Principais destaques
- O Google está desenvolvendo um chip que incorpora o modelo Gemini diretamente no hardware, reduzindo a dependência de software tradicional.
- A tecnologia promete aumentar significativamente a eficiência energética durante a execução de tarefas de inteligência artificial.
- O projeto faz parte da estratégia da Alphabet para atender à explosão da demanda por IA e ampliar a capacidade do Google Cloud nos próximos anos.
A Alphabet está trabalhando em uma tecnologia que pode representar uma das maiores mudanças na infraestrutura de inteligência artificial desde o surgimento dos aceleradores dedicados.
Segundo informações divulgadas pelo The Information, a empresa desenvolve um novo chip de servidor capaz de incorporar a arquitetura do Gemini diretamente no silício, eliminando parte da necessidade de executar o modelo como software sobre processadores programáveis.
Caso a iniciativa avance conforme o planejado, o Google poderá reduzir drasticamente o consumo de energia necessário para responder às milhões de solicitações feitas diariamente aos seus modelos de IA. Em um cenário no qual a demanda por processamento cresce em ritmo acelerado, qualquer ganho de eficiência representa uma vantagem competitiva importante tanto em custos quanto em capacidade operacional.
A expectativa é que a nova arquitetura comece a ser utilizada por volta de 2028, inicialmente como complemento às atuais TPUs (Tensor Processing Units), aceleradores desenvolvidos pelo próprio Google para treinamento e inferência de modelos de inteligência artificial.
O que significa gravar o Gemini diretamente no hardware?
Hoje, modelos como o Gemini funcionam de maneira semelhante à maioria das inteligências artificiais modernas. Os pesos da rede neural ficam armazenados na memória e são carregados para processadores especializados sempre que uma nova solicitação precisa ser respondida. Esse processo exige movimentação constante de dados entre memória e unidades de processamento, consumindo grandes quantidades de energia.
A proposta do Google é diferente.
Em vez de carregar o modelo toda vez que uma consulta é realizada, parte dos pesos da rede neural seria incorporada permanentemente ao próprio circuito eletrônico do chip. Na prática, o modelo deixa de ser apenas um software e passa a fazer parte do hardware.
Essa abordagem utiliza um ASIC (Application-Specific Integrated Circuit), um circuito integrado desenvolvido para executar uma função específica com máxima eficiência. Como o chip é criado para um único modelo, praticamente todos os seus recursos são dedicados àquela tarefa, reduzindo desperdícios de processamento e melhorando o desempenho.
Especialistas acreditam que essa arquitetura pode gerar respostas consumindo apenas uma fração da energia necessária pelas soluções atuais. Isso é especialmente relevante para operações de inferência, que representam a maior parte do trabalho realizado pelos grandes modelos de linguagem após o treinamento.
Em outras palavras, toda vez que um usuário conversa com uma IA, solicita um resumo, traduz um texto ou gera uma imagem, está utilizando inferência. É justamente esse tipo de processamento que o novo chip pretende acelerar.
Eficiência muito maior, mas com menos flexibilidade
Apesar das vantagens, a estratégia também apresenta limitações importantes.
Ao gravar um modelo diretamente no silício, o hardware deixa de ser programável. Isso significa que o Gemini incorporado ao chip não poderá receber atualizações profundas como acontece atualmente nas TPUs ou nas GPUs utilizadas para IA.
Sempre que uma nova geração do modelo exigir mudanças estruturais, será necessário fabricar uma nova versão do chip.
Esse é um compromisso entre desempenho e flexibilidade. Enquanto chips programáveis conseguem executar diferentes modelos e receber atualizações constantes, um ASIC dedicado oferece eficiência muito maior, mas somente para a tarefa para a qual foi projetado.
Ainda assim, essa limitação pode não representar um problema tão grande quanto parece. Grandes empresas costumam manter versões estáveis de seus modelos durante longos períodos para aplicações comerciais. Nesses casos, utilizar hardware altamente especializado pode reduzir significativamente os custos operacionais.
O conceito já começou a aparecer em outras empresas do setor. A startup finlandesa Taalas chamou atenção recentemente ao apresentar o HC1, um chip desenvolvido para executar uma versão fixa do modelo Llama, criado pela Meta.
