ligações para ver o nosso raciocínio por detrás de cada seleção:
25+ fabricantes de chips de IA por categoria
*Os modelos selecionados baseiam-se nos anúncios mais recentes.
**O ACCEL foi desenvolvido por cientistas chineses em colaboração com a Alibaba e a China’s Semiconductor Manufacturing International Corporation (SMIC) 1
A ordenação é por categoria. Os fornecedores são classificados por quota de mercado estimada dentro das 3 principais categorias (ou seja, produtor líder, nuvem pública, nuvem pública de IA) porque os números de vendas ou utilização da nuvem podem ser estimados. Os fornecedores nas últimas três categorias (ou seja, startup de IA, futuro produtor, outros produtores) são ordenados alfabeticamente.
5 fornecedores de chips de IA para dispositivos móveis
*Os chips mais populares e recentes são selecionados.
5 chips de IA na periferia
A procura por processamento de baixa latência impulsionou a inovação nos chips de IA na periferia. Os processadores destes chips são concebidos para realizar computações de IA localmente nos dispositivos, em vez de dependerem de soluções baseadas na nuvem:
*Estes são os valores máximos citados pelos fornecedores. TOPS são tera operações por segundo.
Compreender as arquiteturas dos chips de IA: GPUs vs ASICs
Nem todos os chips de IA são iguais. Embora os fornecedores acima compitam no mesmo mercado, utilizam arquiteturas de chip fundamentalmente diferentes:
- GPUs (Unidades de Processamento Gráfico) são processadores de uso geral que podem lidar tanto com treino como com inferência numa vasta gama de cargas de trabalho de IA. A NVIDIA e a AMD dominam esta categoria.
- ASICs (Circuitos Integrados de Aplicação Específica) são concebidos à medida para tarefas específicas. Alguns suportam tanto treino como inferência (Google TPU, AWS Trainium), enquanto outros são apenas para inferência (Groq LPU, AWS Inferentia).
Visão chave:
Nem todos os ASICs são apenas para inferência. As TPU do Google, Trainium da AWS, Cerebras e SambaNova suportam treino e inferência, enquanto as LPU da Groq e Inferentia da AWS focam exclusivamente na inferência.
Esta distinção é importante para os compradores: as GPUs oferecem flexibilidade em diferentes cargas de trabalho de IA, enquanto os ASICs oferecem melhor desempenho por watt, mas são mais difíceis de reprogramar à medida que as arquiteturas dos modelos mudam.
De acordo com a TrendForce2 , com base nas taxas de crescimento de envio de servidores de IA, prevê-se que os envios de ASICs personalizados dos fornecedores de nuvem cresçam 44.6% em 2026, enquanto se espera que os envios de GPU cresçam 16.1%. Isto sinaliza uma mudança no panorama do hardware de IA, com os hiperescala a investir cada vez mais no seu próprio silício.
Quais são os principais produtores de chips de IA?
1. NVIDIA
A NVIDIA tem vindo a conceber unidades de processamento gráfico (GPUs) para o setor dos jogos desde os anos 90. A NVIDIA é um fabricante de chips fabless que subcontrata a maior parte do seu fabrico de chips à TSMC. Os seus principais negócios incluem:
Soluções de IA para computadores de secretária
O DGX Spark (anteriormente Projeto Digits) é um supercomputador de IA de secretária para engenheiros de IA e cientistas de dados com um Superchip Grace Blackwell com uma GPU NVIDIA Blackwell RTX com 6.144 núcleos CUDA e Núcleos Tensor de quinta geração com precisão FP4, ligado através da interconexão chip-a-chip NVIDIA NVLink-C2C a um CPU NVIDIA Grace de alto desempenho com 20 núcleos, com até 1 petaflop de computação de IA e 128GB de memória unificada para agentes no dispositivo.3 4
A NVIDIA e a Microsoft estão a estabelecer uma parceria para fornecer uma plataforma Windows segura para agentes no dispositivo, construída sobre novos primitivos de segurança do SO.5
Soluções para centros de dados
A empresa fabrica chips de IA seguindo as suas arquiteturas Ampere, Hopper e, mais recentemente, Blackwell. Graças ao boom da IA generativa, a NVIDIA teve excelentes resultados nos últimos anos, atingiu um bilião de dólares em avaliação e solidificou o seu estatuto como líder dos mercados de GPU e hardware de IA. O gráfico seguinte mostra como a receita da NVIDIA neste segmento cresceu ao longo dos anos e como se tornou a principal fonte de rendimento da empresa.
Fonte: Relatórios financeiros da NVIDIA Corporation.6
A DGX™ A100 e a H100 têm sido chips de IA emblemáticos de sucesso da Nvidia, concebidos para treino e inferência de IA em centros de dados.7 A NVIDIA deu seguimento a estes com
- os chips H200, B300 e GB300
- servidores HGX como o HGX H200 e HGX B300 que combinam 8 destes chips
- a série NVL e o GB200 SuperPod que combinam ainda mais chips em grandes clusters.8
GPUs na nuvem
Graças à força da sua oferta para centros de dados, a NVIDIA quase detém um monopólio no mercado de IA na nuvem, com a maioria dos fornecedores de nuvem a oferecer apenas GPUs NVIDIA como GPUs na nuvem.
