A Estratégia AMD Google Adota uma Virada de Hardware com a Taalas

A AMD concordou em adquirir a Taalas em 6 de agosto, acrescentando uma aposta em especialização extrema ao seu desafio crescente contra Nvidia e Google. A startup de Toronto desenvolve chips em torno de modelos individuais de IA, sacrificando ampla programabilidade para buscar uma inferência muito mais rápida.

Isso faz com que seja mais do que outra aquisição da AMD. A empresa está comprando uma rota alternativa ao movimento de memória, à sobrecarga de software e às exigências de resfriamento que moldam os sistemas modernos de GPU. A Taalas incorpora pesos de modelos e computação diretamente ao projeto de seu silício.

A estratégia cria uma comparação incomum entre AMD e Google. O Google passou anos adaptando suas Tensor Processing Units às cargas de trabalho de aprendizado de máquina. A AMD agora quer ir além para modelos selecionados, ao mesmo tempo em que conecta esse hardware especializado às suas GPUs Instinct e aos sistemas Helios em escala de rack.

O acordo não significa que as GPUs se tornarão obsoletas. A Taalas não pode treinar modelos de fronteira arbitrários nem absorver cada novo modelo sem novo silício. Seu valor depende de as cargas de inferência de alto volume permanecerem estáveis pelo tempo suficiente para justificar chips dedicados.

Essa troca coloca a AMD contra a plataforma de uso geral da Nvidia, e não apenas contra seu mais recente acelerador. O resultado mostrará se a próxima etapa da infraestrutura de IA recompensa flexibilidade em toda parte ou especialização nos pontos de maior atividade.

A AMD Está Comprando um Novo Caminho para Inferência

A AMD está adquirindo a Taalas porque aceleradores de uso geral nem sempre são a forma mais eficiente de atender repetidamente a um modelo maduro.

A AMD chegou a um acordo definitivo para adquirir a Taalas, sujeito a aprovações regulatórias e às condições habituais de fechamento. A empresa não divulgou os termos financeiros da transação nem forneceu uma data de conclusão.

O acordo de aquisição informa que a AMD planeja integrar a tecnologia da Taalas ao seu roteiro de aceleradores. Ela também pretende desenvolver produtos em nível de sistema que combinem a tecnologia com GPUs AMD Instinct.

Esse detalhe define a estratégia. A AMD não apresenta a Taalas como substituta para Instinct, processadores EPYC ou software ROCm. Ela vê o silício especializado para inferência como outro mecanismo de computação dentro de uma plataforma mais ampla.

A Taalas foi fundada em 2023 e tem sede em Toronto. Seus fundadores incluem engenheiros com experiência na AMD, Nvidia e Tenstorrent. O cofundador Ljubisa Bajic trabalhou anteriormente em projetos de chips da AMD antes de ajudar a criar a Tenstorrent.

A startup surgiu publicamente com o HC1, um demonstrador tecnológico otimizado para o modelo Llama 3.1 8B da Meta. Um modelo 8B contém aproximadamente oito bilhões de parâmetros aprendidos, que determinam como ele processa e gera linguagem.

O HC1 não se comporta como uma placa de GPU convencional que pode carregar muitos modelos diferentes da memória. Ele codifica fisicamente os pesos e o fluxo de dados de um modelo específico em partes do chip.

A Taalas chama isso de silício especializado para modelos ou ideal para modelos. A abordagem usa uma malha de recuperação em ROM por máscara, na qual informações fixas são formadas pelas camadas de fabricação do chip. A SRAM programável continua disponível para dados variáveis, incluindo o cache de chave-valor usado durante a geração de texto.

O anúncio da AMD evita prometer produtos ou níveis de desempenho específicos. Ele afirma que a Taalas reduz gargalos de computação e memória associados a arquiteturas de uso geral. Também descreve a tecnologia como complementar a Helios, Instinct, EPYC e ROCm.

Essa redação cautelosa é importante. A AMD adquiriu uma direção técnica e uma equipe de engenharia, não uma substituição pronta para seu roteiro existente.

A mudança imediata é, portanto, arquitetural. A AMD agora pode explorar sistemas nos quais GPUs lidam com cargas de trabalho flexíveis, enquanto chips endurecidos atendem tarefas de inferência estáveis e repetitivas.

Essa divisão se assemelha à forma como os data centers já atribuem funções de rede, armazenamento e segurança a processadores dedicados. A Taalas aplica a mesma lógica ao próprio modelo.

