Principais 25+ Fabricantes de Chips de IA: NVIDIA e Seus Competidores
Com base em nossa experiência executando o AIMultiple’s nuvem GPU benchmark com 10 diferentes GPU modelos em 4 cenários diferentes, estas são as principais empresas de hardware de IA para cargas de trabalho de data center. Siga os links para ver a justificativa por trás de cada seleção:
25+ fabricantes de chips de IA por categoria
*Os modelos selecionados são baseados nos anúncios mais recentes.
**ACCEL foi desenvolvido por cientistas chineses em colaboração com o Alibaba e a China’s Semiconductor Manufacturing International Corporation (SMIC) 1
Ordenação é por categoria. Os fornecedores são classificados pela participação de mercado estimada dentro das 3 principais categorias (ou seja, produtor líder, nuvem pública, nuvem pública de IA) porque os números de vendas ou uso de nuvem podem ser estimados. Os fornecedores nas últimas três categorias (ou seja, startup de IA, produtor em ascensão, outros produtores) são classificados em ordem alfabética.
5 fornecedores de chips de IA para dispositivos móveis
*Os chips mais populares e recentes são selecionados.
5 chips de IA de borda
A demanda por processamento de baixa latência impulsionou a inovação em chips de IA de borda. Os processadores desses chips são projetados para realizar computações de IA localmente nos dispositivos, em vez de depender de soluções baseadas em nuvem:
*Estes são os valores máximos citados pelos fornecedores. TOPS é a sigla para tera operações por segundo.
Entendendo as arquiteturas de chips de IA: GPUs vs ASICs
Nem todos os chips de IA são criados iguais. Embora os fornecedores acima concorram no mesmo mercado, eles utilizam arquiteturas de chip fundamentalmente diferentes:
- GPUs (Unidades de Processamento Gráfico) são processadores de uso geral que podem lidar tanto com treinamento quanto com inferência em uma ampla variedade de cargas de trabalho de IA. A NVIDIA e a AMD dominam esta categoria.
- ASICs (Circuitos Integrados de Aplicação Específica) são projetados sob medida para tarefas específicas. Alguns suportam tanto treinamento quanto inferência (Google TPU, AWS Trainium), enquanto outros são apenas para inferência (Groq LPU, AWS Inferentia).
Informação chave:
Nem todos os ASICs são apenas para inferência. O Google TPU, AWS Trainium, Cerebras e SambaNova suportam tanto treinamento quanto inferência, enquanto o Groq LPU e AWS Inferentia focam exclusivamente na inferência.
Essa 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 de modelo mudam.
De acordo com a TrendForce2 , com base nas taxas de crescimento de envio de servidores de IA, as remessas de ASICs personalizados de provedores de nuvem devem crescer 44,6% em 2026, enquanto as remessas de GPUs devem crescer 16,1%. Isso sinaliza uma mudança no cenário de hardware de IA, com os hiperescaladores investindo cada vez mais em seus próprios silícios.
Quais são os principais produtores de chips de IA?
1. NVIDIA
A NVIDIA projeta unidades de processamento gráfico (GPUs) para o setor de jogos desde os anos 1990. A NVIDIA é uma fabricante de chips sem fábrica que terceiriza a maior parte da fabricação de seus chips para a TSMC. Seus principais negócios incluem:
Soluções de IA para desktop
O DGX Spark (anteriormente Project Digits) é um supercomputador de IA de mesa para engenheiros e cientistas de dados de IA, com um Grace Blackwell Superchip com uma NVIDIA Blackwell RTX GPU com 6.144 núcleos CUDA e Tensor Cores de quinta geração com precisão FP4, conectado via a interconexão chip a chip NVIDIA NVLink-C2C a uma NVIDIA Grace CPU de alto desempenho de 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 fazendo uma parceria para fornecer uma plataforma Windows segura para agentes no dispositivo, construída sobre novos primitivos de segurança do sistema operacional.5
Soluções para data center
A empresa fabrica chips de IA seguindo suas arquiteturas Ampere, Hopper e, mais recentemente, Blackwell. Graças ao boom da IA generativa, a NVIDIA teve excelentes resultados nos últimos anos, atingiu um trilhão em avaliação e solidificou seu status como líder do mercado de GPU e hardware de IA. O gráfico a seguir mostra como a receita da NVIDIA neste segmento cresceu ao longo dos anos e como se tornou a principal fonte de renda da empresa.