A NVIDIA também lançou a sua oferta DGX Cloud, fornecendo infraestrutura de GPU na nuvem diretamente às empresas, contornando os fornecedores de nuvem.
GPUs para gráficos
A Xbox utiliza um chipset co-desenvolvido pela NVIDIA e pela Microsoft. As GPUs da NVIDIA para utilizadores de retalho incluem a série GeForce.
Desenvolvimentos recentes
DGX Cloud Lepton
Anunciado a 19 de maio de 2025, na Computex, o DGX Cloud Lepton da NVIDIA é um mercado que liga os programadores de IA aos fornecedores de nuvem de GPU da NVIDIA, incluindo a CoreWeave, a Lambda e a Crusoe. Permite o acesso flexível a recursos de GPU para treino e inferência de modelos de IA, contornando as dependências tradicionais dos fornecedores de nuvem. Isto reforça a estratégia de nuvem focada na empresa da NVIDIA.9
NVIDIA Dynamo
O NVIDIA Dynamo, anunciado na GTC 2025, é uma nova framework de inferência de código aberto concebida para a implementação de modelos de IA generativa de alto rendimento e baixa latência em ambientes distribuídos, aumentando o serviço de pedidos até 30x na NVIDIA Blackwell, como mostra a figura abaixo. Esta framework, compatível com ferramentas populares como PyTorch e TensorRT-LLM, utiliza inovações como estágios de inferência desagregados e agendamento dinâmico de GPU para otimizar o desempenho e reduzir custos. Disponível no GitHub para programadores e incluído nos microserviços NVIDIA NIM para soluções empresariais, o Dynamo facilita o serviço de IA generativa escalável e económico, desde sistemas de GPU única a múltiplas.10
Servidores NVIDIA RTX PRO e Enterprise IA Factory
Anunciado em maio de 2025 na Computex, a NVIDIA introduziu os Servidores RTX PRO alimentados por GPUs RTX PRO 6000 Blackwell Server Edition, concebidos para fábricas empresariais de IA. Estes servidores oferecem aceleração universal para aplicações de IA, design, engenharia e negócios, suportando cargas de trabalho como inferência de IA multimodal, IA física e gémeos digitais na plataforma NVIDIA Omniverse.
O design validado NVIDIA Enterprise IA Factory, que incorpora Servidores RTX PRO, NVIDIA Spectrum-X Ethernet, NVIDIA BlueField DPUs e o software NVIDIA IA Enterprise, permite que parceiros como a Cadence, a Foxconn e a Lilly construam infraestruturas de IA locais. Esta iniciativa acelera a transição da indústria de TI de biliões de dólares para fábricas de IA aceleradas por GPU. 12
Plataforma NVIDIA Vera Rubin
A plataforma de próxima geração da NVIDIA após a Blackwell Ultra, anunciada na CES 2026 e confirmada em produção na Computex 2026, oferece um treino 3,5× mais rápido e uma inferência 5× mais rápida em relação à Blackwell e é construída na TSMC 3nm com HBM4.13 14 O rack NVL72 fornece 260 TB/s de largura de banda.
DeepSeek
O lançamento do R1 da DeepSeek mostrou que modelos de última geração podiam ser treinados com um número relativamente pequeno de GPUs. Isto levou a uma redução no preço das ações da NVIDIA. Embora isto não seja um conselho de investimento, pode ser positivo para a NVIDIA, uma vez que quanto mais utilidade o poder de computação proporcionar, mais amplamente deverá ser utilizado (ou seja, o paradoxo de Jevons15 ).
No entanto, dado que o desempenho dos sistemas de GPU melhora várias vezes anualmente devido a avanços no design de chips e na interconexão, os compradores fariam bem em não comprar para além das suas necessidades anuais, pois isso pode levar à posse de sistemas obsoletos.
Tarifas e restrições à exportação
A NVIDIA está agora autorizada a exportar processadores de IA avançados para o mercado chinês, marcando uma mudança em relação aos requisitos anteriores de vender apenas versões reduzidas. No entanto, estas exportações enfrentam novos obstáculos logísticos e financeiros: os chips fabricados em Taiwan têm agora de passar pelos Estados Unidos para testes de terceiros, desencadeando uma tarifa de segurança nacional recentemente imposta de 25%.
Apesar do acesso restabelecido a hardware de topo, os custos acrescidos e as complexidades da cadeia de fornecimento continuam a incentivar o governo chinês e a indústria de chips a desenvolver alternativas locais competitivas. Embora os chips chineses tenham atualmente um desempenho inferior à mais recente tecnologia da NVIDIA, estas barreiras comerciais garantem que o desenvolvimento interno continua a ser uma prioridade estratégica, podendo desafiar o domínio de mercado da NVIDIA no futuro.16
Concorrência no Mercado de Inferência
Embora a NVIDIA domine o mercado de “treino” de IA, a concorrência está a aquecer na “inferência”, a implementação de modelos de IA para tarefas do mundo real. Empresas como a AMD e inúmeras startups, incluindo a Untether IA e a Groq, estão a desenvolver chips que visam fornecer soluções de inferência mais económicas, com um foco particular no menor consumo de energia.
