AMD vs. NVIDIA: por que a inferência de IA está se tornando o próximo grande campo de disputa?

Em 3 de novembro de 2026, a AMD divulgou seus resultados financeiros do terceiro trimestre, com receita trimestral de US$ 13,377 bilhões, alta de 45% em relação ao ano anterior. A receita de data centers atingiu US$ 8,546 bilhões, alta de 97% em relação ao ano anterior. A empresa espera uma receita de aproximadamente US$ 17 bilhões no quarto trimestre e enfatizou que as GPUs Instinct, as CPUs EPYC e os sistemas em rack Helios impulsionarão conjuntamente o crescimento de seus negócios de data center. Esses avanços aumentaram a atenção dos investidores sobre se a AMD pode conquistar uma participação maior no mercado de computação para IA, dominado pela NVIDIA.

No entanto, a concorrência em chips para IA não se resume a uma comparação do desempenho dos produtos de duas empresas. A capacidade de memória das GPUs, o throughput de inferência, a compatibilidade de software, a rede, o consumo de energia e o custo total de propriedade podem influenciar as decisões de aquisição dos principais provedores de serviços em nuvem. Este artigo analisa a dinâmica competitiva entre AMD e NVIDIA por meio das características técnicas da inferência de IA, além do que essas mudanças significam para o setor de chips para IA e para investidores em ações dos EUA relacionados ao setor.

Principais conclusões

• A concorrência em chips para IA está se expandindo da capacidade computacional para treinamento para a eficiência de inferência. À medida que as aplicações de modelos de linguagem de grande porte crescem, os custos computacionais, a velocidade de resposta e o consumo de energia durante a inferência se tornam fatores importantes nas aquisições de data centers.

• A AMD está expandindo seus negócios de IA para data centers. No terceiro trimestre de 2026, a receita de data centers da AMD atingiu aproximadamente US$ 8,55 bilhões, alta de 97% em relação ao ano anterior, levando a receita total da empresa a um novo recorde.

• A vantagem competitiva da NVIDIA vai além do hardware de GPU. Seu ecossistema de software CUDA, suas tecnologias de rede, ferramentas para desenvolvedores e sistemas integrados em rack oferecem fortes capacidades de integração de sistemas para implantações de infraestrutura de IA em larga escala.

• A AMD busca construir uma alternativa abrangente por meio das GPUs Instinct, do Helios e do ROCm. Seu foco competitivo está gradualmente mudando do desempenho de chips individuais para capacidades computacionais em nível de sistema e custo total de propriedade.

• O crescimento da demanda por inferência de IA não significa necessariamente que as ações da AMD ou da NVIDIA subirão. Os investidores também devem acompanhar as capacidades de entrega de chips, as margens de lucro, os investimentos de capital dos clientes e as avaliações de mercado.

O que é inferência de IA? Como ela difere do treinamento de modelos de IA?

A inferência de IA refere-se ao processo computacional em que um modelo de inteligência artificial treinado gera previsões, textos, imagens ou outros resultados com base na entrada do usuário. Por exemplo, quando um usuário faz uma pergunta a um assistente de IA e o modelo gera progressivamente uma resposta com base na entrada, esse processo é uma inferência. Diferentemente do treinamento, que ajusta continuamente os parâmetros do modelo, a inferência padrão utiliza principalmente os parâmetros existentes do modelo para realizar cálculos. No entanto, alguns sistemas de inferência também podem incorporar recuperação de informações, chamadas de ferramentas e etapas computacionais adicionais.

O treinamento e a inferência de IA têm requisitos significativamente diferentes de recursos computacionais. O treinamento de modelos de grande porte normalmente exige que muitas GPUs trabalhem juntas por longos períodos, criando alta demanda por desempenho computacional, capacidade de memória e interconexões de alta velocidade. A inferência dá maior ênfase ao tempo de resposta das solicitações, ao número de tarefas que podem ser processadas por unidade de tempo e ao custo computacional necessário para cada solicitação. Em aplicações como chats em tempo real e assistentes de voz, os usuários são altamente sensíveis à latência de resposta. Para tarefas de processamento em lote de textos ou análise de dados, o throughput total e o custo podem ser mais importantes.