Se a integração for bem-sucedida, um sistema AMD poderia usar GPUs Instinct flexíveis para mudanças de modelo, processamento de prompts ou trabalho menos previsível. O silício especializado poderia lidar com a geração repetida de tokens para modelos de produção selecionados.

Essa possibilidade transforma a aquisição em um desafio direto à economia da plataforma da Nvidia. A Nvidia se beneficia quando tanto o trabalho flexível quanto o repetitivo permanecem vinculados às suas GPUs. A AMD aposta que alguns dos ciclos de inferência mais valiosos podem migrar para outro lugar.

Por Que a Disputa entre AMD e Google Agora Inclui Silício Personalizado

A disputa entre AMD e Google está se ampliando, passando do desempenho dos aceleradores para o controle sobre como os clientes dividem cargas de trabalho de IA entre hardware especializado.

As TPUs do Google demonstram por que a especialização importa. Uma TPU é um processador personalizado projetado em torno de operações de aprendizado de máquina, em vez da herança gráfica mais ampla de uma GPU.

O Google ainda oferece suporte a muitos modelos em suas gerações de TPU. A Taalas faz uma escolha mais restrita ao otimizar o silício para uma configuração de modelo. A diferença é um espectro, não uma divisão simples entre chips personalizados e GPUs.

Os hyperscalers têm fortes razões para avançar nesse espectro. A inferência transforma um modelo treinado em uma resposta, imagem, previsão ou ação. Quando um serviço atinge alto volume, pequenos ganhos de eficiência se multiplicam em cada solicitação.

O treinamento continua tecnicamente exigente, mas ocorre periodicamente. A inferência continua sempre que os clientes usam o modelo resultante. Sistemas de voz, assistentes de programação, recursos de busca, serviços de tradução e agentes autônomos podem gerar demanda contínua.

Os resultados recentes da AMD ilustram a escala em torno dessa demanda. A empresa informou receita de US$ 11,5 bilhões no segundo trimestre de 2026, com seu segmento de data center contribuindo com US$ 6,7 bilhões. A receita de data center aumentou 107% em relação ao ano anterior.

Esses resultados trimestrais também mostram por que a AMD pode buscar várias arquiteturas simultaneamente. As implantações de Instinct estão se expandindo, enquanto o Helios começa sua rampa de produção.

A AMD também anunciou grandes implantações envolvendo Anthropic e Microsoft. Seu projeto Helios reúne GPUs, CPUs EPYC, redes e software em uma plataforma em escala de rack. Essa é a resposta da AMD aos sistemas cada vez mais integrados da Nvidia.

A Taalas acrescenta uma questão diferente. E se o melhor rack não for composto inteiramente por um único tipo de acelerador?

A AMD já avançou em direção à inferência heterogênea por meio de sua colaboração com a Cerebras. Esse arranjo combina sistemas Helios com processadores em escala de wafer da Cerebras, atribuindo diferentes fases de inferência ao hardware adequado a cada fase.

A Taalas estende esse princípio da particionamento de sistemas ao silício específico para modelos. A empresa poderia oferecer à AMD outro mecanismo para cargas de trabalho que justificam otimização extrema.

O Google enfrenta a mesma decisão subjacente. Pode continuar aprimorando plataformas de TPU amplamente capazes, encomendar projetos mais restritos ou usar ambos. Grandes operadores de nuvem têm demanda suficiente para sustentar hardware construído em torno de cargas de trabalho recorrentes.

No entanto, a Taalas também oferece à AMD uma forma de vender especialização além de uma única nuvem. Os chips personalizados do Google fortalecem principalmente o Google Cloud e seus serviços internos. A AMD pode potencialmente oferecer recursos relacionados a vários desenvolvedores de modelos e provedores de infraestrutura.

Isso faria da AMD uma fornecedora externa de sistemas de inferência personalizados. Clientes sem a organização de design de chips do Google poderiam obter acesso a hardware específico para modelos por meio da AMD.

A estratégia também se encaixa no histórico da AMD. Sua aquisição da Xilinx acrescentou matrizes de portas programáveis em campo, ou FPGAs, que os clientes podem reconfigurar após a fabricação. A Taalas está próxima da extremidade oposta do espectro de flexibilidade.

Uma FPGA aceita mudanças frequentes, mas traz sobrecarga de programabilidade. Um chip da Taalas elimina grande parte dessa flexibilidade para aumentar a densidade e reduzir o movimento de dados. A AMD agora pode avaliar vários pontos entre esses extremos.