As novas técnicas de IA de “raciocínio” exigem mais poder de computação. A NVIDIA acredita que o raciocínio favorecerá a sua arquitetura a longo prazo e espera que o mercado de inferência acabe por superar o mercado de treino em tamanho, mesmo que a sua quota de mercado seja menor. 17
2. AMD
A AMD é um fabricante de chips fabless com produtos de CPU, GPU e aceleradores de IA.
A AMD lançou a MI300 para cargas de trabalho de treino de IA em junho de 2023 e está a competir com a NVIDIA por quota de mercado. Há startups, institutos de investigação, empresas e gigantes tecnológicos que adotaram o hardware da AMD em 2023, uma vez que o hardware de IA da Nvidia tem sido difícil de adquirir devido ao rápido aumento da procura, com o surgimento da IA generativa desencadeado pelo lançamento do ChatGPT.18 19 20
Em 2025, a AMD anunciou a aquisição de uma talentosa equipa de engenheiros de hardware e software de IA da Untether IA, uma desenvolvedora de chips de inferência de IA energeticamente eficientes para fornecedores de borda e centros de dados empresariais. Esta aquisição melhora as capacidades de compilador de IA, desenvolvimento de kernel e design de chips da AMD, fortalecendo ainda mais a sua posição no mercado de inferência. Além disso, a AMD adquiriu a startup de compiladores Brium para otimizar o desempenho da IA nas suas GPUs de centro de dados Instinct para aplicações empresariais.21
A AMD irá lançar a série MI350 para substituir a MI300 e competir com a H200 da NVIDIA. A AMD afirma que a MI325X, outro chip recente, tem um desempenho de inferência líder de mercado. Em fevereiro de 2026, a Meta anunciou um acordo de infraestrutura de longo prazo com a AMD para implementar até 6 GW de GPUs AMD Instinct, um dos maiores negócios de aquisição de GPUs não-NVIDIA da história e um endosso significativo do roteiro de hardware de IA da AMD.22 23
A AMD também está a trabalhar com empresas de aprendizagem automática como a Hugging Face para permitir que os cientistas de dados utilizem o seu hardware de forma mais eficiente.24
O ecossistema de software é crítico, pois o desempenho do hardware depende fortemente da otimização de software. Por exemplo, a AMD e a NVIDIA tiveram um desacordo público sobre a comparação de desempenho da H100 e da MI300. O foco do desacordo foi o pacote e o ponto flutuante a utilizar no benchmark. De acordo com os benchmarks mais recentes, parece que a MI300 é melhor ou está a par da H100 para inferência num LLM de 70B.25
Software
Embora o hardware da AMD esteja a alcançar o da NVIDIA, o seu software fica para trás em termos de usabilidade. Enquanto o CUDA funciona imediatamente para a maioria das tarefas, o software da AMD requer uma configuração significativa. 26
Ecossistema
À semelhança da NVIDIA, a AMD está a investir seletivamente em utilizadores das suas soluções para impulsionar a adoção do seu hardware. 27
3. Intel
A Intel é o player mais significativo no mercado de CPU e tem uma longa história de desenvolvimento de semicondutores. Ao contrário da NVIDIA e da AMD, a Intel utiliza a sua própria fundição para construir os seus chips.
O Gaudi3 é o mais recente processador acelerador de IA da Intel. 28 No entanto, a orientação de vendas da Intel para o Gaudi3 foi de ~$500M para 2024, o que é significativamente inferior em comparação com os milhares de milhões que a AMD está a projetar ganhar em 2024.
Sob a liderança do novo CEO Lip-Bu Tan (nomeado em março de 2025), a estratégia de IA da Intel clarificou-se em torno de soluções à escala de rack.29 A Intel cancelou a sua GPU Falcon Shores para girar para a Jaguar Shores, um acelerador de IA de próxima geração à escala de rack construído no nó de processo 18A da Intel, e fez novos anúncios de hardware de IA na Computex 2026, incluindo o seu processador Xeon 6+ no nó 18A e a GPU de centro de dados Crescent Island.30 31
Que fornecedores de nuvem pública produzem chips de IA?
4. AWS
A AWS produz chips Tranium para treino de modelos e chips Inferentia para inferência. Embora a AWS seja a líder de mercado em nuvem pública, começou a desenvolver os seus próprios chips depois da Google.
Centenas de milhares de chips Tranium2 são utilizados para formar o cluster Project Rainier, que alimenta os modelos da desenvolvedora de LLM Anthropic.
5. Google Cloud Platform
As TPU da Google Cloud são os chips aceleradores de aprendizagem automática concebidos para o efeito que alimentam produtos Google como Translate, Photos, Search, Assistant e Gmail. A Google anunciou as TPUs em 2016.32 A mais recente TPU Trillium é a 6ª geração.33
A Google introduziu a Ironwood. Esta última geração é especificamente concebida para “modelos de pensamento” complexos, como LLMs e MoEs, oferecendo processamento paralelo massivo (4.614 TFLOPs por chip) e escalando até 42.5 Exaflops em pods de 9.216 chips.34
A Ironwood proporciona avanços significativos em relação à Trillium, incluindo 2x melhor eficiência energética, 6x a capacidade de Memória de Alta Largura de Banda (192 GB/chip), 4.5x a largura de banda HBM (7.2 TBps/chip), e 1.5x a velocidade de Interconexão Inter-Chip (1.2 Tbps). Também apresenta um SparseCore melhorado para grandes embeddings. A Google também produz a muito mais pequena Edge TPU para diferentes necessidades, concebida para implementação em dispositivos de borda como smartphones e hardware IoT.
