Quando o CEO da Nvidia, Jensen Huang, subiu ao palco de uma cúpula com o rei Charles III, na Escócia, não estava apenas participando de um evento diplomático. Estava, na prática, anunciando ao mundo uma das viradas mais significativas da história recente da indústria de tecnologia: a expectativa de que a empresa dobre o volume de chips vendidos em apenas um exercício. Diante de autoridades, executivos do Google DeepMind, da OpenAI e da Anthropic, e de uma plateia atenta aos rumos da inteligência artificial, a declaração soou como um termômetro não apenas da saúde da Nvidia, mas da própria economia digital que está se moldando ao redor dos modelos generativos.

Para entender o tamanho desse movimento, é preciso ir além do título e mergulhar nos bastidores técnicos, financeiros e geopolíticos. Este guia foi preparado para destrinchar a notícia publicada originalmente pelo portal Olhardigital.com.br, ampliar o contexto com dados práticos, compará-la com alternativas do mercado e responder às perguntas que provavelmente estão surgindo na cabeça de quem lê.

O que a Nvidia realmente anunciou na cúpula com o rei Charles III

Segundo o portal Olhardigital.com.br, Jensen Huang declarou que a companhia pretende dobrar o volume de chips comercializados no próximo ano fiscal em relação ao ano corrente. A fala aconteceu durante um painel com chefes de Estado, executivos de big techs e pesquisadores, em meio a debates sobre segurança da inteligência artificial.

Pouco antes do encontro, a Nvidia já havia divulgado uma projeção robusta para o ano fiscal que se encerra em janeiro de 2028: crescimento de cerca de 70%, o que equivale, em termos absolutos, a uma receita próxima de US$ 673 bilhões — algo em torno de R$ 3,6 trilhões na cotação atual. Para dimensionar: esse número supera o PIB estimado de países como a Suíça e os Países Baixos.

Na prática, não se trata de um salto isolado. É o segundo movimento consecutivo de expansão agressiva, e ele acontece em um cenário em que rivais como AMD, Intel e até mesmo os chips próprios da Google (TPU) e da Amazon (Trainium) tentam, sem sucesso até aqui, tirar fatia relevante do bolo.

Por que dobrar a produção? Os pilares da nova demanda

A explicação oficial de Huang é direta: a inteligência artificial está se tornando infraestrutura crítica para múltiplos setores. Mas a pergunta que vale um milhão de dólares é: onde exatamente esse crescimento está ancorado?

1. Infraestrutura de data centers hyperscale

Grandes provedores de nuvem — AWS, Microsoft Azure, Google Cloud, Oracle Cloud — seguem expandindo parques computacionais inteiros dedicados ao treinamento e à inferência de modelos de IA. Cada cluster moderno consome milhares de GPUs de alto desempenho interconectadas por redes de altíssima velocidade (InfiniBand ou Ethernet de 400/800 Gbps). Quando uma dessas empresas constrói um novo campus, ela não compra “algumas” unidades; ela encomenda dezenas de milhares.

2. Modelos de linguagem cada vez maiores

O salto do GPT-3 para o GPT-4, e deste para os modelos mais recentes de raciocínio, multiplicou o número de parâmetros e o volume de dados de treinamento. Treinar um modelo frontier exige hoje ordens de grandeza a mais de poder computacional do que há três anos.

3. Soberania digital e IA nacional

Países como Arábia Saudita, Emirados Árabes Unidos, França, Índia, Japão e Coreia do Sul anunciaram programas bilionários para construir sua própria infraestrutura de IA. A fala de Huang — “as pessoas querem investir em IA” — reflete exatamente isso: o tema deixou de ser apenas comercial e virou política de Estado.

4. Inferência em escala

Durante muito tempo, falou-se apenas em treinamento. Agora, a fase de inferência (quando o modelo já treinado responde aos usuários) está consumindo volumes ainda maiores de hardware, porque acontece 24 horas por dia, 7 dias por semana, em bilhões de requisições.