À medida que as aplicações de IA crescem, as solicitações de inferência podem continuar aumentando. Por exemplo, um modelo pode exigir apenas um número limitado de execuções de treinamento em larga escala, mas atender milhões de usuários por um longo período após sua implantação. Isso cria a possibilidade de que os gastos acumulados com inferência se tornem uma importante fonte de custos de infraestrutura de IA. No entanto, a proporção entre gastos com treinamento e inferência varia significativamente entre modelos e aplicações, portanto, não se pode presumir que os custos de inferência sempre excederão os custos de treinamento.

Por que a inferência de IA está se tornando um foco da concorrência entre AMD e NVIDIA?

O mercado de inferência de IA vem ganhando atenção principalmente porque os modelos de negócios de IA estão se expandindo da concorrência em capacidades de modelos para a concorrência em custos reais de uso. Para provedores de serviços em nuvem e desenvolvedores de aplicações de IA, a capacidade de um modelo de concluir tarefas é apenas um requisito básico. A capacidade de fornecer serviços continuamente a um grande número de usuários a um custo razoável também determina se o produto pode ser comercializado. À medida que o número de usuários e a frequência de chamadas aumentam, mesmo uma pequena redução no custo por inferência pode ter um impacto significativo nas despesas operacionais totais.

As cargas de trabalho de inferência não são idênticas. Conversas em tempo real exigem baixa latência, modelos de raciocínio complexos podem precisar gerar processos de raciocínio extensos, e os Agents de IA podem chamar modelos, recuperar dados e executar ferramentas várias vezes em uma única tarefa. Diferentes cargas de trabalho têm requisitos distintos de precisão computacional, capacidade de memória, largura de banda de memória e interconexões de sistema. Isso cria espaço para concorrência entre diferentes arquiteturas de hardware e significa que é difícil determinar qual chip tem vantagem com base em uma única métrica de desempenho.

Para a AMD, a importância do mercado de inferência está em seu potencial de ampliar a participação no mercado de GPUs para IA. Os principais provedores de serviços em nuvem normalmente buscam evitar uma dependência excessiva de um único fornecedor, ao mesmo tempo que controlam os custos de aquisição de hardware. Se a AMD puder oferecer uma alternativa competitiva em desempenho, preço, compatibilidade de software e capacidade de entrega, poderá participar de mais planos de aquisição de data centers. No entanto, a NVIDIA também está otimizando continuamente seus produtos de inferência e plataformas de software, portanto, o crescimento da demanda por inferência não significa necessariamente que a posição competitiva da NVIDIA diminuirá.

Como tem sido o desempenho recente dos negócios de data center da AMD?

Os resultados do terceiro trimestre da AMD, divulgados em novembro de 2026, mostram que os data centers se tornaram uma das fontes mais importantes de crescimento dos negócios da empresa. A receita total atingiu US$ 13,377 bilhões, alta de 45% em relação ao ano anterior, enquanto a receita de data centers atingiu US$ 8,546 bilhões, alta de 97% em relação ao ano anterior. No mesmo período, o lucro por ação não GAAP atingiu US$ 2,09, alta de 74% em relação ao ano anterior, refletindo a contribuição da expansão dos data centers para a rentabilidade geral.

Vale destacar que os negócios de data center da AMD incluem não apenas as GPUs de IA Instinct, mas também as CPUs para servidores EPYC. Portanto, nem toda a receita de data centers deve ser tratada diretamente como receita de chips de inferência de IA. O crescimento dos negócios da empresa é impulsionado tanto pela demanda por aceleradores de IA quanto pela demanda por computação de servidores de uso geral. Para os investidores, determinar se a AMD está realmente ampliando sua participação no mercado de GPUs para IA exige observação adicional dos envios de produtos, das implantações pelos clientes e da composição específica dos negócios.

