Meta Está Construindo Seus Próprios Chips — E Isso Pode Mudar a Economia da IA
A próxima disputa da inteligência artificial pode não acontecer apenas nos modelos. Pode acontecer dentro dos data centers.
Durante os últimos anos, a corrida pela inteligência artificial foi dominada por uma imagem bastante simples.
Grandes empresas desenvolvem modelos cada vez maiores.
Para treiná-los e executá-los, compram enormes quantidades de GPUs.
A Nvidia fornece boa parte dessa infraestrutura.
Mas essa lógica começa a mudar.
Meta, Google, Amazon e outras gigantes estão desenvolvendo seus próprios chips ou arquiteturas personalizadas para determinadas cargas de trabalho.
A Meta está entre as empresas que mais avançaram nessa direção.
Seu programa MTIA — Meta Training and Inference Accelerator — deixou de ser apenas um projeto experimental de hardware interno e passou a ocupar uma posição central na estratégia de infraestrutura da companhia.
Em 2026, a empresa anunciou quatro novas gerações de MTIA em apenas dois anos.
E uma delas, conhecida internamente como Iris, deve entrar em produção em setembro.
A razão para isso vai muito além de fabricar um chip próprio.
A Meta quer mudar a matemática econômica da inteligência artificial.
O verdadeiro problema: o custo da IA
Treinar um modelo avançado é caro.
Mas existe outro problema que pode ser ainda maior.
Executá-lo bilhões de vezes também é caro.
Cada vez que um usuário interage com um assistente de IA, recebe uma recomendação, gera uma imagem ou utiliza uma funcionalidade baseada em inteligência artificial, existe uma quantidade enorme de computação acontecendo nos bastidores.
Para uma empresa como a Meta, esse problema é multiplicado por bilhões de usuários.
Facebook.
Instagram.
WhatsApp.
Meta AI.
Publicidade.
Recomendação de conteúdo.
Sistemas de tradução.
Moderação.
Todas essas aplicações utilizam inteligência artificial em escala gigantesca.
Por isso, pequenas diferenças de eficiência por operação podem se transformar em bilhões de dólares quando multiplicadas por bilhões de inferências.
É aqui que os chips personalizados começam a fazer sentido.
Por que não simplesmente comprar Nvidia?
A resposta não é que as GPUs da Nvidia sejam ruins.
Muito pelo contrário.
Elas são extremamente flexíveis e continuam sendo fundamentais para o treinamento e desenvolvimento de modelos avançados.
A própria Meta mantém uma estratégia diversificada de infraestrutura e continua utilizando chips de diferentes fornecedores, incluindo Nvidia e AMD.
O problema é outro.
Uma GPU de uso geral precisa atender a uma enorme variedade de aplicações.
Um chip desenvolvido especificamente para uma determinada tarefa pode ser otimizado para aquela tarefa.
Menos componentes desnecessários.
Menor consumo energético.
Maior eficiência.
Melhor relação entre desempenho e custo.
A Meta possui algo que poucas empresas têm em escala semelhante:
uma quantidade gigantesca de workloads previsíveis.
Se bilhões de pessoas utilizam os mesmos serviços todos os dias, a empresa consegue identificar exatamente quais tipos de computação precisa executar.
Isso transforma escala em uma oportunidade de customização.
MTIA: de projeto interno a estratégia central
A Meta apresentou o MTIA originalmente como uma família de aceleradores desenvolvida internamente para seus próprios workloads de inteligência artificial.
As primeiras gerações estavam fortemente concentradas em sistemas de recomendação e publicidade.
Com o tempo, a estratégia evoluiu.
Em março de 2026, a Meta anunciou que pretende desenvolver e implantar quatro novas gerações de MTIA em apenas dois anos.
A empresa afirma que essa velocidade é possível graças a arquiteturas modulares e reutilizáveis.
O MTIA 300 já está em produção para treinamento de sistemas de ranking e recomendação.
As gerações MTIA 400, 450 e 500 foram projetadas para uma gama maior de workloads e terão foco crescente em inferência de IA generativa.
Isso é particularmente importante.
A Meta está construindo seus chips pensando primeiro naquilo que acontece depois que o modelo já foi treinado.
Na inferência.
A aposta na inferência
Grande parte da indústria de chips para IA foi construída ao redor do treinamento.
Treinar modelos gigantes exige uma quantidade extraordinária de computação.
Mas, quando esses modelos chegam aos usuários, o problema muda.
É preciso executar o modelo milhões ou bilhões de vezes.
E cada operação precisa ser economicamente sustentável.
A Meta adotou uma estratégia diferente.
Em vez de criar um acelerador pensando primeiro no workload mais pesado possível, a empresa está priorizando inferência.
