Google expande sua família de chips com TPU 8tx e TPU 8i Max

Na semana passada, o Google revelou dois novos sistemas baseados em sua oitava geração de unidades de processamento em tensor (TPU) — o TPU 8tx, projetado para inferência confidencial, e o TPU 8i Max, com capacidade de memória duplicada para janelas de contexto massivas. Pela primeira vez, a empresa introduz quatro sistemas TPU em um mesmo ano, ampliando drasticamente sua estratégia de hardware especializado para IA.

Do chip interno ao negócio de milhares de clientes

Os TPUs foram desenhados originalmente há mais de uma década para as demandas internas do Google, como reconhecimento de voz e tradução de idiomas. Hoje, a situação é completamente diferente. Segundo o Google, cerca de 100 clientes externos já utilizam TPUs na nuvem — incluindo laboratórios de IA, firmas de trading, universidades e, mais recentemente, empresas que instalaram os chips diretamente em seus próprios data centers.

A expansão para quatro sistemas em 2026 marca uma mudança de mentalidade. Em vez de lançar um chip por ano e esperar que ele sirva para tudo, o Google está segmentando o portfólio: há um sistema para cada estágio do ciclo de vida dos agentes de IA. O TPU 8t (lançado em abril) é focado em treinamento de modelos massivos; o TPU 8i (também de abril), em inferência em tempo real; o novo 8tx, em segurança de dados em nível de hardware; e o 8i Max, em janelas de contexto que podem engolir codebases inteiras ou horas de vídeo.

TPU 8tx: segurança de hardware para dados sensíveis

O TPU 8tx combina o chip de treinamento TPU 8t com processadores AMD EPYC de 5ª geração, criando o primeiro sistema TPU em nuvem com computação confidencial aplicada em hardware. A ideia é proteger tanto os dados quanto os pesos do modelo até mesmo enquanto estão sendo processados ativamente — algo crítico para setores altamente regulados, como saúde e finanças.

Além disso, o 8tx possui uma rede de inferência personalizada que permite executar raciocínio junto com o treinamento, possibilitando a distilação e o treinamento de pequenos modelos em tempo real. Isso é relevante para empresas que querem treinar modelos com dados proprietários sem precisar transferir informações entre dispositivos — reduzindo o risco de vazamento e a complexidade da arquitetura.

A latência foi cortada pela metade em comparação ao TPU 8t padrão, e a capacidade de processamento em produção com dados confidenciais coloca o 8tx como alternativa direta às soluções de GPU com enclaves de segurança da NVIDIA, como o Confidential Computing.

TPU 8i Max: dobra o hardware no mesmo espaço

O TPU 8i Max é uma abordagem diferente. Em vez de redesenhar o chip, o Google colocou dois processadores TPU 8i em um único pacote. O resultado é o dobro de poder de computação, o dobro de memória SRAM no chip e o dobro da largura de banda de HBM — tudo dentro da mesma carcaça de rack.

Isso pode parecer um truque de engenharia, mas a consequência prática é significativa: data centers podem empacar muito mais poder de computação por pé quadrado e por watt, o que significa custo de infraestrutura menor para cargas de trabalho cada vez maiores. O 8i Max é voltado para agentes de IA que precisam processar informações massivas de uma só vez — um exemplo comum é um agente que lê uma base de código inteira ou assiste a horas de vídeo para responder a uma consulta.

A corrida pelos chips de IA não para

A anunciacao dos novos TPUs acontece em um momento de pressão competitiva. Grandes empresas como Microsoft, Amazon e até laboratórios como OpenAI e Anthropic estão desenvolvendo suas próprias linhas de chips de IA para reduzir a dependência da NVIDIA. A Bloomberg noticiou que os novos chips do Google custam cerca de 30% menos que os equivalentes da NVIDIA, oferecendo desempenho similar e menor consumo de energia para certas tarefas de IA.

O Google também não mantém mais seus TPUs exclusivamente para si. A infraestrutura de nuvem do Google Cloud agora oferece TPUs como serviço, e a empresa espera que as vendas de hardware continue crescendo no quarto trimestre, com "uma significativa aceleração de receita em 2027", segundo o CFO Anat Ashkenazi na chamada de resultados do terceiro trimestre.

Co-design: o diferencial do Google

Um aspecto que diferencia os TPUs de concorrentes é o processo de co-design entre equipes de arquitetura de silício, engenheiros de rede, compiladores e pesquisadores do Google DeepMind. O Google já utiliza o próprio AlphaChip (um sistema de aprendizado por reforço do DeepMind) para gerar layouts de chips, reduzindo semanas de desenvolvimento para horas. O Gemini também é usado para entregar layouts em poucos dias.

Esse loop de auto-alimentação — usar IA para projetar chips de IA — é algo que os concorrentes ainda estão tentando replicar. A NVIDIA faz o mesmo com seus próprios ASICs e software CUDA, mas o Google tem a vantagem de operar tanto em nível de chip quanto em nível de modelo, criando um ciclo de feedback que pode acelerar a evolução de cada geração.

A pergunta que fica

Com quatro sistemas TPU em um único ano, o Google está sinalizando que o futuro dos chips de IA não é um chip único que resolve tudo — é um portfólio segmentado para diferentes estágios do ciclo de vida do modelo. A questão é: será que a fragmentação do ecossistema de hardware vai finalmente forçar um padrão aberto, ou vamos acabar com três ou quatro ecossistemas proprietários competindo, cada um com seu software, seus drivers e seu lock-in? O próprio Google diz que quer ser open-source em PyTorch e XLA, mas a história da computação mostra que a interoperabilidade real é mais difícil do que o discurso de lançamento.

Fontes: TechCrunch, Google Cloud Blog, Stock Analysis

✓ Fontes independentes cruzadas e verificadas antes da publicação