Laços entre AMD e Google colocam parceria de IA da Meta à prova da Nvidia

A AMD transformou uma apresentação de parceiros de 2024 em uma campanha de infraestrutura para 2026, apesar do domínio persistente da Nvidia sobre o software usado para criar modelos de IA. A relação entre AMD e Google fornece credibilidade na nuvem, enquanto a Meta está comprometendo cargas de trabalho, contribuição de engenharia e até seis gigawatts de capacidade planejada de GPUs.

Essa combinação importa mais do que outra vitória em benchmarks. A AMD está pedindo que grandes desenvolvedores de modelos e provedores de nuvem ajudem a otimizar toda a pilha de computação, do silício e redes aos frameworks e ao código dos modelos. A estratégia desafia a Nvidia justamente onde sua vantagem historicamente foi mais forte: uma plataforma integrada que os desenvolvedores já conhecem.

O anúncio original reuniu Meta, Google Cloud, Microsoft, Oracle e vários desenvolvedores de IA em torno do hardware da AMD e do software ROCm. As parcerias não eliminaram imediatamente os custos de migração nem estabeleceram ampla paridade de desempenho. No entanto, compromissos posteriores da Meta e de outros desenvolvedores de modelos mostram que o esforço avançou além de um lançamento de produto de um único dia.

O que a AMD e seus parceiros realmente mudaram

O movimento importante da AMD foi abrir seu roteiro de produtos para clientes cujas cargas de trabalho podem moldar o hardware e o software.

Em seu evento Advancing AI de outubro de 2024, a AMD apresentou o acelerador Instinct MI325X, processadores para servidores EPYC de quinta geração, novos componentes de rede e chips empresariais Ryzen AI. A empresa também descreveu o trabalho contínuo no ROCm, sua plataforma de software de código aberto para programar GPUs da AMD.

As divulgações dos parceiros deram contexto prático ao anúncio de hardware. Segundo o lançamento de produtos de IA da AMD, a Meta atendia todo o tráfego ao vivo de seu modelo Llama 3.1 405B em aceleradores MI300X. A AMD também afirmou que mais de um milhão de modelos poderiam ser executados em sua plataforma sem trabalho separado de portabilidade.

O papel da Meta foi além da compra de chips. As empresas estavam otimizando o desempenho em silício, sistemas completos, redes, software e aplicações. Esse escopo importa porque um processador rápido não consegue salvar um cluster limitado pela movimentação de memória, congestionamento de interconexão ou kernels de software imaturos.

O Google desempenhou um papel diferente. Destacou processadores AMD EPYC dentro da infraestrutura do Google Cloud, incluindo cargas de trabalho ligadas à sua arquitetura AI Hypercomputer. O Google também planejava máquinas virtuais em nuvem baseadas nos processadores EPYC 9005 mais recentes da AMD.

Isso não significava que o Google tivesse substituído suas próprias unidades de processamento tensorial, ou TPUs, por GPUs da AMD. O Google projeta TPUs para determinadas cargas de trabalho internas e de IA na nuvem. Também opera uma plataforma de nuvem diversificada, na qual os clientes esperam várias arquiteturas de processadores.

A relação entre AMD e Google, portanto, representa escolha de infraestrutura, não uma aliança exclusiva. O Google pode oferecer computação baseada em AMD enquanto continua desenvolvendo TPUs, processadores Axion baseados em Arm e serviços construídos em torno de aceleradores Nvidia.

Microsoft e Oracle acrescentaram mais evidências de demanda dos clientes. A Microsoft descreveu o uso do MI300X com Azure e cargas de trabalho GPT, enquanto a Oracle discutiu CPUs, GPUs e produtos de rede da AMD dentro de sua plataforma de nuvem.

A Databricks forneceu uma das alegações de desempenho mais específicas. Seus testes teriam mostrado uma melhoria de mais de 50% em modelos Llama e proprietários ao usar hardware MI300X. Esse número veio de um teste de parceiro destacado pela AMD, portanto não deve ser tratado como um resultado universal.

A mudança central foi mais ampla do que uma coleção de endossos. A AMD estava criando ciclos de feedback com empresas que operam grandes modelos em produção. Essas empresas poderiam identificar gargalos, influenciar o projeto de produtos e contribuir com otimizações que usuários posteriores herdariam.