6. Alibaba
A Alibaba produz chips como o Hanguang 800 para inferência. No entanto, algumas organizações norte-americanas, europeias e australianas (por exemplo, as da indústria de defesa) podem não preferir utilizar a Alibaba Cloud por razões geopolíticas.
7. IBM
A IBM anunciou o seu mais recente chip de aprendizagem profunda, a unidade de inteligência artificial (AIU), em 2022.35 . A IBM está a considerar utilizar estes chips para alimentar a sua plataforma de IA generativa Watsonx.36
A AIU da IBM baseia-se no Processador IBM Telum, que alimenta as capacidades de processamento de IA dos servidores mainframe IBM Z. No lançamento, os casos de uso destacados dos processadores Telum incluíam a deteção de fraudes.37
A IBM também demonstrou que a fusão de computação e memória pode levar a eficiências. Estas foram demonstradas no protótipo do processador North Pole.38
8. Huawei
O Huawei HiSilicon Ascend 910C faz parte da família de chips Ascend 910 introduzida em 2019.
Devido a sanções, os laboratórios de IA na China não podem comprar os chips mais recentes e de maior desempenho de empresas norte-americanas como a NVIDIA ou a AMD. Portanto, estão a experimentar com o Ascend 910C.
A nuvem da Huawei está a alojar modelos da DeepSeek, e um investigador da DeepSeek afirma que pode atingir 60% do desempenho de inferência da NVIDIA H100. 39
Que fornecedores de IA na nuvem produzem os seus próprios chips?
Estes fornecedores não têm nuvens públicas com capacidades abrangentes como os hiperescala. Fornecem serviços de nuvem limitados, tipicamente focados na inferência de IA. Conseguimo-nos inscrever nestes serviços sem falar com equipas de vendas:
9. Groq
A Groq foi fundada por antigos funcionários da Google. A empresa representa as LPUs, um novo modelo para a arquitetura de chips de IA, que visa tornar mais fácil para as empresas adotarem os seus sistemas. A startup já angariou cerca de $350 milhões e produziu os seus primeiros modelos, como o Processador GroqChip™, o Acelerador GroqCard™, etc.
A empresa está focada na inferência de LLM e divulgou benchmarks para o Llama-2 70B.40
Recentemente, a Groq garantiu um significativo compromisso de investimento de $1,5 mil milhões da Arábia Saudita para expandir a entrega dos seus avançados chips de IA ao país. Este investimento será utilizado para expandir o centro de dados existente da Groq em Dammam, na Arábia Saudita, construído em parceria com a Aramco Digital.41
No primeiro trimestre de 2024, a empresa partilhou que 70 mil programadores se inscreveram na sua plataforma de nuvem e construíram 19 mil novas aplicações.42
A 1 de março de 2022, a Groq adquiriu a Maxeler, que possui soluções de computação de alto desempenho (HPC) para serviços financeiros.43
10. SambaNova Systems
A SambaNova Systems foi fundada em 2017 para desenvolver sistemas de hardware-software de alto desempenho e alta precisão para cargas de trabalho de IA generativa de alto volume. A empresa angariou mais de 1,5 mil milhões de dólares em financiamento total, incluindo uma ronda de Série E de 350 milhões de dólares em fevereiro de 2026.44
Em fevereiro de 2026, a SambaNova revelou o chip SN50, a sua mais recente Unidade de Dados Reconfigurável (RDU), alegando uma velocidade máxima 5x mais rápida do que os chips concorrentes e um custo total de propriedade 3x inferior em comparação com as GPUs para cargas de trabalho de IA agêntica. O SN50 oferece 5x mais computação por acelerador e 4x mais largura de banda de rede do que a geração anterior SN40L, e suporta uma arquitetura de memória de três níveis para modelos com mais de 10 biliões de parâmetros e comprimentos de contexto de mais de 10 milhões de tokens.45
A SoftBank Corp. será o primeiro cliente a implementar o SN50 nos seus centros de dados de IA de próxima geração no Japão.
A SambaNova também anunciou uma colaboração estratégica planeada de vários anos com a Intel para fornecer soluções de inferência de IA, combinando os sistemas da SambaNova com os processadores Intel Xeon, Intel GPUs e a rede Intel para alimentar uma infraestrutura de inferência escalável como alternativa às soluções centradas em GPU.
A SambaNova Systems aluga a sua plataforma a empresas através da SambaCloud. Esta abordagem de plataforma de IA como serviço torna os seus sistemas mais fáceis de adotar e incentiva a reutilização de hardware para a economia circular.46
Quais são as principais startups de chips de IA?
Gostaríamos também de apresentar algumas startups na indústria de chips de IA cujos nomes poderemos ouvir com mais frequência num futuro próximo.