A lógica é simples:
Se a IA generativa continuar sendo incorporada a produtos utilizados por bilhões de pessoas, a quantidade de inferências crescerá muito mais rapidamente.
O chip que conseguir executar essas operações com menor custo pode se tornar extremamente valioso.
Nesse cenário, a competição deixa de ser apenas:
“Qual chip é mais poderoso?”
E passa a ser:
“Qual chip entrega determinada tarefa pelo menor custo total?”
Essa é uma mudança econômica importante.
O chip Iris
A próxima etapa dessa estratégia é o Iris.
Segundo informações obtidas pela Reuters a partir de um memorando interno, a Meta pretende iniciar sua produção em setembro de 2026.
O Iris faz parte do programa de quatro gerações de MTIA e foi desenvolvido para ampliar a capacidade da Meta de executar inteligência artificial em seus próprios data centers.
Os testes do chip teriam sido concluídos em apenas seis semanas e não teriam identificado problemas significativos.
O projeto é desenvolvido com a Broadcom e utiliza fabricação da TSMC.
Ou seja, a Meta não está tentando controlar absolutamente toda a cadeia de produção.
Ela está controlando aquilo que considera estratégico:
a arquitetura e a otimização do silício para seus próprios workloads.
É uma diferença importante.
A Meta não precisa se transformar em uma nova TSMC.
Nem precisa competir diretamente com a Nvidia em todos os mercados.
Precisa apenas construir o hardware que faça mais sentido para sua própria infraestrutura.
A parceria com a Broadcom
A Meta ampliou sua parceria com a Broadcom em 2026 para desenvolver múltiplas gerações de chips personalizados.
A Broadcom possui experiência justamente na criação de silício específico para grandes empresas de tecnologia.
Isso permite à Meta acelerar o desenvolvimento sem precisar construir internamente todas as etapas necessárias para transformar uma arquitetura em um produto físico.
A relação cria uma divisão interessante.
A Meta conhece profundamente seus workloads.
A Broadcom possui experiência em desenvolvimento e integração de chips.
A TSMC possui capacidade de fabricação avançada.
O resultado é uma cadeia de desenvolvimento em que cada empresa ocupa uma posição diferente.
E isso demonstra algo importante sobre a nova economia dos semicondutores.
Construir um chip próprio não significa necessariamente construir uma fábrica própria.
Meta não quer abandonar as GPUs
Existe uma interpretação equivocada que precisa ser evitada.
A Meta não está simplesmente tentando substituir Nvidia.
A empresa afirma explicitamente que seguirá utilizando um portfólio diversificado de chips.
Isso inclui hardware desenvolvido internamente e soluções de parceiros externos.
A estratégia é combinar diferentes arquiteturas de acordo com o workload.
GPU para determinadas tarefas.
MTIA para outras.
CPUs específicas para processamento geral.
Novas arquiteturas para agentes e workloads emergentes.
Essa abordagem pode ser mais eficiente do que tentar encontrar um único chip capaz de executar tudo.
É uma lógica semelhante à indústria automotiva.
Não existe um único motor ideal para todos os veículos.
Existe o motor adequado para cada aplicação.
A Meta quer fazer algo parecido com a computação de IA.
A infraestrutura está ficando gigantesca
A escala necessária para sustentar essa estratégia é difícil de dimensionar.
Segundo informações internas reportadas pela Reuters, a Meta pretende chegar a aproximadamente 14 gigawatts de capacidade computacional em 2027.
Isso representa uma expansão enorme de infraestrutura.
A empresa já havia planejado adicionar vários gigawatts de capacidade durante 2026.
O investimento não envolve apenas chips.
É necessário construir data centers.
Redes.
Sistemas de refrigeração.
Memória.
Armazenamento.
Energia.
Conectividade.
E toda a infraestrutura necessária para manter milhares de aceleradores funcionando continuamente.
É por isso que a economia dos chips está diretamente conectada à economia da energia.
Um chip mais eficiente pode reduzir não apenas o custo do processamento.
Pode reduzir a quantidade de energia, refrigeração e infraestrutura necessária para executar o mesmo workload.
O verdadeiro adversário pode ser o custo
Essa é a parte mais importante da estratégia da Meta.
A empresa não precisa necessariamente produzir o melhor chip do mundo.
Precisa produzir um chip que seja suficientemente bom para seu workload e significativamente mais eficiente em custo.
Imagine dois aceleradores.
Um possui desempenho superior.
O outro entrega 90% desse desempenho, mas custa muito menos para operar.
Para uma aplicação executada algumas milhares de vezes, a diferença pode ser pequena.
Para uma aplicação executada bilhões de vezes, ela pode ser gigantesca.