Fonte: relatórios financeiros da NVIDIA Corporation.6
As DGX™ A100 e H100 foram os carros-chefe de chips de IA da Nvidia, projetados para treinamento e inferência de IA em data centers.7 A NVIDIA seguiu com
- chips H200, B300 e GB300
- servidores HGX como HGX H200 e HGX B300 que combinam 8 desses chips
- séries NVL e GB200 SuperPod que combinam ainda mais chips em grandes clusters.8
GPUs na nuvem
Graças à força de sua oferta para data center, a NVIDIA tem quase um monopólio no mercado de IA em nuvem, com a maioria dos provedores de nuvem oferecendo apenas NVIDIA GPUs como nuvem GPUs.
A NVIDIA também lançou sua oferta DGX Cloud, fornecendo infraestrutura de GPU na nuvem diretamente para empresas, contornando os provedores de nuvem.
GPUs para gráficos
O Xbox usa um chipset co-desenvolvido pela NVIDIA e a Microsoft. As NVIDIA’s GPUs para usuários finais incluem a série GeForce.
Desenvolvimentos recentes
DGX Cloud Lepton
Anunciado em 19 de maio de 2025, na Computex, o DGX Cloud Lepton da NVIDIA é um marketplace que conecta desenvolvedores de IA aos provedores de nuvem de NVIDIA’s GPU, incluindo CoreWeave, Lambda e Crusoe. Ele permite acesso flexível a recursos de GPU para treinamento e inferência de modelos de IA, contornando as dependências tradicionais de provedores de nuvem. Isso fortalece a estratégia de nuvem focada em empresas da NVIDIA.9
NVIDIA Dynamo
O NVIDIA Dynamo, anunciado na GTC 2025, é um novo framework de inferência de código aberto projetado para implantação de alto rendimento e baixa latência de modelos de IA generativa em ambientes distribuídos, aumentando o atendimento de solicitações em até 30x no NVIDIA Blackwell, conforme mostrado na figura abaixo. Esse 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 desenvolvedores e incluído nos microsserviços NVIDIA NIM para soluções empresariais, o Dynamo facilita a entrega de IA generativa escalável e econômica, desde sistemas de GPU única até múltiplas GPUs.10
NVIDIA RTX PRO Servers e Enterprise IA Factory
Anunciado em maio de 2025 na Computex, a NVIDIA apresentou os RTX PRO Servers equipados com GPUs RTX PRO 6000 Blackwell Server Edition, projetados para as fábricas de IA empresarial. Esses servidores oferecem aceleração universal para aplicações de IA, design, engenharia e negócios, suportando cargas de trabalho como inferência de IA multimodal, IA física e gêmeos digitais na plataforma NVIDIA Omniverse.
O design validado NVIDIA Enterprise IA Factory, incorporando os RTX PRO Servers, o NVIDIA Spectrum-X Ethernet, as NVIDIA BlueField DPUs e o software NVIDIA IA Enterprise, permite que parceiros como Cadence, Foxconn e Lilly construam infraestrutura de IA local. Essa iniciativa acelera a transição de trilhões de dólares da indústria de TI 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 3,5x mais rápido em treinamento e 5x mais rápido em inferência em relação à Blackwell, construída com TSMC 3nm e HBM4.13 14 O rack NVL72 fornece 260 TB/s de largura de banda.
DeepSeek
O lançamento do modelo R1 da DeepSeek mostrou que modelos de ponta podem ser treinados com um número relativamente pequeno de GPUs. Isso levou a uma redução no preço das ações da NVIDIA. Embora isso não seja um conselho de investimento, pode ser positivo para a NVIDIA, já que quanto mais utilidade o poder computacional oferece, mais amplamente ele deve ser usado (ou seja, o paradoxo de Jevons15 ).
No entanto, dado que o desempenho dos sistemas de GPU melhora várias vezes ao ano devido aos avanços no design de chips e na interconexão, os compradores fariam bem em não comprar além de suas necessidades anuais, pois isso pode levar à posse de sistemas desatualizados.
Tarifas e restrições de exportação
A NVIDIA agora está 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, essas exportações enfrentam novos obstáculos logísticos e financeiros: os chips fabricados em Taiwan precisam agora passar pelos Estados Unidos para testes de terceiros, acionando uma tarifa de segurança nacional recém-imposta de 25%.