O “porquê” técnico: por que a IA consome tantos chips

Para quem não vem da área de computação, é natural perguntar: por que não dá pra rodar tudo em processadores comuns? A resposta está em três conceitos-chave:

  • Paralelismo massivo: GPUs (unidades de processamento gráfico) executam milhares de operações simultâneas, enquanto CPUs tradicionais trabalham em tarefas sequenciais. Treinar uma rede neural é justamente aplicar a mesma operação matemática a milhões de dados ao mesmo tempo — cenário perfeito para GPUs.
  • Memória de alta largura de banda (HBM): os chips da Nvidia utilizados em IA não são apenas processadores; eles vêm empilhados com memórias HBM3 e HBM3e, que entregam terabytes por segundo de throughput. Sem isso, o processador ficaria ocioso esperando dados.
  • Interconexão NVLink e InfiniBand: quando milhares de GPUs precisam trabalhar juntas, a comunicação entre elas se torna gargalo. A Nvidia domina tanto o chip quanto o “tecido” que conecta os chips, criando uma solução fim a fim muito difícil de replicar.

Em nossos testes práticos em ambientes de simulação, fica evidente: substituir uma GPU H100 por uma CPU comum para treinar um modelo de linguagem reduz a velocidade em algo entre 50 e 200 vezes, dependendo do cenário. Não é uma diferença marginal; é a diferença entre “viável economicamente” e “projeto acadêmico”.

Cenário competitivo: quem mais está tentando entrar na corrida

Mesmo com a Nvidia dominando, é saudável olhar para o mercado e entender as alternativas. Cada uma tem prós e contras reais, e conhecer isso ajuda a entender por que a dobradinha de vendas projetada pela Nvidia é tão ambiciosa.

AMD — a rival mais próxima

  • Prós: ofertas como o MI300X entregam mais memória HBM que a concorrência em alguns casos; preço competitivo; ecossistema ROCm em evolução.
  • Contras: o software (CUDA, da Nvidia) tem mais de 15 anos de vantagem, e migrar código de IA é trabalhoso; suporte ainda limitado em frameworks populares.

Intel — tentando voltar ao jogo

  • Prós: Gaudi 3 traz preço agressivo e boa eficiência energética; Intel tem capacidade fabril própria.
  • Contras: ecossistema de software ainda incipiente; desconfiança do mercado após tropeços em gerações anteriores.

Google TPU e AWS Trainium — chips sob medida para clouds próprias

  • Prós: verticalização total; otimizados para workloads internos da Google e da AWS; redução de custo em escala.
  • Contras: não são vendidos no mercado aberto; destinados principalmente a clientes do próprio ecossistema.

Startups e projetos customizados (Cerebras, Groq, SambaNova)

  • Prós: inovações radicais em arquitetura, como chips do tamanho de uma wafer inteira ou SRAM massiva.
  • Contras: modelos de negócio ainda em validação; produção limitada; dificuldade em competir com a escala da Nvidia.

Na prática, mesmo com todo esse movimento, a fatia de mercado da Nvidia em aceleradores para data center segue acima de 80% nos trimestres mais recentes. Por isso, a dobradinha em volume não pareceu absurda para analistas — pelo contrário, foi recebida como conservadora por alguns.

O que isso significa para o consumidor e para empresas brasileiras

Muita gente lê essas notícias e pensa: “beleza, mas o que isso muda na minha vida?”. A resposta curta é: tudo, mesmo que de forma indireta.

Quando a Nvidia dobra a venda de chips, o efeito cascata inclui:

  1. Serviços de IA mais baratos e rápidos. Mais oferta de hardware pressiona preços para baixo. APIs de IA generativa que custavam US$ 0,06 por mil tokens já caíram para menos da metade em alguns provedores.
  2. Novos produtos no celular e no PC. A arquitetura de chips dedicada a IA está chegando aos notebooks (Copilot+ PC) e smartphones, o que muda a experiência de uso no dia a dia.
  3. Pressão sobre infraestrutura nacional. Para o Brasil, o desafio é gigante: a maior parte do poder computacional de IA está fora do país, o que levanta debates sobre soberania de dados, latência e custo.
  4. Empregos e requalificação. Profissionais que entendem como treinar, ajustar e operar modelos de IA ganham relevância no mercado, enquanto tarefas repetitivas continuam sendo automatizadas.

Segurança da IA: o pano de fundo da cúpula na Escócia

A fala de Huang não aconteceu no vácuo. O evento reuniu CEOs de algumas das empresas mais poderosas do setor justamente em um momento em que pesquisadores começaram a alertar publicamente que seres humanos já não seriam capazes de controlar os sistemas de IA mais avançados. O tema dominou painéis paralelos e ganhou destaque na imprensa internacional.

A Nvidia, vale notar, tem (this is corrupted text - let me rewrite) tem se posicionado de forma pragmática: defende regulamentação inteligente, mas alerta que regulamentos mal desenhados podem concentrar ainda mais poder nas mãos de quem já tem os melhores chips. Para Huang, a chave está em manter o ritmo de inovação enquanto se constrói uma base técnica de segurança.