Essa amplitude não garante adoção. Os clientes ainda precisam decidir quais modelos merecem hardware dedicado, por quanto tempo esses modelos continuarão úteis e como sistemas especializados se encaixam nas operações existentes.

A mudança importante é que a AMD não precisa mais responder a todos os problemas de inferência com outra GPU de uso geral. Isso cria pressão tanto sobre a plataforma de aceleradores da Nvidia quanto sobre a vantagem de silício personalizado do Google.

Integrar o Modelo ao Hardware Muda a Equação de Desempenho

A Taalas ganha velocidade ao eliminar o movimento repetido de memória, mas paga por essa eficiência com um chip vinculado a um único modelo.

Um acelerador convencional armazena os pesos do modelo em memória de alta largura de banda, comumente chamada de HBM. As unidades de computação recuperam repetidamente esses pesos enquanto processam solicitações.

As GPUs modernas usam interfaces de memória amplas, grandes caches e encapsulamento avançado para manter os dados em movimento. Esses sistemas permanecem flexíveis, mas esse movimento consome energia e acrescenta complexidade arquitetural.

A Taalas incorpora os pesos do modelo em sua malha de ROM por máscara. A computação ocorre perto dos valores armazenados, reduzindo a distância entre memória e aritmética.

A startup afirma que consegue armazenar um parâmetro de quatro bits e realizar sua multiplicação associada usando um transistor. Essa alegação não foi validada de forma independente em escala comercial, mas explica a vantagem de densidade pretendida pela arquitetura.

O HC1 é fabricado com o processo N6 da TSMC e ocupa 815 milímetros quadrados. Segundo a Taalas, o chip comporta o modelo Llama 3.1 8B completo e consome aproximadamente 250 watts.

Em testes de demonstração independentes, o HC1 produziu mais de 15.000 tokens por segundo para um usuário. A Taalas relatou resultados próximos de 17.000 tokens por segundo em algumas condições.

Um token é uma pequena unidade de texto processada por um modelo de linguagem. A velocidade de tokens influencia a rapidez com que um modelo consegue gerar uma resposta longa após receber uma solicitação.

O resultado é notável, mas requer contexto. O HC1 executa uma versão agressivamente quantizada do Llama 3.1 8B. A quantização representa valores do modelo com menos bits, reduzindo os requisitos de memória e computação, embora possa afetar a qualidade da saída.

O chip não pode mudar para outro modelo por meio de um download de software. Passar do Llama 3.1 para outra arquitetura exige a fabricação de uma versão modificada.

A Taalas argumenta que essa atualização é administrável porque altera apenas duas máscaras metálicas. O projeto-base subjacente permanece em grande parte fixo, enquanto as conexões modificadas codificam novos pesos e fluxo de dados.

A empresa afirma que seu processo automatizado pode converter um modelo em especificações de hardware de nível de transferência entre registradores com cerca de uma semana de esforço de engenharia. Ela mira um prazo de dois meses para chips personalizados.

Esses cronogramas continuam sendo alegações da empresa. Capacidade de fabricação, verificação, encapsulamento, qualificação do cliente e rendimentos de produção podem estender o ciclo prático de implantação.

A arquitetura se torna mais difícil à medida que os modelos crescem. O HC1 comporta um modelo 8B em um chip, mas um modelo muito maior exigiria diversos chips e comunicação adicional.

A Taalas simulou uma configuração com vários chips para o DeepSeek-R1, com 671 bilhões de parâmetros. A empresa estimou que seriam necessários aproximadamente 30 tape-outs personalizados, mesmo com maior densidade em um projeto futuro.

A simulação não é um produto implantado. Sistemas de grande porte introduzem atrasos de rede, preocupações de confiabilidade, orquestração de software e desafios de fabricação que uma demonstração em um único chip não revela.

Ainda assim, o resultado do HC1 prova algo mais específico e importante. Um modelo suficientemente estável pode ganhar velocidade substancial quando seus pesos e seu caminho de computação se tornam características físicas do processador.

Isso torna a Taalas atraente para cargas de trabalho em que a latência ou o volume de requisições importam mais do que a flexibilidade imediata do modelo. Entre os exemplos estão tradução ao vivo, processamento de fala, modelos fixos de visão computacional e componentes de agentes em alto volume.

Um agente de programação também pode usar um modelo menor e consolidado para classificação rotineira ou seleção de ferramentas. Um modelo maior hospedado em GPU poderia continuar responsável pelo raciocínio complexo.