Apesar do acesso restaurado ao hardware de ponta, os custos adicionais e as complexidades da cadeia de suprimentos continuam incentivando o governo chinês e a indústria de chips a desenvolver alternativas locais competitivas. Embora os chips chineses atualmente tenham desempenho inferior à tecnologia mais recente da NVIDIA, essas barreiras comerciais garantem que o desenvolvimento doméstico continue sendo 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 “treinamento” de IA, a concorrência está esquentando na “inferência”, a implantação de modelos de IA para tarefas do mundo real. Empresas como a AMD e várias startups, incluindo a Untether IA e a Groq, estão desenvolvendo chips que visam fornecer soluções de inferência mais econômicas, com foco especial em menor consumo de energia.
Novas técnicas de IA de “raciocínio” exigem mais poder computacional. A NVIDIA acredita que o raciocínio favorecerá sua arquitetura no longo prazo e espera que o mercado de inferência eventualmente supere o mercado de treinamento em tamanho, mesmo que sua participação de mercado seja menor. 17
2. AMD
A AMD é uma fabricante de chips sem fábrica com produtos de CPU, GPU e aceleradores de IA.
A AMD lançou o MI300 para cargas de trabalho de treinamento de IA em junho de 2023 e está competindo com a NVIDIA por participação de mercado. Existem startups, institutos de pesquisa, empresas e gigantes da tecnologia que adotaram hardware da AMD em 2023, já que o hardware de IA da Nvidia era difícil de adquirir devido à demanda crescente com o aumento da IA generativa desencadeada pelo lançamento do ChatGPT.18 19 20
Em 2025, a AMD anunciou a aquisição de uma talentosa equipe de engenheiros de hardware e software de IA da Untether IA, desenvolvedora de chips de inferência de IA com eficiência energética para provedores de borda e data centers empresariais. Esse movimento aprimora as capacidades de compilador de IA, desenvolvimento de kernel e design de chips da AMD, fortalecendo ainda mais sua posição no mercado de inferência. Além disso, a AMD adquiriu a startup de compiladores Brium para otimizar o desempenho de IA em suas GPUs Instinct para data center em aplicações empresariais.21
A AMD lançará a série MI350 para substituir o MI300 e competir com o H200 da NVIDIA. A AMD afirma que o MI325X, outro chip recente, tem desempenho de inferência líder de mercado. Em fevereiro de 2026, a Meta anunciou um acordo de infraestrutura de longo prazo com a AMD para implantar até 6 GW de AMD Instinct GPUs, um dos maiores negócios de aquisição de GPUs não-NVIDIA da história e um endosso significativo ao roadmap de hardware de IA da AMD.22 23
A AMD também está trabalhando com empresas de aprendizado de máquina como a Hugging Face para permitir que cientistas de dados usem seu hardware com mais eficiência.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 o benchmarking do H100 e do MI300. O foco da discordância foi o pacote e o ponto flutuante a serem usados no benchmark. De acordo com os benchmarks mais recentes, parece que o MI300 é melhor ou está no mesmo nível do H100 para inferência em um 70B LLM.25
Software
Embora o hardware da AMD esteja alcançando o da NVIDIA, seu software fica para trás em termos de usabilidade. Enquanto o CUDA funciona imediatamente para a maioria das tarefas, o software da AMD requer configuração significativa. 26
Ecossistema
Assim como a NVIDIA, a AMD está investindo seletivamente em usuários de suas soluções para impulsionar a adoção de 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 usa sua própria fundição para construir 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 era de ~$500M para 2024, o que é significativamente menor em comparação com os bilhões que a AMD está projetando ganhar em 2024.
Sob o novo CEO Lip-Bu Tan (nomeado em março de 2025), a estratégia de IA da Intel se esclareceu em torno de soluções em escala de rack.29 A Intel cancelou suas GPUs Falcon Shores para pivotar para o Jaguar Shores, um acelerador de IA em escala de rack de próxima geração construído no nó de processo Intel 18A, e fez novos anúncios de hardware de IA na Computex 2026, incluindo seu processador Xeon 6+ no nó 18A e a GPU de data center Crescent Island.30 31
Quais provedores de nuvem pública produzem chips de IA?
4. AWS
A AWS produz chips Tranium para treinamento de modelos e chips Inferentia para inferência. Embora a AWS seja líder de mercado em nuvem pública, ela começou a desenvolver seus próprios chips depois do Google.
Centenas de milhares de chips Tranium2 são usados para formar o cluster Project Rainier, que alimenta os modelos do desenvolvedor de LLM Anthropic.