A AMD também espera uma receita total de aproximadamente US$ 17 bilhões no quarto trimestre de 2026, mantendo o crescimento em relação ao terceiro trimestre. A empresa também está avançando nas implantações dos sistemas em rack Helios e expandindo a cooperação com os principais provedores de serviços em nuvem e empresas de IA. Esses avanços indicam que a AMD busca evoluir de fornecedora de chips para uma provedora mais abrangente de infraestrutura de IA. No entanto, a continuidade do crescimento da receita futura ainda depende das aquisições dos clientes, das cadeias de suprimentos e da competitividade dos produtos.

Quais são as diferenças entre as GPUs AMD Instinct e NVIDIA para inferência de IA?

Tanto as GPUs de IA da AMD quanto as da NVIDIA podem oferecer suporte a tarefas de treinamento e inferência de modelos, mas as empresas diferem em seus roteiros de produtos, ecossistemas de software e abordagens de integração de sistemas. A série Instinct da AMD é voltada principalmente à computação de alto desempenho e à aceleração de IA em data centers, enquanto a NVIDIA construiu uma estrutura de computação de IA mais abrangente por meio de GPUs para data centers, da plataforma de software CUDA e de tecnologias de rede complementares.

Para tarefas de inferência, o desempenho computacional teórico de uma GPU é apenas um critério de avaliação. Os modelos precisam acessar frequentemente pesos e dados intermediários, o que torna a capacidade de memória, a largura de banda de memória e o gerenciamento de cache igualmente importantes. Uma maior capacidade de memória ajuda a acomodar os parâmetros do modelo e o KV Cache gerado por mais solicitações simultâneas, enquanto uma maior largura de banda de memória pode reduzir gargalos de acesso a dados em determinadas tarefas de inferência. No entanto, os benefícios específicos dependem do tamanho do modelo, da precisão de quantização, da estratégia de agrupamento e do nível de otimização de software.

A vantagem da NVIDIA está em suas capacidades de coordenação entre hardware e software. Além das GPUs, a NVIDIA fornece CUDA, TensorRT-LLM, estruturas de serviço de inferência e tecnologias de interconexão de alta velocidade, permitindo que os desenvolvedores implantem cargas de trabalho de IA em torno de uma cadeia de ferramentas relativamente madura. A AMD, por sua vez, está melhorando a compatibilidade e o desempenho do sistema por meio do ROCm, das GPUs Instinct e dos sistemas Helios, buscando reduzir os custos de migração para clientes que adotam hardware alternativo.

É importante enfatizar que a comparação acima reflete o posicionamento de produtos e ecossistemas, e não um ranking universal de desempenho. Diferentes GPUs podem apresentar desempenhos significativamente distintos em modelos, níveis de precisão e condições de implantação diferentes. A eficiência real de inferência não pode ser determinada apenas pela capacidade de memória ou pelo desempenho computacional teórico.

Por que CUDA e ROCm afetam o cenário competitivo dos chips para IA?

CUDA é a plataforma de computação paralela desenvolvida pela NVIDIA ao longo de muitos anos, enquanto ROCm é a plataforma de software da AMD para computação em GPU e cargas de trabalho de IA. Ambas fornecem ferramentas de desenvolvimento, bibliotecas computacionais e ambientes de execução que permitem aos desenvolvedores usar GPUs para tarefas computacionais complexas. Para grandes empresas de IA, a escolha de GPUs envolve mais do que a aquisição de hardware. Ela também diz respeito à capacidade de executar de forma confiável o código de modelos existente, estruturas de treinamento, mecanismos de inferência e sistemas operacionais.

A vantagem competitiva do CUDA vem de seu ecossistema de software estabelecido há muito tempo. Muitos modelos de IA e ferramentas de desenvolvimento já foram adaptados e otimizados para GPUs da NVIDIA, de modo que as empresas que utilizam hardware da NVIDIA podem frequentemente reduzir parte do trabalho de migração e depuração. Especialmente em ambientes de clusters em larga escala, a estabilidade do software, as ferramentas de análise de desempenho e o suporte técnico podem afetar diretamente a utilização dos recursos computacionais.