11. Cerebras
A Cerebras foi fundada em 2015 e é o único grande fabricante de chips que se concentra em chips à escala de wafer. 47 Os chips à escala de wafer têm vantagens em paralelismo em comparação com as GPUs, graças à sua maior largura de banda de memória. No entanto, projetar e fabricar tais chips é uma tecnologia emergente.
Os chips da Cerebras incluem:
- WSE-1 com 1,2 biliões de transístores e 400 mil núcleos de processamento.
- WSE-2, com 2,6 biliões de transístores e 850 mil núcleos, foi anunciado em abril de 2021. Utilizou o processo de 7nm da TSMC
- WSE-3, com 4 biliões de transístores e 900 mil núcleos de IA, foi anunciado em março de 2024. Utiliza o processo de 5nm da TSMC48
O sistema da Cerebra funciona com empresas farmacêuticas como a AstraZeneca e a GlaxoSmithKline e laboratórios de investigação que dependem dele para simulações. Também visa os criadores de LLM, uma vez que os seus chips podem reduzir os custos de inferência para modelos de fronteira.
A Cerebras também oferece os seus chips na sua nuvem às empresas.
12. d-Matrix
A d-Matrix segue uma abordagem inovadora, abandonando a tradicional arquitetura von Neumann em favor da computação em memória. Embora esta abordagem tenha o potencial de resolver o gargalo entre memória e computação, é nova e não comprovada. Em novembro de 2025, a d-Matrix angariou $275M numa Série C co-liderada pela Bullhound Capital, Triatomic Capital e Temasek, com a participação da M12 da Microsoft como investidora de seguimento, avaliando a empresa em 2 mil milhões de dólares.49 50
A partir de junho de 2026, a d-Matrix entrou em produção total de chips com a sua plataforma de inferência de IA Corsair, baseada numa arquitetura de chiplet de computação em memória baseada em SRAM, com testes independentes a demonstrar uma melhoria de velocidade superior a 10x em relação às alternativas apenas com GPU para cargas de trabalho de inferência de IA.51
13. Rebellions
Uma startup sediada na Coreia angariou $124M em 2024 e está focada na inferência de LLM.52
A Rebellions fundiu-se com outra empresa coreana de design de semicondutores, a SAPEON, e atingiu uma avaliação de unicórnio em 2024.53
Em julho de 2025, a Rebellions garantiu investimento da gigante tecnológica Samsung como parte de uma ronda de financiamento que visava até $200 milhões, antes de uma planeada oferta pública inicial (IPO). A empresa angariou $220 milhões desde a sua fundação em 2020 e está a colaborar com a Samsung para levar o seu chip de segunda geração, Rebel-Quad (composto por quatro chips Rebel IA), ao mercado ainda em 2025, utilizando o processo de fabrico de 4 nanómetros da Samsung. 54
14. Tenstorrent
O mais recente Processador Tensix Blackhole da Tenstorrent oferece 664 TFLOPS (BLOCKFP8) de desempenho, emparelhado com 32GB de memória GDDR6 e 512 GB/s de largura de banda de memória.
A placa P150a tem um preço de $1.399 e dispõe de quatro portas QSFP-DD 800G para escalonamento multi-placa. O modelo de entrada P100a começa nos $999.55
A Tenstorrent oferece uma pilha de software totalmente de código aberto. A empresa angariou $700M com uma avaliação de mais de $2,6 mil milhões de investidores, incluindo Jeff Bezos, em dezembro de 2024. 56
15. Positron
A Positron foi fundada em 2023 e foca-se exclusivamente na inferência de modelos de transformadores. A empresa adota uma abordagem ASIC, construindo hardware específico otimizado especificamente para arquiteturas de transformadores, em vez de computação de GPU de uso geral.
Produtos:
- Atlas (a ser enviado agora): Um servidor de inferência de transformadores com 8x Aceleradores de Transformadores Archer da Positron com 256 GB de HBM total. A empresa afirma um desempenho por watt >4x e um desempenho por dólar >3x em comparação com os sistemas NVIDIA Hopper, benchmarkados no Llama 3.1 8B com computação BF16.57
- Titan (a chegar em 2027): Um sistema de próxima geração com mais de 8 TB de memória alimentado por 4x chips personalizados Asimov, concebido para suportar até 16 biliões de parâmetros de modelos e janelas de contexto de mais de 10 milhões de tokens num formato 4U refrigerado a ar.58
- Asimov (a chegar em 2027): Silício acelerador de inferência personalizado com mais de 2 TB de memória por chip.
A Positron angariou uma ronda de Série B superior a 230M+ no início de 2026 com investidores incluindo a QIA, a Arm Holdings, a Arena e a Jump Trading59
O Atlas é atualmente utilizado por empresas de redes, jogos, moderação de conteúdo, CDN e Token-as-a-Service. A Positron afirma que o seu sistema Atlas demonstrou uma latência de ponta a ponta 3x inferior para cargas de trabalho de inferência de trading em comparação com sistemas H100 comparáveis, consumindo um terço da energia.
Os chips da Positron são concebidos, fabricados e montados nos Estados Unidos.
16. _etched
A sua abordagem sacrifica a flexibilidade pela eficiência, gravando a arquitetura do transformador nos seus chips.
A equipa afirma que
- O Sohu construiu o primeiro ASIC de transformador do mundo.