5. Google Cloud Platform
A TPU do Google Cloud é o chip acelerador de aprendizado de máquina projetado especificamente que alimenta produtos do Google como Translate, Photos, Search, Assistant e Gmail. O Google anunciou as TPUs em 2016.32 A última TPU Trillium é a 6ª geração.33
O Google introduziu o Ironwood. Esta última geração é projetada especificamente 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
O Ironwood oferece avanços significativos em relação ao Trillium, incluindo 2x melhor eficiência energética, 6x a capacidade de High Bandwidth Memory (192 GB/chip), 4,5x a largura de banda HBM (7,2 TBps/chip) e 1,5x a velocidade de Inter-Chip Interconnect (1,2 Tbps). Ele também apresenta um SparseCore aprimorado para grandes embeddings. O Google também produz a TPU Edge, muito menor, para diferentes necessidades, projetada para implantação 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 usar o Alibaba Cloud por razões geopolíticas.
7. IBM
A IBM anunciou seu mais recente chip de aprendizado profundo, a unidade de inteligência artificial (AIU), em 2022.35 . A IBM está considerando usar esses chips para alimentar sua plataforma de IA generativa Watsonx.36
A IBM AIU baseia-se no IBM Telum Processor, que alimenta as capacidades de processamento de IA dos servidores mainframe IBM Z. No lançamento, os casos de uso destacados dos processadores Telum incluíam detecção de fraudes.37
A IBM também demonstrou que unir computação e memória pode levar a eficiências. Isso foi demonstrado no protótipo do processador North Pole.38
8. Huawei
O HiSilicon Ascend 910C da Huawei faz parte da família de chips Ascend 910 lançada em 2019.
Devido às sanções, os laboratórios de IA na China não podem comprar os chips mais novos e de maior desempenho de empresas americanas como a NVIDIA ou a AMD. Portanto, eles estão experimentando o Ascend 910C.
A nuvem da Huawei está hospedando modelos da DeepSeek, e um pesquisador da DeepSeek afirma que ela pode alcançar 60% do desempenho de inferência do NVIDIA H100. 39
Quais provedores de IA em nuvem produzem seus próprios chips?
Esses provedores não têm nuvens públicas com capacidades abrangentes como os hiperescaladores. Eles fornecem serviços limitados de nuvem, geralmente focados na inferência de IA. Conseguimos nos inscrever nesses serviços sem falar com equipes de vendas:
9. Groq
A Groq foi fundada por ex-funcionários do Google. A empresa representa as LPUs, um novo modelo para arquitetura de chip de IA, que visa facilitar a adoção de seus sistemas pelas empresas. A startup já levantou cerca de $350 milhões e produziu seus primeiros modelos, como o Processador GroqChip™, 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 compromisso de investimento significativo de $1,5 bilhão da Arábia Saudita para expandir a entrega de seus chips de IA avançados ao país. Esse investimento será usado para expandir o data center existente da Groq em Dammam, Arábia Saudita, construído em parceria com a Aramco Digital.41
No primeiro trimestre de 2024, a empresa informou que 70k desenvolvedores se inscreveram em sua plataforma de nuvem e construíram 19k novos aplicativos.42
Em 1º 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 levantou mais de 1,5 bilhão de dólares em financiamento total, incluindo uma rodada Série E de 350 milhões de dólares em fevereiro de 2026.44
Em fevereiro de 2026, a SambaNova revelou o chip SN50, sua mais recente Unidade de Dados Reconfigurável (RDU), alegando uma velocidade máxima 5x mais rápida que chips concorrentes e 3x menor custo total de propriedade em comparação com GPUs para cargas de trabalho de IA agentiva. 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 trilhões de parâmetros e comprimentos de contexto de mais de 10 milhões de tokens.45
A SoftBank Corp. será o primeiro cliente a implantar o SN50 em seus data centers de IA de próxima geração no Japão.
A SambaNova também anunciou uma colaboração estratégica planejada de vários anos com a Intel para fornecer soluções de inferência de IA, combinando os sistemas da SambaNova com processadores Intel Xeon, Intel GPUs e rede Intel para alimentar infraestrutura de inferência escalável como alternativa às soluções centradas em GPU.
A SambaNova Systems aluga sua plataforma para empresas através da SambaCloud. Essa abordagem de plataforma de IA como serviço torna 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 no setor de chips de IA cujos nomes podemos ouvir com mais frequência num futuro próximo.