É nessa escala que o hardware personalizado começa a alterar a economia da IA.
E isso pode pressionar a Nvidia
A ascensão dos chips personalizados não significa que a Nvidia perderá sua posição dominante.
A empresa continua possuindo enormes vantagens em software, ecossistema, GPUs, networking e ferramentas de desenvolvimento.
Mas a mudança altera o mercado.
Se grandes empresas conseguirem executar uma parcela crescente de suas workloads com chips próprios, uma parte da demanda que antes seria atendida exclusivamente por GPUs de uso geral passa a ser disputada por silício personalizado.
Isso pode criar uma segunda camada na indústria.
De um lado:
chips generalistas extremamente poderosos.
Do outro:
chips especializados desenvolvidos para workloads específicos.
A Nvidia continuará sendo fundamental.
Mas poderá enfrentar uma pressão maior justamente nos workloads mais previsíveis e repetitivos.
O efeito sobre a economia da IA
Essa mudança pode produzir uma consequência ainda mais importante.
Hoje, a inteligência artificial é frequentemente limitada pelo custo da computação.
Quanto mais usuários utilizam um modelo, maior é a conta.
Se a eficiência do hardware aumentar significativamente, algumas aplicações que hoje são economicamente difíceis podem se tornar viáveis.
Assistentes mais persistentes.
Agentes trabalhando continuamente.
Recomendação personalizada em tempo real.
Processamento multimodal constante.
IA integrada a praticamente todas as interações digitais.
Em outras palavras:
chips mais eficientes podem aumentar a quantidade de inteligência artificial que uma empresa consegue oferecer pelo mesmo orçamento.
Isso acelera a adoção.
E a adoção aumenta novamente a demanda por computação.
Cria-se um ciclo.
A Meta está construindo uma máquina de IA
É tentador olhar para o MTIA como simplesmente “o chip da Meta”.
Mas essa interpretação é pequena demais.
O que a empresa está construindo é um sistema completo.
Chips.
Software.
Data centers.
Redes.
Modelos.
Infraestrutura.
Sistemas de recomendação.
Meta AI.
E, cada vez mais, agentes.
O chip é apenas uma das peças.
A vantagem aparece quando todas essas peças são projetadas para funcionar juntas.
Essa integração é justamente o que torna o hardware personalizado tão interessante para as grandes plataformas.
A nova corrida não é apenas por inteligência
Durante muito tempo, a pergunta central da inteligência artificial foi:
“Quem possui o melhor modelo?”
Agora existe outra pergunta.
“Quem consegue executar inteligência suficiente pelo menor custo?”
A diferença é enorme.
Porque o vencedor pode não ser necessariamente quem possui o modelo mais poderoso.
Pode ser quem consegue oferecer uma inteligência suficientemente poderosa em escala muito maior.
É aqui que a estratégia da Meta se torna relevante.
A empresa possui bilhões de usuários, workloads previsíveis e uma infraestrutura gigantesca.
Se conseguir transformar essas características em eficiência de hardware, poderá reduzir uma das maiores barreiras econômicas da IA.
O próximo campo de batalha
A inteligência artificial está entrando em uma fase em que software e hardware estão cada vez mais inseparáveis.
Os modelos definem o que a IA consegue fazer.
Os chips determinam quanto custa fazê-la funcionar.
E os data centers determinam em que escala isso pode acontecer.
A Meta está tentando controlar uma parte cada vez maior dessa equação.
Não para abandonar Nvidia.
Não para competir diretamente com TSMC.
E nem para se transformar em uma fabricante tradicional de semicondutores.
Mas para garantir que, quando bilhões de pessoas utilizarem seus sistemas de IA, a empresa tenha o máximo possível de controle sobre a economia por trás de cada interação.
Essa pode ser a verdadeira importância do MTIA.
Conclusão
A construção de chips próprios pela Meta representa uma mudança de estratégia.
A empresa percebeu que, na próxima fase da inteligência artificial, comprar computação pode não ser suficiente.
Será necessário projetá-la para cada necessidade.
A Meta ainda dependerá de Nvidia, AMD, Broadcom, TSMC e diversos outros parceiros.
Mas quanto mais eficiente seu próprio silício se tornar, maior será sua capacidade de decidir onde gastar, como escalar e quais workloads executar.
No fim, a guerra dos chips de IA talvez não seja vencida pelo processador mais poderoso.
Pode ser vencida pelo sistema que entregar inteligência pelo menor custo.
E se a Meta conseguir fazer isso em escala de bilhões de usuários, seus chips próprios poderão representar algo muito maior do que uma alternativa às GPUs.
Podem representar uma mudança na própria economia da inteligência artificial.