- Esses 8 chips Sohu podem gerar >500.000 tokens/segundo. Isto é uma ordem de grandeza superior ao que 8 NVIDIA B200s podem alcançar.
Atualmente, estes baseiam-se em medições internas da equipa. As equipas da AIMultiple ainda não encontraram quaisquer benchmarks ou referências de clientes. Temos curiosidade sobre:
- O que acontece quando o modelo se torna obsoleto? Os utilizadores precisam de comprar um novo chip ou o chip antigo pode ser reconfigurado com o modelo seguinte?
- Como executaram o seu benchmark? Que quantização e modelo foram utilizados?
Atualizaremos isto assim que a equipa da _etched divulgar mais detalhes. Será interessante ver se gravar modelos em chips será sustentável, dado o lançamento de novos modelos a cada poucos meses.
17. Taalas
A Taalas foi fundada no início de 2023 e adota a abordagem mais extrema à especialização de chips de IA: gravar modelos individuais diretamente em silício personalizado, produzindo o que a empresa designa por “Hardcore Models”.60 A empresa afirma que pode transformar qualquer modelo de IA nunca antes visto em silício personalizado no prazo de dois meses.
A arquitetura da Taalas unifica armazenamento e computação num único chip com densidade ao nível da DRAM, eliminando a necessidade de HBM, empacotamento avançado, empilhamento 3D, refrigeração líquida ou I/O de alta velocidade. A empresa descreve isto como uma simplificação radical da pilha de hardware.
Produtos:
- HC1 (disponível agora): Um demonstrador de tecnologia gravado com Llama 3.1 8B, construído na TSMC 6nm com 53 mil milhões de transístores. A Taalas afirma 17.000 tokens por segundo por utilizador, o que diz ser quase 10x mais rápido do que o estado da arte atual, custando 20x menos a construir e consumindo 10x menos energia num servidor refrigerado a ar de 2,5 kW. No entanto, o modelo utiliza uma quantização agressiva personalizada de 3 bits e 6 bits, o que introduz degradações de qualidade em comparação com as linhas de base de GPU.61
- HC2 (planeado): Uma plataforma de segunda geração com maior densidade, execução mais rápida e formatos padrão de ponto flutuante de 4 bits para resolver as limitações de quantização do HC1.
A Taalas angariou mais de 200 milhões de dólares, mas relata ter gasto apenas 30 milhões de dólares para levar o seu primeiro produto ao mercado com uma equipa de 24 pessoas.
18. Extropic
A Extropic angariou uma ronda de $14M no final de 2023 para utilizar a termodinâmica na computação. A empresa ainda não lançou um chip.
19. Vaire
A Vaire é uma startup sediada no Reino Unido pioneira na computação reversível, uma abordagem inovadora que visa criar chips com energia quase nula. Ao contrário da computação tradicional, onde a energia é perdida sob a forma de calor, a computação reversível recicla uma parte significativa da energia para computações subsequentes.
A Vaire demonstrou um chip de teste que pode recuperar 50% da sua energia, mostrando o potencial da tecnologia para reduzir o consumo de energia das cargas de trabalho de IA e contornar as limitações físicas, ou barreira térmica, que estão a desafiar o fabrico moderno de semicondutores. 62
20. Fractile
A Fractile é uma startup de chips de inferência de IA sediada no Reino Unido que saiu do modo furtivo em julho de 2024 com $15 milhões em financiamento para desafiar a NVIDIA na inferência de modelos de fronteira.63
A empresa está a construir processadores que intercalam fisicamente memória e computação no mesmo die, o que, segundo afirma, resolve o requisito simultâneo de baixa latência e alta taxa de transferência que as GPUs não conseguem satisfazer para a inferência de modelos de fronteira. A Fractile afirma que o seu design pode executar modelos de fronteira até 25x mais rápido e a 1/10 do custo das soluções existentes, com o objetivo de servir milhares de tokens por segundo a milhares de utilizadores simultâneos.
A Fractile tem sede em Londres, com engenharia de hardware em Bristol, e foi perfilada pelo Financial Times em março de 2025 como parte de uma vaga de startups focadas em inferência que desafiam o domínio da NVIDIA.64
Adicionar como fonte preferencialQuais são os próximos produtores de hardware de IA?
Embora estas sejam soluções de hardware de IA atraentes, existem atualmente benchmarks limitados sobre a sua eficácia, uma vez que são recém-chegados ao mercado.
21. Apple
O Projeto ACDC da Apple está, segundo consta, focado na construção de chips para inferência de IA em centros de dados, com produção em massa prevista para o segundo semestre de 2026.65 A Apple já é uma importante designer de chips, com os seus semicondutores internamente concebidos utilizados em iPhones, iPads e MacBooks. A Apple está a reforçar a sua estratégia de IA no dispositivo com a framework Core IA, que executa modelos inteiramente no silício da Apple sem dependências de servidor, suportada por um repositório de modelos Core IA de código aberto no GitHub.66 67
22. Meta
O Acelerador de Treino e Inferência da Meta (MTIA) é uma família de processadores para cargas de trabalho de IA, como o treino dos modelos LLaMa da Meta.