11. Cerebras
A Cerebras foi fundada em 2015 e é a única grande fabricante de chips com foco em chips em escala de wafer. 47 Os chips em 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 trilhão de transistores e 400k núcleos de processamento.
- WSE-2, com 2,6 trilhões de transistores e 850k núcleos, foi anunciado em abril de 2021. Ele utilizou o processo 7nm da TSMC
- WSE-3, com 4 trilhões de transistores e 900k núcleos de IA, foi anunciado em março de 2024. Ele utiliza o processo 5nm da TSMC48
O sistema da Cerebras trabalha com empresas farmacêuticas como AstraZeneca e GlaxoSmithKline e laboratórios de pesquisa que dependem dele para simulações. Ela também visa os fabricantes de LLM, já que seus chips podem reduzir os custos de inferência para modelos de fronteira.
A Cerebras também oferece seus chips em sua nuvem para empresas.
12. d-Matrix
A d-Matrix segue uma abordagem inovadora, abandonando a arquitetura tradicional de von Neumann em favor da computação em memória. Embora essa abordagem tenha o potencial de resolver o gargalo entre memória e computação, ela é nova e não foi comprovada. Em novembro de 2025, a d-Matrix levantou $275M em uma Série C co-liderada pela Bullhound Capital, Triatomic Capital e Temasek, com a M12 da Microsoft participando como investidora de acompanhamento, avaliando a empresa em $2 bilhões.49 50
Em junho de 2026, a d-Matrix entrou em produção total de chips com sua plataforma de inferência de IA Corsair, baseada em uma arquitetura de chiplet de computação em memória SRAM, com testes independentes demonstrando mais de 10x de melhoria de velocidade em relação às alternativas apenas com GPU para cargas de trabalho de inferência de IA.51
13. Rebellions
Uma startup sediada na Coreia levantou $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 alcançou uma avaliação de unicórnio em 2024.53
Em julho de 2025, a Rebellions garantiu investimento da gigante de tecnologia Samsung como parte de uma rodada de financiamento visando até $200 milhões, antes de uma planejada oferta pública inicial (IPO). A empresa levantou $220 milhões desde sua fundação em 2020 e está colaborando com a Samsung para levar seu chip de segunda geração, Rebel-Quad (composto por quatro chips Rebel IA), ao mercado ainda em 2025, aproveitando o processo de fabricação de 4 nanômetros da Samsung. 54
14. Tenstorrent
O mais recente processador Blackhole Tensix da Tenstorrent oferece 664 TFLOPS (BLOCKFP8) de desempenho, combinado com 32GB de memória GDDR6 e 512 GB/s de largura de banda de memória.
A placa P150a custa $1.399 e possui quatro portas QSFP-DD de 800G para dimensionamento multi-placa. O modelo básico P100a começa em $999.55
A Tenstorrent oferece uma pilha de software totalmente de código aberto. A empresa levantou $700M com uma avaliação de mais de $2,6 bilhões de investidores, incluindo Jeff Bezos, em dezembro de 2024. 56
15. Positron
A Positron foi fundada em 2023 e foca exclusivamente na inferência de modelos transformer. A empresa adota uma abordagem ASIC, construindo hardware personalizado otimizado especificamente para arquiteturas transformer, em vez de computação de uso geral em GPU.
Produtos:
- Atlas (em envio agora): Um servidor de inferência transformer com 8x Aceleradores Positron Archer Transformer com 256 GB de HBM total. A empresa afirma >4x de desempenho por watt e >3x de desempenho por dólar em comparação com os sistemas NVIDIA Hopper, com benchmark no Llama 3.1 8B com computação BF16.57
- Titan (chegando em 2027): Um sistema de próxima geração com mais de 8 TB de memória alimentado por 4x chips personalizados Asimov, projetado para suportar modelos de até 16 trilhões de parâmetros e janelas de contexto de mais de 10 milhões de tokens em um formato 4U com refrigeração a ar.58
- Asimov (chegando em 2027): Silício de acelerador de inferência personalizado com mais de 2 TB de memória por chip.
A Positron levantou uma rodada Série B de mais de 230M no início de 2026, com investidores incluindo QIA, Arm Holdings, Arena e Jump Trading59
Atualmente, o Atlas é usado por empresas de rede, jogos, moderação de conteúdo, CDN e Token-as-a-Service. A Positron afirma que seu sistema Atlas demonstrou 3x menor latência de ponta a ponta para cargas de trabalho de inferência de trading em comparação com sistemas H100 comparáveis, consumindo um terço da energia.
