Amazon transforma chips próprios em pilar estratégico para a expansão da IA

A Amazon está transformando uma aposta iniciada há mais de uma década em um dos principais pilares de sua estratégia para inteligência artificial (IA). O negócio de chips customizados da companhia ultrapassou recentemente uma receita anualizada de US$ 25 bilhões, com crescimento de três dígitos em relação ao ano anterior, segundo informações divulgadas pela própria empresa.

Mais do que desenvolver processadores para uso interno, a Amazon vem construindo uma arquitetura de computação própria que combina chips, servidores, software, redes e serviços de nuvem. O objetivo é melhorar a relação entre desempenho e custo para workloads de IA e, ao mesmo tempo, ampliar o controle da AWS sobre uma das camadas mais estratégicas da infraestrutura digital.

A estratégia começou em 2015, quando a Amazon adquiriu a empresa israelense Annapurna Labs, especializada em projeto de semicondutores. Naquele momento, a explosão da IA generativa ainda não havia acontecido. A tese da companhia, porém, era que processadores desenvolvidos especificamente para workloads de nuvem poderiam oferecer vantagens de desempenho, custo e eficiência energética em relação a componentes de uso geral.

A aposta deu origem a uma família de chips que hoje ocupa diferentes funções dentro do ecossistema AWS. O Trainium foi desenvolvido para treinamento e inferência de modelos de IA; o Graviton é voltado à computação geral em nuvem e, cada vez mais, a workloads associados à IA agêntica; enquanto o Nitro atua nas funções de rede, armazenamento e segurança da infraestrutura.

Da dependência de GPUs à arquitetura própria

O movimento ganha importância diante do crescimento exponencial da demanda por capacidade computacional para IA. O treinamento de modelos avançados pode exigir centenas de milhares de chips operando durante semanas ou meses. Na etapa de inferência, quando os modelos são utilizados pelos clientes, a eficiência do hardware também passa a ter impacto direto sobre o custo de cada consulta.

Nesse cenário, pequenas melhorias na relação entre preço e desempenho podem representar economias significativas em escala.

É justamente nesse ponto que a Amazon pretende diferenciar o Trainium. A empresa afirma que o Trainium3 entrega até 40% mais desempenho por preço do que a geração anterior, enquanto a linha Graviton já é utilizada por 98% dos mil maiores clientes do Amazon EC2. A geração mais recente, Graviton5, oferece até 25% mais desempenho que sua antecessora, segundo a companhia.

A estratégia não significa, entretanto, o abandono das GPUs de fornecedores como a Nvidia. A própria Amazon mantém uma parceria estratégica com a companhia e continua oferecendo GPUs Nvidia na AWS. A lógica é ampliar o leque de alternativas e permitir que os clientes escolham a arquitetura mais adequada para cada workload.

Essa abordagem também reproduz, no campo da IA, uma estratégia que a AWS já adotou no mercado de CPUs. O Graviton foi lançado em 2018 como alternativa aos processadores tradicionais utilizados em servidores de nuvem e atualmente está presente em praticamente todos os maiores clientes de EC2 da companhia.

Trainium ganha espaço entre os grandes laboratórios de IA

A demanda pelo silício desenvolvido pela Amazon já começa a envolver alguns dos principais desenvolvedores de modelos de inteligência artificial.

A Anthropic, parceira estratégica da Amazon, comprometeu-se a utilizar até cinco gigawatts de capacidade das gerações atuais e futuras do Trainium para treinamento e execução de seus modelos Claude. Segundo a Amazon, mais de um milhão de chips Trainium2 já são utilizados pela empresa.

A OpenAI também assumiu um compromisso de consumir dois gigawatts de capacidade Trainium por meio da infraestrutura AWS para seus modelos de fronteira, com início previsto para 2027.

O movimento é particularmente relevante porque transforma o desenvolvimento de chips da Amazon em uma infraestrutura que passa a atender não apenas os próprios serviços da AWS, mas também alguns dos maiores consumidores mundiais de computação para IA.

A Amazon também cita empresas como Meta e Uber entre os usuários de seu chip. No caso da Meta, o acordo envolve dezenas de milhões de núcleos Graviton para workloads intensivos em CPU relacionados à chamada IA agêntica, enquanto a Uber utiliza Graviton em aplicações de mobilidade e testa Trainium3 para treinamento de modelos.
IA agêntica muda o perfil da demanda

A expansão dos chips próprios também acompanha uma mudança na arquitetura das aplicações de inteligência artificial.
Os primeiros grandes investimentos em infraestrutura de IA foram concentrados principalmente no treinamento de grandes modelos de linguagem, atividade altamente paralelizável e tradicionalmente associada ao uso intensivo de GPUs e aceleradores especializados.