Essa divisão permite especialização sem engessar todo um serviço de IA. Desenvolvedores podem tratar o modelo implementado em hardware como um componente rápido dentro de um fluxo de trabalho maior.

Para equipes que gerenciam muitas saídas de modelos, preservar os prompts, avaliações e decisões relacionados em uma base de conhecimento pesquisável pode ajudar a acompanhar por que uma determinada versão de modelo entrou em produção.

A aquisição, portanto, dá à AMD um mecanismo, não uma resposta universal. Ela pode posicionar mecanismos especializados ao lado de computação flexível e atribuir cada carga de trabalho ao hardware adequado.

A Plataforma da Nvidia É o Alvo Real

A AMD está contestando a premissa de que toda carga de trabalho de IA valiosa deve permanecer em uma GPU programável durante todo o seu ciclo de vida.

A vantagem da Nvidia vai além do desempenho bruto dos chips. O software CUDA, as redes, as ferramentas para desenvolvedores e os sistemas integrados em rack tornam seu hardware mais fácil de implantar em cargas de trabalho em constante mudança.

Essa flexibilidade tem enorme valor durante o desenvolvimento de modelos. Pesquisadores alteram arquiteturas, formatos de precisão, tratamento de contexto e técnicas de serving com frequência excessiva para silício fixo.

As GPUs também permitem que operadores de infraestrutura redirecionem capacidade. Um cluster que atende um modelo hoje pode hospedar outro amanhã sem substituir seus processadores.

A Taalas desafia essa vantagem apenas depois que uma carga de trabalho se estabiliza. Se um modelo gera requisições suficientes por tempo suficiente, a flexibilidade começa a parecer sobrecarga.

Este é o mapa central de adversários na aquisição: infraestrutura de GPU de propósito geral contra silício de inferência específico para modelos. O ângulo AMD-Google fornece contexto, mas a plataforma da Nvidia continua sendo o alvo principal.

A Nvidia pode reagir sem copiar a Taalas diretamente. Pode melhorar largura de banda de memória, suporte a menor precisão, eficiência energética, agendamento por software e utilização do sistema.

Também pode combinar GPUs com componentes mais especializados. O portfólio de redes e o controle de sistemas da Nvidia lhe dão muitas formas de reduzir gargalos de inferência sem implementar modelos inteiros em hardware.

Outras empresas de aceleradores ocupam posições intermediárias. A Cerebras posiciona grandes recursos de computação e memória em um processador em escala de wafer. A Groq enfatiza execução previsível por meio de sua arquitetura de processamento de linguagem.

SambaNova e D-Matrix mantêm mais programabilidade ao mesmo tempo que otimizam memória e computação para inferência. A Etched tem buscado hardware projetado especificamente para modelos transformer, em vez de um conjunto fixo de pesos.

A Taalas representa a especialização mais extrema entre essas abordagens. Sua vantagem deve aumentar quando o volume de requisições é alto e o modelo-alvo permanece inalterado.

Sua fraqueza aparece quando os clientes precisam de atualizações frequentes. Um serviço que adota um novo modelo a cada poucos meses pode acumular estoque de chips de curta duração e complexidade operacional.

O analista Karl Freund identificou essa carga de gestão em sua avaliação do HC1. Várias versões de modelos poderiam criar muitas configurações de hardware para as equipes de data center manterem.

Esse problema é maior do que espaço em rack. Operadores precisam de peças sobressalentes, monitoramento, agendamento, atualizações de segurança, testes de compatibilidade e ciclos de suporte previsíveis para cada configuração.

A AMD pode reduzir essa carga integrando a tecnologia da Taalas a uma arquitetura de sistema padrão. Ferramentas comuns de rede, gestão e implantação poderiam fazer chips especializados se comportarem como componentes gerenciados, e não como appliances isolados.

A integração com ROCm também seria importante. Clientes resistirão a um processador rápido se usá-lo exigir um ambiente separado de desenvolvimento e operações.

A aquisição dá à AMD controle sobre essas escolhas de integração. Ela pode conectar o hardware da Taalas às GPUs Instinct em vez de esperar que dois fornecedores independentes alinhem seus roteiros.

A AMD também precisa decidir onde a tecnologia se encaixa comercialmente. Uma placa independente específica para modelos, um chiplet dentro de outro pacote ou um mecanismo dedicado dentro do Helios criariam caminhos de adoção diferentes.