Os chips da Positron são projetados, fabricados e montados nos Estados Unidos.
16. _etched
Sua abordagem sacrifica flexibilidade por eficiência ao gravar a arquitetura transformer em seus chips.
A equipe afirma que
- O Sohu construiu o primeiro ASIC de transformer do mundo.
- Esses 8 chips Sohu podem gerar >500.000 tokens/segundo. Isso é uma ordem de grandeza a mais do que 8 NVIDIA B200s podem alcançar.
Atualmente, isso se baseia em medições internas da equipe. As equipes do AIMultiple ainda não encontraram benchmarks ou referências de clientes. Estamos curiosos sobre:
- O que acontece quando o modelo se torna desatualizado? Os usuários precisam comprar um novo chip, ou o chip antigo pode ser reconfigurado com o próximo modelo?
- Como eles executaram seu benchmark? Qual quantização e modelo foram usados?
Atualizaremos isso assim que a equipe do _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 para a especialização de chips de IA: conectar modelos individuais diretamente em silício personalizado, produzindo o que a empresa chama de “Modelos Hardcore”.60 A empresa afirma que pode transformar qualquer modelo de IA nunca visto antes em silício personalizado em dois meses.
A arquitetura da Taalas unifica armazenamento e computação em um único chip com densidade de DRAM, eliminando a necessidade de HBM, empacotamento avançado, empilhamento 3D, refrigeração líquida ou E/S de alta velocidade. A empresa descreve isso como uma simplificação radical da pilha de hardware.
Produtos:
- HC1 (disponível agora): Um demonstrador de tecnologia com o modelo Llama 3.1 8B conectado, construído na TSMC 6nm com 53 bilhões de transistores. A Taalas afirma 17.000 tokens por segundo por usuário, o que diz ser quase 10x mais rápido do que o estado da arte atual, enquanto custa 20x menos para construir e consome 10x menos energia em um servidor refrigerado a ar de 2,5 kW. No entanto, o modelo usa quantização personalizada agressiva de 3 bits e 6 bits, o que introduz degradações de qualidade em comparação com as linhas de base de GPU.61
- HC2 (planejado): Uma plataforma de segunda geração com maior densidade, execução mais rápida e formatos de ponto flutuante de 4 bits padrão para resolver as limitações de quantização do HC1.
A Taalas levantou mais de 200 milhões de dólares, mas relata gastar apenas 30 milhões de dólares para trazer seu primeiro produto ao mercado com uma equipe de 24 pessoas.
18. Extropic
A Extropic levantou uma rodada de $14M no final de 2023 para usar termodinâmica na computação. A empresa ainda não lançou um chip.
19. Vaire
A Vaire é uma startup sediada no Reino Unido pioneira em computação reversível, uma abordagem inovadora que visa criar chips com energia quase zero. Ao contrário da computação tradicional, onde a energia é perdida como calor, a computação reversível recicla uma porção significativa de energia para computações subsequentes.
A Vaire demonstrou um chip de teste que pode recuperar 50% de sua energia, mostrando o potencial da tecnologia para reduzir o consumo de energia de cargas de trabalho de IA e contornar as limitações físicas, ou parede térmica, que desafiam a fabricação moderna 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 construindo processadores que intercalam fisicamente memória e computação no mesmo die, o que afirma resolver o requisito simultâneo de baixa latência e alto rendimento que as GPUs não podem atender para a inferência de modelos de fronteira. A Fractile afirma que 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 para milhares de usuários simultâneos.
A Fractile está sediada em Londres, com engenharia de hardware em Bristol, e foi perfilada pelo Financial Times em março de 2025 como parte de uma onda de startups focadas em inferência desafiando o domínio da NVIDIA.64
Quais são os próximos produtores de hardware de IA?
Embora essas sejam soluções de hardware de IA atraentes, atualmente existem benchmarks limitados sobre sua eficácia, pois são recém-chegadas ao mercado.
