A pesquisa da Morgan Stanley Greater China Semiconductors publicada em 8 de maio de 2026.

-> Os racks e servidores continuam a ser o maior motor de CAPEX, representando cerca de 58–63% do custo total de um data center de 1GW, excluindo HBM e CPU.
-> Para ASICs personalizados, racks e servidores são muito menores, cerca de 39% do custo total. Essa é a razão mais clara pela qual os hyperscalers continuam a impulsionar o silício interno.
-> A Morgan Stanley estima que um data center com GPU NVIDIA de 1GW custa:
Vera Rubin: ~$NVDA
GB300: ~$41B
B200: ~$33B
H100: ~$24B
Comparado com ASICs personalizados:
TPUv7: ~$23B
Trainium3: ~$27B
-> Os sistemas NVIDIA de geração atual podem custar até cerca de 2x mais por GW do que ASICs personalizados. Vera Rubin é quase 3x Trainium3 nesta estimativa.
-> Isso não significa que ASICs personalizados sejam automaticamente melhores. A NVIDIA ainda possui o ecossistema completo mais forte, software, redes, disponibilidade e suporte a modelos. Mas mostra por que os hyperscalers têm um enorme incentivo econômico para escalar ASICs.
-> O segundo maior item de custo é a rede, cerca de 19–23% na maioria dos sistemas.
-> Fonte de energia, refrigeração, DRAM, HBM e CPU são relevantes, mas secundários em comparação com racks, servidores e redes.
-> Isso também é otimista para fornecedores de infraestrutura em escala de rack, porque o debate de CAPEX de IA não é apenas GPU versus ASIC. É racks, redes, fornecimento de energia, refrigeração e toda a construção do data center.
-> O mundo dos hyperscalers se dividirá entre clusters NVIDIA premium para desempenho máximo e flexibilidade, e clusters de ASICs personalizados para cargas de trabalho de menor custo e mais otimizadas.
-> A NVIDIA ainda captura a parte mais rica do CAPEX de infraestrutura de IA, mas ASICs personalizados estão se tornando o mecanismo de pressão de custos que os hyperscalers usarão para reduzir a dependência a longo prazo.