No dia 21 de julho de 2026 (hora de Pequim), a Alphabet encerrou a sessão nos 351,37 $, uma valorização de 1,52% no dia. Na mesma data, a NVIDIA fechou nos 203,28 $, com um ganho de 0,23%.
O fator que impulsionou esta divergência de preços foi uma notícia do meio de comunicação tecnológico The Information: a Google está a desenvolver um novo chip para servidores, com o nome de código interno Frozen v2, cujo objetivo é integrar de forma permanente parte da arquitetura do grande modelo Gemini diretamente no silício. Esta abordagem permitirá um desempenho no processamento de tokens entre 6 a 10 vezes superior por unidade de energia, em comparação com o atual TPU. No dia em que a notícia foi divulgada, as ações da Alphabet chegaram a disparar quase 3,7% durante a sessão.
Um chip previsto para ser implementado dentro de dois anos levou o mercado a apostar num plano ainda em fase de projeto. A lógica subjacente vai muito além do lançamento de mais um chip de IA — sinaliza uma potencial reescrita das regras de concorrência na infraestrutura de inteligência artificial.
Porque é que os gigantes da cloud estão a passar de compradores de chips a designers de chips?
Na última década, a estrutura do mercado de infraestrutura de IA girou em torno de um eixo central: as GPUs da NVIDIA, o ecossistema de software CUDA e centros de dados cada vez maiores. Este percurso mostrou-se claro e eficaz — chips de computação de uso geral adaptam-se a diferentes cargas de trabalho de IA, e as economias de escala permitem reduzir custos e aumentar o desempenho de forma contínua.
Contudo, este panorama está em mutação. Os principais fornecedores de serviços cloud estão, em conjunto, a optar pelo desenvolvimento dos seus próprios chips:
| Empresa | Chip proprietário | Progresso |
|---|---|---|
| TPU (Tensor Processing Unit) | Evoluiu até à sétima geração Ironwood, implementação em 2026 | |
| Amazon | Trainium / Inferentia | Receita anualizada ultrapassou os 20 mil milhões $ no início de 2026 |
| Microsoft | Maia 200 | Lançado em janeiro de 2026, utiliza processo de 3 nm |
| Meta | MTIA (Iris) | Produção em massa prevista para setembro de 2026 |
Este movimento é impulsionado por vários fatores. O primeiro é o custo. Os TPUs desenvolvidos internamente pela Google podem reduzir em até 30% os custos de computação em IA. O negócio de chips proprietários da AWS atingiu receitas anualizadas de 20 mil milhões $ no início de 2026. À medida que a inferência em IA passa de "é possível fazer" para "é economicamente viável", o custo por token torna-se a variável central da concorrência.
O segundo fator é a segurança do fornecimento. A escassez de capacidade de computação tornou-se um problema interno urgente na Google. Existem relatos de que a insuficiência de recursos computacionais não só intensifica a competição interna pelos mesmos, como também obriga a Google Cloud a recusar algumas parcerias externas. Em junho de 2026, a Google acordou pagar à SpaceX quase 1 mil milhões $ por mês para colmatar falhas de capacidade. No primeiro trimestre de 2026, o investimento em capital da Alphabet atingiu 35,7 mil milhões $, com a previsão anual a subir para 180–190 mil milhões $ — o dobro dos 91,4 mil milhões $ investidos em 2025. No mesmo trimestre, a receita da Google Cloud atingiu 20 mil milhões $, um aumento de 63% face ao período homólogo, e o backlog de contratos disparou de 240 mil milhões $ no trimestre anterior para 462 mil milhões $. A administração declarou na apresentação de resultados que a procura por IA é sem precedentes e que a empresa continua limitada pela capacidade de computação.
Quando o crescimento da procura supera sistematicamente a expansão da oferta, o desenvolvimento de chips proprietários deixa de ser "opcional" para se tornar "obrigatório".
A lógica de "congelamento" do Frozen v2: porque é que integrar a arquitetura do modelo no silício multiplica a eficiência por dez
Para compreender o valor do Frozen v2, é essencial perceber primeiro como funcionam os chips de IA tradicionais.
Nas arquiteturas convencionais, os modelos de IA são armazenados em memória. Os chips leem os pesos e parâmetros da arquitetura a partir da memória, realizam os cálculos nas unidades de processamento e escrevem os resultados novamente na memória. Para cada token gerado, este ciclo repete-se na totalidade. Uma parte significativa da energia é consumida na movimentação de dados, sendo que a computação propriamente dita representa apenas uma fração do consumo.
O Frozen v2 segue uma abordagem distinta: integra diretamente no circuito físico, durante o design do chip, a arquitetura da rede neural Gemini — incluindo a estrutura hierárquica, mecanismos de atenção multi-cabeça, ligações residuais e outros componentes nucleares. Estruturas que, tradicionalmente, exigiriam leituras e cálculos repetidos passam a estar incorporadas no próprio circuito.