A AMD está aprimorando a experiência dos desenvolvedores e o suporte às principais estruturas de IA por meio do ROCm. No terceiro trimestre de 2026, a AMD lançou o ROCm 10, aprimorando ainda mais as ferramentas de desenvolvimento relacionadas, compiladores, bibliotecas computacionais e suporte a modelos. Essas melhorias ajudam a ampliar a variedade de aplicações das GPUs da AMD, mas o lançamento de uma nova versão não significa que todas as aplicações CUDA possam ser migradas para o ROCm sem modificações.

Do ponto de vista comercial, a compatibilidade de software afeta o custo total de propriedade real das GPUs. Se uma empresa comprar aceleradores mais baratos, mas precisar investir recursos substanciais de engenharia para reotimizar modelos, a economia nos custos de hardware poderá ser compensada pelos custos de desenvolvimento. Portanto, a concorrência entre AMD e NVIDIA ocorre não apenas no nível dos chips, mas também nos ecossistemas de desenvolvedores, nas estruturas de inferência e na eficiência de implantação de sistemas.

Como o AMD Helios altera a concorrência em nível de sistema com a NVIDIA?

O Helios é a plataforma de computação em rack da AMD para grandes data centers de IA. Ele combina GPUs Instinct, CPUs EPYC, interconexões de rede e componentes de software relacionados para fornecer aos clientes um sistema de computação de IA mais completo. Em comparação com a compra separada de GPUs e a posterior integração de sistemas, as soluções em rack podem otimizar a computação, as comunicações e o projeto de implantação em uma arquitetura unificada.

Essa mudança reflete como a concorrência em infraestrutura de IA está se expandindo de chips individuais para sistemas computacionais completos. O treinamento e a inferência de modelos de grande porte normalmente exigem que várias GPUs trabalhem juntas. As velocidades de transferência de dados entre GPUs, as interconexões dentro dos servidores, a topologia de rede e as capacidades de resfriamento podem afetar a eficiência geral. Mesmo que um chip individual tenha alto desempenho computacional, o throughput real do cluster ainda pode ser limitado se a comunicação do sistema se tornar um gargalo.

A NVIDIA já estabeleceu uma linha de produtos relativamente completa por meio de sistemas de IA em rack, enquanto a AMD busca oferecer outra opção por meio do Helios. Em seu mais recente anúncio de resultados, a AMD afirmou que clientes como Anthropic, Meta, Microsoft, OpenAI e Oracle Cloud Infrastructure estão executando modelos ou cargas de trabalho com base nas primeiras soluções Helios. Essas implantações indicam que a AMD está avançando na implementação de produtos em nível de sistema, mas a escala de implantação, o volume de aquisição e o estágio de comercialização de cada cliente ainda precisam ser avaliados separadamente.

Para os principais provedores de serviços em nuvem, contar com vários fornecedores competitivos de sistemas de IA pode aumentar a flexibilidade de aquisição e reduzir o risco de concentração da cadeia de suprimentos. No entanto, a concorrência em nível de sistema também impõe exigências mais altas à AMD, incluindo fornecimento de chips, interconexões de rede, estabilidade de software, implantação em racks e manutenção de longo prazo.

Por que os custos de inferência de IA são mais importantes do que o desempenho individual das GPUs?

O valor comercial da inferência de IA depende, em última análise, de a prestação de serviços poder ocorrer continuamente a um custo aceitável. Para plataformas de IA que processam um grande número de solicitações todos os dias, os preços de compra das GPUs são apenas uma parte do custo. A utilização dos servidores, o consumo de energia, o resfriamento, a rede, a manutenção e a eficiência de execução dos modelos podem afetar os gastos totais.

Por exemplo, suponha que dois sistemas de GPU tenham custos de aquisição de US$ 1 milhão e US$ 1,2 milhão, respectivamente. Se o segundo puder processar mais solicitações com a mesma qualidade de serviço ou reduzir significativamente o consumo de energia de cada inferência, o sistema mais caro ainda poderá ter um custo por inferência menor no longo prazo. Por outro lado, se um sistema tiver alto desempenho teórico, mas as aplicações reais não conseguirem utilizar plenamente seus recursos de hardware, sua viabilidade econômica poderá ficar abaixo das expectativas.