Desde então, essa abordagem se tornou mais concreta. A AMD disse em 2025 que sete das dez maiores desenvolvedoras de modelos e empresas de IA executavam cargas de trabalho de produção em aceleradores Instinct. A Meta relatou uma implantação mais ampla do MI300X para inferência do Llama 3 e do Llama 4.

As parcerias agora abrangem gerações sucessivas de hardware. Essa continuidade diferencia uma implantação estratégica de um experimento temporário realizado quando a oferta de aceleradores era escassa.

Por que a infraestrutura entre AMD e Google importa agora

A conexão entre AMD e Google importa porque uma concorrência crível exige distribuição, acesso para desenvolvedores e operações de nuvem repetíveis, e não apenas chips mais rápidos.

O Google Cloud continuou expandindo seu portfólio de CPUs AMD desde o evento de 2024. Suas máquinas virtuais C4D combinam processadores EPYC de quinta geração com a infraestrutura Titanium do Google, que descarrega tarefas selecionadas de rede, armazenamento e gerenciamento da CPU host.

O Google relatou até 80% mais throughput de atendimento web e desempenho de computação geral 30% melhor do que a geração anterior baseada em AMD. Seus resultados de desempenho do C4D também citaram até 35% menos latência de armazenamento local.

Essas não são medições diretas do treinamento de IA generativa. No entanto, sistemas de IA dependem de mais do que aceleradores. Preparação de dados, serviços de recuperação, bancos de dados, agendamento e servidores de aplicações também consomem capacidade convencional de CPU.

Uma aplicação de IA pode gerar respostas em uma GPU enquanto usa CPUs para autenticar usuários, recuperar documentos, filtrar resultados e encaminhar solicitações. Melhorar essas tarefas ao redor pode elevar o throughput do sistema mesmo que o próprio modelo permaneça inalterado.

A parceria entre AMD e Google também amplia os locais em que equipes de engenharia podem encontrar hardware da AMD. A familiaridade importa porque empresas hesitam em introduzir uma segunda plataforma de aceleradores quando os desenvolvedores não têm acesso para testes e otimização.

A disponibilidade na nuvem reduz essa barreira. Uma equipe pode traçar o perfil de uma carga de trabalho, verificar o suporte a bibliotecas e comparar o comportamento operacional antes de assumir um compromisso maior de infraestrutura. Também pode manter cargas de trabalho de CPU em uma nuvem conhecida enquanto avalia outro ambiente de aceleradores em outro lugar.

A oportunidade da AMD cresceu à medida que a inferência passa a consumir uma parcela maior da computação de IA. Inferência é o processo de executar um modelo treinado para produzir uma resposta, classificação, imagem ou outra saída. Diferentemente de uma execução limitada de treinamento, as despesas de inferência se repetem a cada interação do usuário.

Esse custo recorrente dá aos operadores de modelos um motivo para otimizar o hardware para cargas de trabalho específicas. Um acelerador de uso geral oferece flexibilidade, mas pode incluir recursos de memória ou computação dos quais uma tarefa de produção estritamente definida não precisa.

Os sistemas de recomendação da Meta ilustram esse ponto. Eles operam em escala imensa e usam padrões de carga de trabalho relativamente estáveis. Um processador adaptado a esses padrões pode priorizar custo, consumo de energia ou latência em vez das amplas capacidades exigidas pela pesquisa de modelos de fronteira.

O Google enfrenta a mesma lógica econômica, embora trate o problema em parte por meio de suas próprias TPUs. Sua disposição para implantar CPUs da AMD mostra que hyperscalers não precisam de uma única arquitetura de processadores em todas as camadas.

A relação entre AMD e Google é, consequentemente, uma parte de uma mudança mais ampla rumo à computação heterogênea. Nesses sistemas, os operadores atribuem cada carga de trabalho ao processador, acelerador ou chip personalizado que melhor se adapta a ela.

Essa mudança pressiona a Nvidia sem exigir que os clientes abandonem a Nvidia. Um provedor de nuvem pode continuar oferecendo sistemas Nvidia enquanto adiciona hardware AMD ou projetado internamente para tarefas selecionadas. Mesmo uma diversificação parcial pode aumentar o poder de negociação e reduzir a dependência de um único roteiro.