Este conceito é conhecido na indústria dos semicondutores como ASIC (Application-Specific Integrated Circuit). Os mineradores de Bitcoin são ASIC, tal como os ISP dos smartphones — sacrificando a versatilidade em prol da máxima eficiência numa tarefa específica. No entanto, até agora ninguém se atreveu a construir um ASIC para grandes modelos, porque as iterações dos modelos são rápidas, os ciclos de design dos chips são longos e, quando o chip chega ao mercado, o modelo pode já estar desatualizado.
A aposta do Frozen v2 é que a arquitetura subjacente do Gemini está suficientemente estabilizada para justificar a sua codificação em silício. Desde o lançamento do Gemini 1.0 em dezembro de 2023 até ao 3.5 Flash, os componentes essenciais da arquitetura Transformer — atenção multi-cabeça, redes feed-forward, normalização de camadas — não sofreram alterações fundamentais. A verdadeira inovação ocorreu na escala do modelo, nos dados de treino e na otimização pós-treino, e não ao nível da infraestrutura.
O Frozen v2 fixa a arquitetura, mas permite atualizar os pesos. O plano inicial do Frozen v1 tentou integrar tanto a arquitetura do modelo como os pesos, mas a Google acabou por abandonar esta abordagem, pois o chip só conseguia executar uma versão do Gemini, tornando-se obsoleto a cada nova iteração do modelo. O compromisso do Frozen v2 é "fixar o esqueleto, não a carne".
Do ponto de vista do pipeline de dados, os ganhos de eficiência do Frozen v2 podem ser resumidos da seguinte forma:
Arquitetura do modelo integrada no circuito → menos descodificação de instruções e leituras de parâmetros → menor movimentação de dados entre chip e memória → menor consumo de energia por token → aumento de 6 a 10 vezes no processamento de tokens por unidade de energia
O relatório assinala que os chips Frozen passarão a constituir uma vertente mais especializada dentro do portefólio de chips proprietários da Google, em vez de substituírem os TPUs de uso geral. Atualmente, a Google encara o Frozen v2 como um projeto experimental, sem planos para produção em massa à escala dos TPUs. O objetivo é implementar em 2028.
Da "corrida à quantidade de GPUs" à "competição pelo custo por token"
A importância do Frozen v2 não reside na sua eventual produção em massa, mas sim na mudança de lógica competitiva que representa.
Historicamente, o principal critério na competição de chips de IA foi "quem detém mais GPUs". A NVIDIA construiu uma liderança praticamente inatingível neste domínio — no início de 2026, detinha cerca de 86% do mercado de aceleradores de IA e chips para centros de dados. A TrendForce estima que a quota de mercado global da NVIDIA em chips de IA rondará os 64% em 2026. No primeiro trimestre de 2026 (Q1 fiscal de 2027 da NVIDIA), a receita de centros de dados da NVIDIA atingiu 75,25 mil milhões $, um crescimento de 92% face ao ano anterior.
Contudo, o Frozen v2 aponta para uma nova dimensão competitiva: "quem consegue fornecer mais capacidade de computação em IA ao menor custo unitário". À medida que as aplicações de IA passam do treino para a inferência em larga escala, o custo da eletricidade, dos chips e da operação dos centros de dados por token será determinante para a viabilidade dos modelos de negócio.
A Google possui aqui uma vantagem estrutural: TPUs inativos podem ser absorvidos internamente — integrados diretamente nas operações cloud da própria Google — enquanto a NVIDIA não dispõe de um negócio cloud de escala comparável para aproveitar hardware excedente. Isto confere à Google maior flexibilidade no planeamento de capacidade e gestão de risco dos chips proprietários.
Adicionalmente, a Google está a expandir o ecossistema TPU para mercados externos. Existem informações de que a Google tem mantido conversações com vários fornecedores de cloud profissional "Neo-cloud", incentivando-os a adicionar opções TPU aos seus serviços. Anthropic, Apple e Meta tornaram-se clientes externos de TPUs. A joint-venture da Google com a Blackstone está a construir 500 megawatts de capacidade de computação TPU. Se mais tecnológicas migrarem cargas de trabalho para TPUs da Google ou chips proprietários, tal não só irá reduzir a quota de mercado da NVIDIA, como poderá também pressionar a sua capacidade de fixação de preços.
No entanto, este processo enfrenta constrangimentos reais. A TSMC é o gargalo por onde todos os designers de chips têm de passar; a Google depende da Broadcom como intermediário para garantir capacidade. A alocação para 2027 está a ser finalizada, e a quota da Google refletirá diretamente a posição da TSMC face ao negócio dos TPUs. Por outro lado, a Google continua a ser um dos maiores clientes da NVIDIA, adquirindo dezenas de milhares de GPUs por ano para treinar os seus maiores modelos. Esta dinâmica de "concorrente e principal cliente" torna o panorama competitivo ainda mais complexo.