A empresa não anunciou qual design seguirá. Apenas afirmou que a tecnologia da Taalas entrará em seu roteiro de aceleradores e dará suporte a soluções em nível de sistema.

Essa contenção é adequada. O desempenho do HC1 não estabelece que a AMD consiga fabricar chips específicos para modelos de forma econômica para muitos clientes.

Também não mostra se a demanda se concentrará em torno de modelos estáveis. Modelos abertos podem ganhar popularidade rapidamente, mas usuários em produção frequentemente os ajustam ou substituem à medida que as capacidades melhoram.

A flexibilidade da Nvidia continua sendo a opção padrão mais segura em meio à incerteza. A aquisição da AMD se torna ameaçadora quando os clientes conseguem identificar cargas de trabalho suficientemente previsíveis para justificar outra classe de silício.

A Aposta no Hardware Integrado Tem um Problema de Obsolescência de Modelos

A Taalas só funciona quando a vida útil de um modelo supera o tempo e o esforço necessários para transformá-lo em hardware de produção confiável.

O desenvolvimento de modelos de IA ainda avança mais rápido do que o desenvolvimento convencional de semicondutores. Um modelo selecionado quando um projeto de chip começa pode perder relevância antes da chegada de implantações em larga escala.

A Taalas enfrenta esse risco alterando duas camadas de metal em vez de redesenhar todas as camadas. Essa abordagem é mais rápida do que criar um circuito integrado de aplicação específica totalmente personalizado, ou ASIC.

Ainda assim, dois meses não é instantâneo. Os clientes precisam congelar os pesos, escolher um formato de quantização, validar a qualidade da saída e prever a demanda antes de assumir o compromisso.

Uma política de segurança atualizada ou um comportamento ajustado também pode mudar os pesos. A Taalas mantém SRAM programável para algumas adaptações, mas não oferece flexibilidade ilimitada após a fabricação.

A qualidade é outra preocupação. As comparações de velocidade do HC1 dependem de um modelo Llama agressivamente quantizado. Uma avaliação justa deve comparar qualidade da saída, comprimento de contexto, tamanho de lote, latência e confiabilidade, além de tokens por segundo.

A taxa de processamento também pode enganar. Um chip que gera texto mais rápido do que os usuários conseguem ler pode oferecer valor limitado para um chatbot comum. A vantagem importa mais quando máquinas consomem a saída ou quando muitas tarefas são executadas simultaneamente.

Sistemas de agentes representam um mercado plausível. Agentes de software podem gerar código, chamar ferramentas, analisar documentos e coordenar subtarefas mais rápido do que um ser humano lê cada token intermediário.

No entanto, os agentes também se beneficiam de modelos de raciocínio mais recentes. Consolidar um modelo mais antigo em hardware pode reduzir os custos de serving enquanto diminui as taxas de conclusão de tarefas, anulando a economia de infraestrutura.

Atualizações de segurança criam outra incerteza. Um modelo fixo pode revelar comportamentos inseguros ou vulnerabilidades após a fabricação. Os clientes precisam de uma forma crível de mitigar esses problemas sem descartar o hardware já implantado.

As escolhas de integração da AMD podem amenizar essas fraquezas. Uma GPU poderia lidar com políticas atualizadas, roteamento ou requisições de contingência, enquanto o silício especializado processa as partes estáveis da carga de trabalho.

Esse design híbrido preservaria parte da flexibilidade, mas também reduziria a pureza do argumento de eficiência da Taalas. Transferências de dados e coordenação entre mecanismos podem reintroduzir sobrecarga.

A escala é a questão não resolvida mais difícil. O HC1 oferece evidências convincentes para um modelo de 8B. Sistemas em escala de fronteira distribuem computação e memória entre muitos processadores, criando restrições de engenharia diferentes.

A Taalas publicou simulações para configurações maiores, não benchmarks de produção. A AMD não deveria tratar o desempenho simulado como prova de que o design escala de forma limpa.

A economia de fabricação também exige volume. Mesmo um processo com menos máscaras requer capacidade de wafer, encapsulamento, testes e planejamento de estoque. Implantações pequenas podem não justificar esses custos fixos.

O preço da aquisição permanece não divulgado, o que impede investidores de avaliar a exposição financeira imediata da AMD. O custo mais importante virá por meio da integração e do desenvolvimento de produtos futuros.