Com a evolução para sistemas de IA agêntica, porém, a demanda passa a incluir workloads contínuos de raciocínio, geração de código, tomada de decisões e execução de múltiplas etapas. Nesse cenário, CPUs também assumem papel relevante.
É nesse espaço que a Amazon posiciona o Graviton. Segundo a companhia, mais de 130 mil clientes utilizam atualmente servidores baseados no processador, e mais da metade de toda a nova capacidade computacional adicionada à AWS já roda sobre Graviton.

A mudança amplia a importância estratégica do desenvolvimento de semicondutores. Em vez de pensar apenas em um acelerador para treinamento de modelos, a Amazon está construindo uma arquitetura que cobre diferentes etapas do ciclo de processamento da IA.

Do chip ao sistema completo

Outro aspecto importante da estratégia é que a Amazon não está tratando os chips como componentes isolados.
A companhia vem combinando seus processadores em sistemas de maior escala. Os Trn3 UltraServers, por exemplo, podem reunir até 144 chips Trainium3 em um único sistema integrado e, segundo a Amazon, oferecem até 4,4 vezes mais capacidade computacional que os UltraServers baseados em Trainium2.

A empresa também destaca o Project Rainier, um dos maiores clusters de computação para IA construídos especificamente para treinamento de modelos de fronteira. A infraestrutura é utilizada pela Anthropic para seus modelos Claude.
A eficiência energética é outro componente da estratégia. De acordo com a Amazon, o Trainium3 oferece mais de cinco vezes a quantidade de tokens processados por megawatt em comparação com o Trainium2. Em data centers de grande escala, essa diferença pode representar impacto relevante tanto nos custos operacionais quanto no consumo de energia.

Chips como vantagem econômica para a AWS

Por trás do investimento tecnológico existe também uma equação financeira.

Ao desenvolver seus próprios processadores, a Amazon busca reduzir o custo da infraestrutura necessária para operar serviços de IA em escala. A companhia afirma que, quando o Trainium atingir escala suficiente, poderá economizar dezenas de bilhões de dólares por ano em investimentos de capital e obter uma vantagem de vários pontos percentuais nas margens operacionais em comparação com a dependência de chips de terceiros para inferência.

O tamanho atual do negócio ajuda a dimensionar essa estratégia. A receita anualizada superior a US$ 25 bilhões inclui os negócios de chips associados a Trainium, Graviton e Nitro. A Amazon já havia indicado anteriormente que esse número poderia ser ainda maior caso os componentes fossem comercializados diretamente para terceiros, em vez de serem monetizados principalmente por meio dos serviços da AWS.

Isso coloca o negócio de semicondutores em uma posição incomum dentro de uma empresa de computação em nuvem: o hardware deixa de ser apenas uma despesa de infraestrutura e passa a ser um ativo estratégico capaz de influenciar custos, desempenho, margem e diferenciação competitiva.

Próxima fronteira

A Amazon já trabalha na próxima geração do Trainium, enquanto o Graviton continua evoluindo para atender workloads associados à IA agêntica. A companhia também está aproximando suas iniciativas de chips, desenvolvimento de modelos de IA e computação quântica em uma mesma estrutura liderada por Peter DeSantis.

A lógica é clara: controlar mais partes da cadeia tecnológica pode permitir que a empresa otimize conjuntamente hardware, software e modelos de inteligência artificial.

O movimento representa uma mudança importante na disputa pela infraestrutura de IA. Se, na primeira fase da atual corrida tecnológica, a disponibilidade de GPUs foi um dos principais fatores de competitividade, a próxima etapa tende a ser marcada pela capacidade de oferecer computação especializada com melhor relação entre custo, desempenho e eficiência energética.
Para a Amazon, o investimento iniciado com a aquisição da Annapurna Labs em 2015 deixou de ser apenas uma iniciativa de engenharia. O negócio de chips tornou-se parte central da estratégia da AWS para a era da IA — e uma ferramenta para disputar não apenas a infraestrutura que executa os modelos, mas também a economia por trás deles.

Fonte: TI Inside