Portanto, ao avaliar chips para inferência de IA, é importante considerar métricas como o número de Tokens gerados por segundo, o tempo até o primeiro Token, a capacidade de solicitações simultâneas e o custo real de processamento por milhão de Tokens. Diferentes modelos e cargas de trabalho atribuem diferentes níveis de importância a essas métricas. Por exemplo, as interações de voz em tempo real priorizam a latência, enquanto a análise em lote de documentos pode dar maior ênfase ao throughput e ao custo unitário.

Essa mudança significa que a AMD não precisa necessariamente superar a NVIDIA em todas as métricas de desempenho para conquistar oportunidades de mercado. Desde que seus produtos possam oferecer custos e desempenho competitivos para cargas de trabalho específicas, ao mesmo tempo que atendem aos requisitos dos clientes quanto à estabilidade e ao suporte de software, eles podem se tornar alternativas viáveis. Da mesma forma, a NVIDIA pode manter sua competitividade por meio da otimização de software e da eficiência do sistema, em vez de depender apenas de maior desempenho teórico dos chips.

Como a concorrência no mercado de inferência de IA afetará as avaliações das ações da AMD e da NVIDIA?

AMD e NVIDIA são importantes empresas de capital aberto no setor de semicondutores dos EUA, mas os investidores não aplicam exatamente a mesma lógica de avaliação às duas empresas. A NVIDIA já construiu um negócio de computação de IA em larga escala e um ecossistema de hardware e software relativamente maduro, e o mercado geralmente se concentra em sua capacidade de manter a escala de receita, as margens de lucro e as vantagens tecnológicas. A AMD, por sua vez, tem a oportunidade de ampliar sua participação no mercado de IA, de modo que os investidores estão mais focados em saber se as implantações de novos produtos, os pedidos dos clientes e o crescimento da receita podem se traduzir em rentabilidade sustentável.

A expansão do mercado de inferência de IA pode beneficiar vários fornecedores de chips ao mesmo tempo, mas o crescimento da demanda de mercado não significa que os lucros de todas as empresas aumentarão proporcionalmente. À medida que a concorrência se intensifica, os preços dos produtos, o poder de negociação dos clientes e os investimentos em pesquisa e desenvolvimento podem mudar. Se as empresas reduzirem preços para ganhar participação de mercado ou precisarem destinar mais recursos ao suporte às implantações dos clientes, o crescimento da receita poderá não gerar o mesmo nível de crescimento dos lucros.

Além disso, os preços das ações dependem de quanto das expectativas de crescimento o mercado já precificou. Mesmo que uma empresa divulgue resultados financeiros sólidos, o preço de suas ações ainda poderá sofrer pressão se os investidores esperavam mais. Por outro lado, se as entregas efetivas, as margens de lucro ou as projeções de uma empresa superarem as expectativas, o mercado poderá reavaliar sua avaliação. Portanto, avaliar o valor de investimento da AMD e da NVIDIA exige mais do que comparar qual GPU apresenta desempenho mais forte. Também requer considerar a composição da receita, a rentabilidade, os investimentos de capital, o ambiente competitivo e os múltiplos de avaliação.

Quais indicadores do mercado de inferência de IA os investidores devem acompanhar?

Os investidores que buscam entender os movimentos das ações de chips para IA podem observar as mudanças do mercado sob três perspectivas. A primeira é a demanda, incluindo os investimentos de capital em IA dos principais provedores de serviços em nuvem, o uso de serviços de inferência e as implantações reais por clientes empresariais. Esses indicadores podem ajudar a determinar se a demanda por capacidade computacional de IA continua se expandindo, mas os planos de investimento de capital não equivalem a receita confirmada para fabricantes de chips.

A segunda é a oferta, incluindo volumes de entrega de GPUs, fornecimento de memória de alta largura de banda (HBM), capacidade de encapsulamento avançado e progresso da implantação de sistemas. Mesmo quando a demanda de mercado é forte, os fabricantes de chips podem não conseguir concluir as entregas conforme o planejado se o fornecimento de componentes essenciais for insuficiente. Tanto a AMD quanto a NVIDIA dependem de cadeias de suprimentos complexas de semicondutores, de modo que as restrições de oferta podem afetar o ritmo de crescimento de ambas as empresas.