A Taalas havia levantado aproximadamente US$ 219 milhões antes do acordo, segundo sua divulgação de financiamento. Esse financiamento custeou a demonstração do HC1 e um roteiro que se estende a modelos maiores.

A AMD agora precisa transformar essa pesquisa em produtos repetíveis. O sucesso exige mais do que preservar a equipe da startup. Exige compromissos de clientes, execução de fabricação e software que esconda a complexidade operacional.

É por isso que o anúncio da AMD enfatiza um portfólio. A empresa não está escolhendo silício fixo em vez de GPUs. Está comprando a capacidade de determinar quando cada abordagem faz sentido econômico.

A conclusão cética é direta. A Taalas demonstrou velocidade incomum, mas ainda não um mercado duradouro para chips vinculados a modelos individuais.

O Que a Rivalidade entre AMD e Google Precisa Provar em Seguida

As próximas evidências devem vir de um produto AMD identificado, de um modelo maior testado de forma independente e de um cliente disposto a comprometer tráfego de produção.

O primeiro sinal é o roteiro de integração da AMD. Investidores e compradores de infraestrutura devem observar um produto específico que use tecnologia da Taalas ao lado de GPUs Instinct.

Um produto identificado fortaleceria a tese da aquisição se a AMD explicar o roteamento de cargas de trabalho, o suporte de software e o cronograma de implantação. Referências vagas a futuros aceleradores deixariam a estratégia sem teste.

A localização da tecnologia também importa. Uma placa discreta permitiria experimentação mais rápida, enquanto um chiplet poderia oferecer integração mais estreita e melhor movimentação de dados.

Um componente Helios sinalizaria que a AMD quer inferência específica para modelos dentro de grandes fábricas de IA. Um produto embarcado sugeriria que cargas de trabalho estáveis na borda oferecem a oportunidade comercial mais imediata.

O segundo sinal é o teste independente de desempenho além do Llama 3.1 8B. Avaliadores precisam comparar qualidade da saída, latência, consumo de energia, taxa de processamento e utilização do sistema em condições equivalentes.

Um modelo de raciocínio maior forneceria um teste técnico mais forte. Ele revelaria se a Taalas consegue preservar sua eficiência enquanto coordena múltiplos chips e suporta um comportamento de memória mais exigente.

Resultados próximos às simulações da startup fortaleceriam o argumento da AMD contra a Nvidia. Grandes diferenças entre simulação e produção confinariam a tecnologia a cargas de trabalho menores e estáveis.

O terceiro sinal é um cliente comprometido. A evidência ideal seria um desenvolvedor de modelos ou provedor de nuvem encomendando hardware para um serviço de produção com tráfego sustentado.

Um compromisso de cliente validaria a premissa mais importante: um modelo pode permanecer valioso por tempo suficiente para justificar silício dedicado. Uma demonstração limitada não responderia a essa questão.

A rivalidade entre AMD e Google dá uma importância mais ampla a essa decisão do cliente. O Google já controla hardware personalizado, infraestrutura de nuvem e modelos importantes. A Nvidia controla a principal plataforma externa de aceleradores.

A AMD está tentando ocupar uma posição diferente. Quer fornecer CPUs, GPUs, redes, sistemas de rack, software e, agora, tecnologia de inferência específica para modelos a clientes que buscam alternativas.

A Taalas fortalece esse portfólio apenas se sua especialização puder ser usada por meio de sistemas AMD familiares. Os clientes não deveriam precisar se tornar fabricantes de semicondutores para se beneficiarem disso.

Para os desenvolvedores, a questão prática é em que ponto a latência e o volume justificam congelar um modelo. Tradução estável, fala, visão, recuperação de informações e sub-rotinas de agentes oferecem pontos de partida mais críveis do que assistentes de ponta em constante mudança.

Para compradores corporativos, a decisão deve seguir o comportamento mensurado das cargas de trabalho. As equipes precisam de evidências de que o volume de solicitações, a estabilidade do modelo e os requisitos de qualidade permaneçam previsíveis durante todo o ciclo de vida do hardware.

A AMD adquiriu uma resposta para um problema que a plataforma de uso geral da Nvidia lida por meio da flexibilidade. Agora, precisa provar que a especialização cria valor suficiente para compensar a dependência de um modelo.

Acompanhe o primeiro produto integrado, o primeiro modelo maior testado de forma independente e o primeiro cliente em produção. Juntos, esses sinais mostrarão se o desafio da AMD ao Google ganhou uma nova arquitetura genuína ou apenas um resultado de laboratório impressionante.