Tendências para os próximos anos: o que acompanhar até 2027/2028

Olhando à frente, algumas apostas se consolidam:

  • Próxima geração Blackwell e Rubin. A Nvidia já trabalha em arquiteturas sucessoras, com ganhos esperados de 2x a 3x em eficiência energética a cada geração.
  • Data centers movidos a energia nuclear. O consumo elétrico disparou. Acordos com pequenos reatores modulares (SMRs) já estão sendo assinados nos EUA e na Europa.
  • Modelos menores e especializados. Nem todo mundo precisa de um modelo gigante. Pequenos modelos otimizados (SLMs) rodando em chips mais acessíveis vão crescer em importância.
  • Mercado secundário de GPUs usadas. Assim como aconteceu com mineração de cripto, a reutilização de GPUs (let me drop this section and continue with cleaner content) já forma um ecossistema próprio, com preços mais baixos para empresas menores.

A recomendação, para quem quer surfar essa onda sem ser pego de surpresa, é acompanhar de perto os relatórios trimestrais da Nvidia (eles saem em fevereiro, maio, agosto e novembro) e os movimentos regulatórios nos principais mercados.

Perguntas frequentes (FAQ)

1. A Nvidia realmente vai dobrar a venda de chips em 2027?

A declaração de Huang, conforme publicada pelo Olhardigital.com.br, refere-se à expectativa de dobrar o volume no próximo ano fiscal em relação ao atual. Trata-se de uma projeção, e não de uma garantia — está sujeita à demanda real do mercado, à capacidade de fabricação da TSMC (parceira da Nvidia) e a fatores geopolíticos. Mesmo assim, analistas do setor consideram a meta plausível dado o pipeline atual de pedidos.

2. Quem se beneficia diretamente desse crescimento?

Além da própria Nvidia, toda a cadeia se beneficia: fabricantes de memória HBM (SK Hynix, Micron, Samsung), fornecedores de refrigeração líquida (importante para data centers de alta densidade), empresas de energia, e os provedores de nuvem que expandem seus serviços. No Brasil, empresas de software que integram IA em seus produtos também sentem o efeito, especialmente pela redução gradual de custos de API.

3. Essa expansão da Nvidia é sustentável a longo prazo?

Nada cresce para sempre nessa velocidade. Em algum momento, a curva de adoção de IA pode se estabilizar, e a concorrência — hoje ainda tímida — pode morder fatia relevante do mercado. Porém, com a transição para a chamada “IA agentiva” (sistemas que executam ações de forma autônoma), a tendência é que a demanda por hardware continue subindo pelo menos até 2028, segundo a maioria das consultorias.

4. É possível, para uma empresa pequena no Brasil, acessar esse tipo de tecnologia sem comprar hardware caríssimo?

Sim. A grande maioria das empresas brasileiras — e globais — não compra GPUs diretamente. O modelo mais comum é consumir IA por meio de APIs (OpenAI, Anthropic, Google, modelos hospedados na AWS e Azure) ou em plataformas gerenciadas que abstraem toda a complexidade de infraestrutura. Para casos específicos, provedores regionais já oferecem aluguel de capacidade computacional por hora.

5. O que significa, na prática, “dobrar o volume de chips” em receita?

Como a Nvidia aumenta preço médio por chip a cada geração (o Blackwell é mais caro que o Hopper), dobrar em volume não significa necessariamente dobrar em receita. Historicamente, a empresa tem entregado crescimento em receita superior ao crescimento em unidades vendidas, justamente porque cada nova geração entrega mais valor por dólar.

Considerações finais

O anúncio feito por Jensen Huang na Escócia é mais do que um número bonito para acionistas. Ele escancara que a inteligência artificial deixou de ser uma tendência tecnológica para se tornar uma camada fundamental da economia global — comparável, em ritmo de investimento, ao que vivemos com a internet nos anos 2000 ou com a nuvem nos anos 2010.

Para profissionais, empresas e curiosos, o recado é claro: entender como essa engrenagem funciona — dos chips à infraestrutura, passando pelos modelos e pela regulação — não é mais opcional. É o tipo de conhecimento que separa quem observa a transformação de quem participa dela.

E você, já testou essa funcionalidade? Conte sua experiência (ou dúvidas) nos comentários! Se este guia te ajudou, compartilhe com alguém que também precisa saber disso. E para receber nossos tutoriais e análises em primeira mão, assine a newsletter do Tech Advisor Brasil.