O modelo MTIA mais recente, Next Gen MTIA, baseia-se na tecnologia TSMC 5nm e alega-se oferecer 3x o desempenho do MTIA v1. O MTIA será alojado em racks contendo até 72 aceleradores.68
O MTIA é atualmente para uso interno da Meta. No entanto, no futuro, se a Meta lançasse uma oferta de IA generativa empresarial baseada no LLaMa, estes chips poderiam alimentar tal oferta.
23. Microsoft Azure
Na Hot Chips 2024, a Microsoft revelou a Maia 100, o seu primeiro acelerador de IA personalizado concebido para otimizar cargas de trabalho de IA em grande escala no Azure através da co-otimização de hardware e software. Construída no processo N5 da TSMC com tecnologia avançada de memória e interconexão, a Maia 100 visa alta taxa de transferência e diversos formatos de dados, oferecendo flexibilidade aos programadores através do seu SDK para a rápida implementação de modelos PyTorch e Triton. A Microsoft lançou a Maia 200 (nome de código Braga) a 26 de janeiro de 2026, como um acelerador de IA focado em inferência para o Azure, concebido para reduzir os custos dos tokens de IA e oferecer um desempenho por dólar 30% melhor em relação aos sistemas existentes.69
24. OpenAI
A OpenAI está a finalizar o design do seu primeiro chip de IA com a Broadcom e a TSMC, utilizando a tecnologia de 3 nanómetros da TSMC. A liderança da equipa de chips da OpenAI tem experiência em projetar TPUs na Google, e o seu objetivo é ter o chip produzido em massa em 2026. O chip Projeto Titan da OpenAI, co-desenvolvido com a Broadcom e fabricado no processo 3nm da TSMC, está no caminho certo para produção em massa no segundo semestre de 2026.70 71
A Samsung garantiu um acordo para fornecer memória HBM4 para o chip Titan, tendo alegadamente alocado mais de 50% da sua capacidade da fundição de Pyeongtaek para dies base HBM4 para este fim.72 A OpenAI e a Broadcom anunciaram o chip de inferência Jalapeño, uma colaboração estratégica de ~$10 mil milhões que visa 10 GW de computação de IA implementada até 2029 para reduzir a dependência da OpenAI da NVIDIA.73
Quais são outros produtores de chips de IA?
25. Graphcore
A Graphcore é uma empresa britânica fundada em 2016. A empresa anunciou o seu chip de IA emblemático como IPU-POD256. A Graphcore já foi financiada com cerca de $700 milhões.
A empresa tem parcerias estratégicas com empresas de armazenamento de dados como a DDN, a Pure Storage e a Vast Data. Os chips de IA da Graphcore servem institutos de investigação como o Oxford-Man Institute of Quantitative Finance, a Universidade de Bristol e a Universidade da Califórnia em Berkeley.
A viabilidade a longo prazo da empresa estava em risco, uma vez que estava a perder ~$200M por ano.74 A Graphcore foi adquirida pelo SoftBank por mais de $600 milhões em outubro de 2024.75
26. Mythic
A Mythic foi fundada em 2012 e está focada na IA de borda. A Mythic segue um caminho não convencional, uma arquitetura de computação analógica, que visa fornecer computação de IA de borda energeticamente eficiente.
Desenvolveu produtos como o M1076 AMP e a placa chave MM1076, e já angariou cerca de $165 milhões em financiamento.76
A Mythic despediu a maior parte do seu pessoal e reestruturou o seu negócio com a sua ronda de financiamento em março de 2023.77
27. Speedata
Fundada em 2019 em Tel Aviv, a Speedata desenvolve uma Unidade de Processamento de Análise (APU) concebida para acelerar cargas de trabalho de big data analytics e IA. É uma APU que visa cargas de trabalho Apache Spark, com planos de suportar outras plataformas importantes de análise de dados.
A Speedata angariou $44M numa ronda de Série B em junho de 2025, liderada pela Walden Catalyst Ventures, 83North e outros, elevando o seu financiamento total para $114M. A empresa afirma que a sua APU supera os processadores de uso geral e as GPUs ao substituir racks de servidores por um único chip, oferecendo desempenho e eficiência energética superiores para o processamento de dados.78
28. Axelera IA
Fundada em julho de 2021 em Eindhoven, Países Baixos, a Axelera IA é especializada em tecnologia de aceleração de hardware de IA para visão computacional e IA generativa. A empresa está a desenvolver a Titania, um chiplet de inferência de IA baseado na sua arquitetura de Computação Digital em Memória (D-IMC), concebida para acelerar cargas de trabalho de IA da borda à nuvem.
A Axelera IA garantiu até €61.6 milhões em financiamento da Empresa Comum EuroHPC (JU) e dos Estados-membros ao abrigo do Projeto DARE em março de 2025, após uma ronda de financiamento de Série B anterior de $68 milhões. Isto eleva o seu financiamento total para mais de $200 milhões em três anos. A Axelera IA visa implementar a Titania até 2028 para responder à crescente procura por soluções de IA de alto desempenho, económicas e sustentáveis, enfatizando a sua capacidade de melhorar o rendimento e a eficiência em comparação com as soluções tradicionais de nuvem.79
Parceiros de fundição e o papel da TSMC
Como a principal fundição pura do mundo, a TSMC fabrica semicondutores com base em designs de clientes, em vez de criar os seus próprios chips, distinguindo-se de empresas como a NVIDIA e a AMD. Embora a Samsung Foundry e os Intel Foundry Services compitam neste espaço, a TSMC mantém uma vantagem tecnológica.