21. Apple
O Projeto ACDC da Apple é relatado como focado na construção de chips para inferência de IA em data centers, com produção em massa esperada para o segundo semestre de 2026.65 A Apple já é uma grande designer de chips, com seus semicondutores projetados internamente usados em iPhones, iPads e MacBooks. A Apple está fortalecendo sua estratégia de IA no dispositivo com o framework Core IA, que executa modelos inteiramente no silício da Apple, sem dependências de servidor, apoiado por um repositório de modelos Core IA de código aberto no GitHub.66 67
22. Meta
O Acelerador de Treinamento e Inferência da Meta (MTIA) é uma família de processadores para cargas de trabalho de IA, como treinar os modelos LLaMa da Meta.
O modelo mais recente do MTIA, o Next Gen MTIA, é baseado na tecnologia TSMC 5nm e afirma oferecer 3x o desempenho do MTIA v1. O MTIA será hospedado em racks contendo até 72 aceleradores.68
Atualmente, o MTIA é para uso interno da Meta. No entanto, no futuro, se a Meta lançar uma oferta de IA generativa empresarial baseada no LLaMa, esses chips poderão alimentar tal oferta.
23. Microsoft Azure
Na Hot Chips 2024, a Microsoft revelou o Maia 100, seu primeiro acelerador de IA personalizado projetado para otimizar cargas de trabalho de IA em grande escala no Azure através da co-otimização de hardware e software. Construído no processo N5 da TSMC com tecnologia avançada de memória e interconexão, o Maia 100 visa alto rendimento e diversos formatos de dados, oferecendo flexibilidade aos desenvolvedores por meio de seu SDK para implantação rápida de modelos PyTorch e Triton. A Microsoft lançou o Maia 200 (codinome Braga) em 26 de janeiro de 2026, como um acelerador de IA focado em inferência para o Azure, projetado para reduzir os custos de tokens de IA e oferecer 30% melhor desempenho por dólar em relação aos sistemas existentes.69
24. OpenAI
A OpenAI está finalizando o design de seu primeiro chip de IA com a Broadcom e a TSMC, usando a tecnologia de 3 nanômetros da TSMC. OpenAI’s equipe de liderança do chip tem experiência no design de TPUs no Google, e eles pretendem ter seu 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 a caminho da produção em massa no segundo semestre de 2026.70 71
A Samsung garantiu um acordo para fornecer memória HBM4 para o chip Titan, relatadamente alocando mais de 50% da capacidade de sua fábrica em Pyeongtaek para dies base HBM4 para esse fim.72 A OpenAI e a Broadcom anunciaram o chip de inferência Jalapeño, uma colaboração estratégica de aproximadamente $10 bilhões visando 10 GW de computação de IA implantada até 2029 para reduzir a dependência da OpenAI da NVIDIA.73
Adicionar como fonte preferencialQuais são outros produtores de chips de IA?
25. Graphcore
A Graphcore é uma empresa britânica fundada em 2016. A empresa anunciou seu chip de IA carro-chefe como IPU-POD256. A Graphcore já foi financiada com cerca de $700 milhões.
A empresa tem parcerias estratégicas com corporações de armazenamento de dados como DDN, Pure Storage e Vast Data. Os chips de IA da Graphcore atendem institutos de pesquisa como Oxford-Man Institute of Quantitative Finance, University of Bristol e Berkeley University of California.
A viabilidade de longo prazo da empresa estava em risco, pois ela estava perdendo ~$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 em IA de borda. A Mythic segue um caminho não convencional, uma arquitetura de computação analógica, que visa fornecer computação de IA de borda com eficiência energética.
Ela desenvolveu produtos como o M1076 AMP e o cartão chave MM1076, e já levantou cerca de $165 milhões em financiamento.76
A Mythic demitiu a maior parte de seus funcionários e reestruturou seus negócios com sua rodada de financiamento em março de 2023.77
27. Speedata
Fundada em 2019 em Tel Aviv, a Speedata desenvolve uma Unidade de Processamento Analítico (APU) projetada para acelerar análises de big data e cargas de trabalho de IA. É uma APU que atende cargas de trabalho do Apache Spark, com planos para oferecer suporte a outras grandes plataformas de análise de dados.