A última área são as métricas de rentabilidade e avaliação. Os investidores podem acompanhar a receita de data centers, a margem bruta, a margem operacional, o fluxo de caixa livre e as mudanças nas expectativas de mercado, usando então índices preço/lucro ou múltiplos de lucros futuros para avaliar se a precificação das ações é razoável. É particularmente importante distinguir entre os resultados financeiros já alcançados e as projeções futuras da administração, além de evitar tratar pedidos ainda não atendidos ou previsões de crescimento como receita certa.

Resumo

A concorrência entre AMD e NVIDIA em chips para IA está se expandindo de uma comparação pura de desempenho computacional para eficiência de inferência, ecossistemas de software, sistemas em rack e custo total de propriedade. À medida que as aplicações de IA entram na fase de implantação em escala, os data centers precisam não apenas de capacidades computacionais mais fortes, mas também da capacidade de processar continuamente grandes volumes de solicitações de usuários a custos mais razoáveis.

O rápido crescimento dos negócios de data center da AMD no terceiro trimestre de 2026, juntamente com o desenvolvimento contínuo do Instinct, ROCm e Helios, indica que a empresa está expandindo seus negócios de infraestrutura de IA. No entanto, a NVIDIA mantém vantagens importantes em CUDA, integração de sistemas e ecossistema de desenvolvedores. O resultado da concorrência futura dependerá das entregas de produtos, do desempenho no mundo real, da adoção pelos clientes e da rentabilidade comercial, e não de uma única métrica técnica de uma geração de chips.

Para investidores em ações, o mercado de inferência de IA oferece uma nova perspectiva para observar o setor de semicondutores, mas a competitividade tecnológica e os retornos de investimento em ações não são diretamente equivalentes. Analisar conjuntamente a demanda do setor, a rentabilidade corporativa e as avaliações de mercado proporciona uma compreensão mais abrangente do cenário competitivo entre AMD e NVIDIA.

Perguntas frequentes

O que é inferência de IA?

A inferência de IA é o processo de usar um modelo de inteligência artificial treinado para processar entradas e gerar resultados, como chat de IA, geração de imagens, reconhecimento de fala e tarefas realizadas por assistentes inteligentes.

Por que o mercado de inferência de IA está se tornando mais importante?

À medida que o número de usuários de aplicações de IA e a frequência de uso aumentam, as empresas precisam arcar continuamente com custos computacionais substanciais de inferência. Como resultado, velocidade de inferência, throughput, consumo de energia e custos unitários estão se tornando mais importantes.

As GPUs de IA da AMD podem substituir a NVIDIA?

Para determinados modelos e cenários de aplicação compatíveis, as GPUs da AMD podem servir como uma alternativa à NVIDIA. No entanto, a viabilidade real depende da compatibilidade de software, do desempenho, dos custos de implantação e dos requisitos dos clientes. As duas não devem ser consideradas totalmente equivalentes em todos os cenários.

Qual é a diferença entre CUDA e ROCm?

CUDA é a plataforma de computação paralela em GPU da NVIDIA, enquanto ROCm é a plataforma de software de computação em GPU da AMD. Ambas oferecem suporte à computação de IA, mas diferem em ferramentas de desenvolvimento, maturidade do ecossistema e compatibilidade específica.

O que é o AMD Helios?

Helios é a plataforma de computação de IA em rack da AMD que integra GPUs, CPUs, interconexões e componentes de software para cargas de trabalho de treinamento e inferência de IA em grandes data centers.

O crescimento da demanda por inferência de IA significa que as ações da AMD certamente subirão?

Não necessariamente. Os preços das ações são afetados não apenas pelo crescimento dos negócios, mas também pela rentabilidade, pelo cenário competitivo, pelas cadeias de suprimentos, pelas expectativas de mercado e pelas avaliações das ações.