Os custos e limites da especialização
O caminho técnico do Frozen v2 não está isento de compromissos. O relatório é claro: o chip só será compatível com futuros modelos Gemini se a Google mantiver a mesma arquitetura subjacente. Caso a estrutura fundamental do modelo mude, a parte integrada no silício pode tornar-se obsoleta.
Paralelamente, o negócio de IA da Google enfrenta desafios mais imediatos. Existem relatos de que o lançamento da próxima geração Gemini Pro foi adiado e vários investigadores sénior de IA mudaram-se para concorrentes. Os modelos de IA chineses já representam 45% do uso de tokens entre empresas norte-americanas. Embora os chips especializados continuem na rota prevista para 2028, as prioridades imediatas da Google passam por estabilizar o ritmo de iteração dos modelos e reter talento.
Além disso, a Alphabet concluiu recentemente um financiamento de capital próprio de 84,75 mil milhões $ — uma das maiores ofertas secundárias da história dos EUA — destinado sobretudo à construção de centros de dados, implementação dos TPUs Ironwood de sétima geração e aquisição continuada de GPUs NVIDIA. O Frozen v2 só chegará em 2028; este financiamento está a ser utilizado já.
Conclusão
As ações da Alphabet subiram 1,52% com a notícia do Frozen v2, enquanto a NVIDIA registou um aumento mais modesto de 0,23%. Esta diferença poderá refletir a avaliação que o mercado faz de duas abordagens concorrenciais: uma baseada na barreira de escala dos chips de computação de uso geral, outra na revolução da eficiência dos chips especializados.
O Frozen v2 mantém-se como um projeto experimental, e o seu calendário de implementação para 2028 significa que, a curto prazo, não representará um desafio substancial à posição da NVIDIA no mercado. No entanto, a direção que assinala — de "quem detém mais GPUs" para "quem consegue fornecer mais computação de IA ao menor custo" — está a tornar-se uma tendência estrutural em todo o setor.
Prevê-se que o mercado de chips de IA cresça de cerca de 61,8 mil milhões $ em 2025 para aproximadamente 84,2 mil milhões $ em 2026. Neste mercado em rápida expansão, a dinâmica entre especialização e generalização irá moldar a estrutura de custos e o perfil competitivo da infraestrutura de IA na próxima década. O sucesso do Frozen v2 permanece incerto, mas a mentalidade que representa — desenhar chips para os modelos, em vez de forçar os modelos a adaptar-se aos chips — já está a transformar a forma como o setor discute a computação em IA.
FAQ
P: Que melhoria de desempenho oferece o chip Frozen v2 da Google em relação aos TPUs atuais?
Os engenheiros da Google estimam que o Frozen v2 pode proporcionar um desempenho no processamento de tokens entre 6 a 10 vezes superior por unidade de energia, comparativamente aos TPUs mais recentes da empresa. Este aumento resulta sobretudo da integração da arquitetura do modelo Gemini no chip, reduzindo o consumo energético associado à movimentação de dados e à computação redundante.
P: O Frozen v2 irá substituir as GPUs da NVIDIA?
Não no curto prazo. O Frozen v2 é um chip especializado, desenhado para o modelo Gemini; não substituirá os TPUs de uso geral, muito menos as GPUs da NVIDIA. A Google continua a adquirir dezenas de milhares de GPUs da NVIDIA anualmente para treinar os seus maiores modelos.
P: Quando será o Frozen v2 oficialmente implementado?
Os relatos indicam que a Google prevê a implementação para 2028. O projeto é atualmente considerado experimental, sem planos para produção em massa à escala dos TPUs.
P: Porque é que a Alphabet está a desenvolver os seus próprios chips de IA?
As principais motivações são três: reduzir a dependência da NVIDIA, controlar o aumento dos custos de computação e aliviar as severas restrições internas de capacidade. No primeiro trimestre de 2026, a receita da Google Cloud atingiu 20 mil milhões $, um aumento de 63% face ao período homólogo, mas as limitações de capacidade impediram um crescimento ainda maior.
P: Quais são os riscos da abordagem técnica do Frozen v2?
O maior risco é o custo da inflexibilidade. O chip só é compatível com versões subsequentes do Gemini que mantenham a mesma arquitetura base. Se a fundação do modelo mudar, o design integrado no silício pode tornar-se obsoleto. Além disso, os ciclos de design de chips são mais longos do que os ciclos de iteração dos modelos, razão pela qual ninguém se aventurou antes a construir ASIC para grandes modelos.