A Speedata levantou $44M em uma rodada Série B em junho de 2025, liderada pela Walden Catalyst Ventures, 83North e outros, elevando seu financiamento total para $114M. A empresa afirma que sua APU supera os processadores de uso geral e as GPUs, substituindo racks de servidores por um único chip, oferecendo desempenho e eficiência energética superiores para 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 desenvolvendo o Titania, um chiplet de inferência de IA baseado em sua arquitetura de Computação Digital em Memória (D-IMC), projetado 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 sob o Projeto DARE em março de 2025, após uma rodada anterior de financiamento Série B de $68 milhões. Isso eleva seu financiamento total para mais de $200 milhões em três anos. A Axelera IA pretende implantar o Titania até 2028 para atender à crescente demanda por soluções de IA de alto desempenho, econômicas e sustentáveis, enfatizando sua capacidade de melhorar o rendimento e a eficiência em comparação com as soluções tradicionais em nuvem.79
Parceiros de fundição e o papel da TSMC
Como a principal fundição pura do mundo, a TSMC fabrica semicondutores com base nos designs dos clientes, em vez de criar seus próprios chips, diferenciando-se de empresas como a NVIDIA e a AMD. Embora a Samsung Foundry e os Intel Foundry Services concorram nesse espaço, a TSMC mantém uma vantagem tecnológica.
Suas tecnologias de processo avançadas, particularmente seus pioneiros nós de 5nm e 3nm, fornecem a combinação essencial de desempenho e eficiência energética necessária para aplicações de IA de ponta, como mostrado em suas parcerias de fabricação com os designers de chips de IA listados abaixo:
Planos de expansão
A TSMC está buscando que a Nvidia, a AMD, a Broadcom e a Qualcomm invistam em uma joint venture para administrar a divisão de fundição da Intel, mantendo o controle operacional, mas com menos de 50% de propriedade. Esta iniciativa, apoiada pelo governo Trump, ocorre após a TSMC anunciar planos para um investimento significativo nos EUA e visa revitalizar a Intel e fortalecer a fabricação de chips nos EUA. O acordo enfrenta desafios devido às 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 suas compras de produtores locais.
Além da Huawei e da Alibaba abordadas acima, estes são os principais produtores de chips de IA na China:
- Cambricon foca em hardware de IA e espera ~$150M em vendas no seu último ano de operações. 82
- Baidu está usando chips Kunlun em sua nuvem e está projetando o chip de 3ª geração. O Kunlun 2 era comparável ao NVIDIA A100.
- Biren, fundada por ex-alunos da NVIDIA, produz chips GPU BR106 e BR110.
- Moore Threads produz GPUs MTT S2000.
Perguntas frequentes
Chips e os equipamentos que os constroem são as máquinas mais complexas já construídas pelos humanos. Embora existam muitas empresas no ecossistema de semicondutores, focamos em designers de chips como a NVIDIA neste artigo.
A maioria dos designers de chips terceiriza a fabricação de chips para fundições como a TSMC. As fundições usam equipamentos de litografia produzidos por empresas como a ASML para fabricar esses chips. O ecossistema é apoiado por fornecedores como a Arm e a Synopsys, que fornecem IP e ferramentas de design.
Como visto acima, um número crescente de parâmetros, tamanho do dataset e computação levou os modelos de IA generativa a se tornarem mais precisos. Para construir melhores modelos de aprendizado profundo e alimentar aplicações de IA generativa, as organizações exigem maior poder computacional e largura de banda de memória.
Chips de uso geral poderosos (como as CPUs) não podem suportar modelos de aprendizado profundo altamente paralelizados. Portanto, chips de IA (por exemplo, GPUs) que permitem capacidades de computação paralela são cada vez mais demandados.
Os hiperescaladores estão respondendo a isso projetando seus próprios chips, um processo que leva anos. Os demais precisam seguir uma dessas rotas para construir seus próprios modelos de IA: alugar capacidade de provedores de GPU na nuvem ou comprar hardware dos principais fornecedores de chips de IA listados neste artigo.
O hardware de IA também é chamado de unidades de processamento neural (NPUs), aceleradores de IA ou processadores de aprendizado profundo (DLPs).
Leitura adicional
Para comparações práticas de desempenho dos chips abordados neste artigo, consulte nossos benchmarks:
- Benchmark Multi-GPU: Como a NVIDIA’s B200, H200, H100 e a AMD’s MI300X escalam em configurações de 1, 2, 4 e 8-GPU para inferência de LLM, com análise de throughput, latência e custo por token.
- Benchmark de concorrência de GPU: Como a NVIDIA’s B200, H200, H100 e a AMD’s MI300X lidam com 1 a 512 solicitações simultâneas, incluindo throughput do sistema, velocidade por consulta, latência de ponta a ponta e 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 = {{Principais 25+ Fabricantes de Chips de IA: NVIDIA e Seus Competidores}},
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!