As suas tecnologias de processo avançadas, particularmente os seus pioneiros nós de 5nm e 3nm, fornecem a combinação essencial de desempenho e eficiência energética requerida para aplicações de IA de ponta, como demonstrado nas suas parcerias de fabrico com os designers de chips de IA listados abaixo:
Planos de expansão
A TSMC está a procurar que a Nvidia, a AMD, a Broadcom e a Qualcomm invistam numa joint venture para gerir a divisão de fundição da Intel, mantendo o controlo operacional mas menos de 50% da propriedade. Esta iniciativa, apoiada pela administração Trump, surge após a TSMC ter anunciado planos para um investimento significativo nos EUA e visa revitalizar a Intel e fortalecer o fabrico de chips nos EUA. O negócio enfrenta desafios devido a diferenças de processo, mas baseia-se nos pontos fortes da TSMC como fundição líder.80 81
Quais são os fabricantes de chips de IA na China?
Devido às sanções dos EUA que impedem muitas empresas chinesas de adquirir os chips de IA mais avançados da AMD e da NVIDIA, os compradores chineses aumentaram as suas compras a produtores locais.
Para além da Huawei e da Alibaba abordadas acima, estes são os principais produtores de chips de IA na China:
- Cambricon foca-se em hardware de IA e espera ~$150M em vendas no seu último ano de operações. 82
- Baidu está a utilizar chips Kunlun na sua nuvem e está a projetar o chip de 3ª geração. O Kunlun 2 era comparável ao NVIDIA A100.
- Biren, fundada por antigos alunos da NVIDIA, produz chips GPU BR106 e BR110.
- Moore Threads produz as GPUs MTT S2000.
Perguntas frequentes
Os chips e o equipamento que os constrói são as máquinas mais complexas alguma vez construídas pelo homem. Embora existam muitas empresas no ecossistema de semicondutores, concentrámo-nos nos designers de chips como a NVIDIA neste artigo.
A maioria dos designers de chips subcontrata o fabrico de chips a fundições como a TSMC. As fundições utilizam equipamento de litografia produzido por empresas como a ASML para fabricar estes chips. O ecossistema é suportado por fornecedores como a Arm e a Synopsys que fornecem IP e ferramentas de design.
Como se viu acima, um número crescente de parâmetros, tamanho do dataset e computação levou os modelos de IA generativa a tornarem-se mais precisos. Para construir melhores modelos de aprendizagem profunda e alimentar aplicações de IA generativa, as organizações necessitam de maior poder de computação e largura de banda de memória.
Os chips de uso geral poderosos (como os CPUs) não conseguem suportar modelos de aprendizagem profunda altamente paralelizados. Portanto, os chips de IA (por exemplo, GPUs) que permitem capacidades de computação paralela estão cada vez mais procurados.
Os hiperescala estão a responder a isto projetando os seus próprios chips, um processo que leva anos. Os restantes precisam de seguir uma destas vias para construir os seus próprios modelos de IA: Alugar capacidade a fornecedores de GPU na nuvem ou comprar hardware aos principais fornecedores de chips de IA listados neste artigo.
O hardware de IA também é designado por unidades de processamento neural (NPUs), aceleradores de IA ou processadores de aprendizagem profunda (DLPs).
Leitura adicional
Para comparações práticas de desempenho dos chips abordados neste artigo, consulte os nossos benchmarks:
- Benchmark multi-GPU: Como as B200, H200, H100 da NVIDIA e a MI300X da AMD escalam em configurações de 1, 2, 4 e 8-GPU para inferência de LLM, com análise de rendimento, latência e custo por token.
- Benchmark de concorrência de GPU: Como as B200, H200, H100 da NVIDIA e a MI300X da AMD lidam com 1 a 512 pedidos concorrentes, incluindo o rendimento do sistema, a velocidade por consulta, a latência de ponta a ponta e os tokens por dólar em cada nível de concorrência.
Referências
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Os 25+ Principais Fabricantes de Chips de IA: NVIDIA & Os Seus Concorrentes}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ai-chip-makers}},
note = {AIMultiple. Acessado em 25 Junho 2026}
}Links de referência
Comentários 2
Compartilhe suas ideias
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.
You forgot to include Tesla with their DOJO supercomputer. From the ground-up, the supercomputer was specifically designed for machine learning and image recognition - which means that every component was designed for it including, but not limited to, PCI board design, CPU, RAM, cooling, power, scalable hardware design and software. If I'm not mistaken, the AI is also the second most widely tested and used in the "wild", just below that of Google due to Google using it in their Search.
Thank you for your feedback, Dave! Here we are only covering companies that sell the chips that they produce. Therefore, companies like Tesla that build supercomputers for their own use or companies that embed chips in their products are out of our scope.
surprised that brainchip (akida) missing in this report. any reasons?
All included companies here raised $100+M. Last time we collected the data, that wasn't the case for akida. Why don't you reach out to us at info@aimultiple.com and let's discuss why it should be included. Thank you!