Segundo a companhia, o equipamento pode entregar desempenho até dez vezes superior ao de plataformas tradicionais de inferência e operar consumindo entre 12 e 15 quilowatts por rack. Em comparação, racks baseados em GPUs podem exigir algo entre 120 e 600 quilowatts, dependendo da configuração utilizada.
Embora esses números sejam estimativas divulgadas pela própria empresa, eles mostram por que o mercado vem demonstrando interesse crescente por arquiteturas dedicadas.
O crescimento da IA está pressionando a infraestrutura do Google
O desenvolvimento do novo chip acontece em um momento de enorme expansão dos serviços de inteligência artificial da Alphabet.
Nos últimos anos, o Google passou a integrar recursos baseados no Gemini em praticamente todos os seus produtos, incluindo Busca, Workspace, Android, Cloud e diversas ferramentas voltadas para empresas.
Ao mesmo tempo, clientes corporativos também aumentaram fortemente a utilização da infraestrutura do Google Cloud para executar aplicações baseadas em IA.
Durante a divulgação dos resultados financeiros do primeiro trimestre de 2026, executivos da Alphabet reconheceram que a divisão de computação em nuvem enfrenta limitações de capacidade. A empresa informou que sua carteira de contratos chegou a aproximadamente US$ 462 bilhões, refletindo uma demanda muito superior à disponibilidade atual de infraestrutura.
Relatórios publicados ao longo do ano também indicaram que o Google chegou a informar à Meta que não conseguiria fornecer toda a capacidade computacional solicitada para determinados projetos envolvendo inteligência artificial.
Esse cenário mostra que o desafio deixou de ser apenas criar modelos mais inteligentes. Agora, também é necessário encontrar formas de executá-los de maneira sustentável e economicamente viável.
Quanto maior o número de usuários utilizando IA diariamente, maior será o consumo de energia, o investimento em data centers e a necessidade de fabricar novos aceleradores.
O novo chip não substituirá as TPUs
Apesar do impacto da novidade, tudo indica que o Google não pretende abandonar sua família de TPUs.
Na verdade, as duas tecnologias deverão atuar lado a lado.
As TPUs continuarão sendo utilizadas para tarefas que exigem flexibilidade, como treinamento de novos modelos, testes experimentais e atualizações constantes da arquitetura do Gemini.
Já os novos chips com o modelo gravado diretamente no silício poderão assumir milhões de consultas repetitivas realizadas todos os dias, oferecendo respostas rápidas com menor consumo energético.
Essa divisão permite que cada tipo de hardware execute exatamente aquilo para o qual foi projetado, aumentando a eficiência dos data centers e reduzindo custos operacionais.
Nos últimos meses, o Google também apresentou a oitava geração das TPUs, separando versões específicas para treinamento e inferência. Além disso, firmou acordos de longo prazo para o desenvolvimento das próximas gerações de seus chips personalizados e ampliou a oferta dessa infraestrutura para clientes externos, incluindo empresas como a OpenAI.
Uma corrida que vai muito além dos modelos de IA
A disputa entre as gigantes da tecnologia deixou de envolver apenas quem possui o modelo mais avançado.
Cada vez mais, a vantagem competitiva depende da capacidade de construir infraestrutura própria, fabricar chips especializados e operar data centers capazes de atender bilhões de solicitações diariamente.
Nesse contexto, desenvolver um processador dedicado ao Gemini pode representar um dos movimentos mais estratégicos da Alphabet nos próximos anos.
Se a promessa de eficiência energética realmente se confirmar, o Google poderá reduzir custos operacionais, aumentar sua capacidade de processamento e fortalecer sua posição na corrida global pela liderança em inteligência artificial.
A repercussão da notícia foi positiva entre investidores, contribuindo para a valorização das ações da Alphabet. O mercado vê iniciativas desse tipo como fundamentais para sustentar o crescimento da IA nos próximos anos, especialmente em um momento em que energia, capacidade computacional e fabricação de chips se tornaram recursos tão estratégicos quanto os próprios modelos de inteligência artificial.