Para desenvolvedores, a questão prática é se as cargas de trabalho continuam portáveis. Um modelo que apresenta bom desempenho apenas após ampla reescrita específica para um fornecedor cria custos de troca que podem superar um benchmark de hardware favorável.

O ROCm é a resposta da AMD a esse problema. Seu valor depende da compatibilidade com frameworks, documentação, ferramentas de depuração, bibliotecas otimizadas e suporte rápido a modelos recém-lançados. A disponibilidade de hardware significa pouco quando uma equipe de produção não consegue reproduzir o comportamento de seu software existente.

Meta transforma discurso de parceria em um teste de seis gigawatts

A Meta transformou o argumento de ecossistema da AMD em um teste de implantação com marcos mensuráveis e risco material de execução.

Em fevereiro de 2026, AMD e Meta anunciaram um acordo plurianual que abrange até seis gigawatts de implantações de GPUs AMD Instinct. Gigawatts descrevem capacidade elétrica, não um número fixo de aceleradores, porque a configuração do sistema e os requisitos de energia podem variar.

O primeiro gigawatt está programado para começar a ser enviado durante a segunda metade de 2026. Ele usará um acelerador personalizado baseado na arquitetura MI450, processadores EPYC de sexta geração, software ROCm e o projeto Helios da AMD em escala de rack.

Um sistema em escala de rack trata um rack inteiro de servidores como uma unidade integrada de computação. Aceleradores, CPUs, memória, redes, refrigeração e software precisam trabalhar juntos para entregar desempenho útil de modelos.

A AMD afirmou que o Helios foi desenvolvido em conjunto com a Meta por meio do Open Compute Project. A especificação Open Rack Wide da Meta influenciou o projeto físico, dando à AMD um caminho para infraestrutura organizada em torno dos requisitos operacionais da Meta.

O acordo de implantação da Meta também alinha os roteiros de silício, sistemas e software das empresas. Essa formulação sinaliza uma coordenação mais profunda do que comprar placas aceleradoras padrão após o início da produção.

A Meta atuará como cliente líder para os processadores de servidor Venice e Verano da AMD. Espera-se que o Verano inclua mudanças específicas para cargas de trabalho, projetadas em torno de desempenho, consumo de energia e custo operacional.

O acordo contém uma garantia baseada em desempenho que abrange até 160 milhões de ações da AMD. A aquisição depende de volumes de envio, limites para as ações da AMD e condições técnicas e comerciais. O registro da AMD do primeiro trimestre informou que nenhuma dessas ações havia sido adquirida até 28 de março de 2026.

Essas condições importam porque a capacidade anunciada não é o mesmo que uma implantação concluída. A AMD precisa fabricar os produtos, montar sistemas, dar suporte ao software e atender aos requisitos da Meta. Em seguida, a Meta precisa instalar a capacidade e direcionar cargas de trabalho significativas para ela.

O acordo também demonstra por que a AMD precisa da participação de desenvolvedores de modelos. A Meta conhece as características no nível do operador da inferência do Llama, sistemas de publicidade, modelos de classificação e seu assistente de IA em expansão. Esse conhecimento sobre as cargas de trabalho pode influenciar capacidade de memória, projeto de interconexão e prioridades de software.

A AMD ganha um cliente de referência exigente. A Meta ganha um fornecedor alternativo e uma plataforma personalizada para tarefas selecionadas. Ambas as partes ganham poder de negociação em um mercado de aceleradores ainda moldado pela Nvidia.

O arranjo não implica uma migração completa da Meta. A Meta também assumiu compromissos substanciais com a Nvidia e continua desenvolvendo seu próprio Meta Training and Inference Accelerator, ou MTIA.

Essa combinação é racional. Treinamento de fronteira, inferência de recomendação e serviços gerais de IA não impõem requisitos idênticos. A Meta pode usar a Nvidia para algumas cargas de trabalho, produtos AMD personalizados para outras e o MTIA onde o silício interno oferecer a economia adequada.

A principal concorrência, portanto, não é AMD versus Nvidia em todos os trabalhos de IA. É um padrão integrado da Nvidia versus uma estratégia de computação multiforncedor montada em torno de cargas de trabalho específicas.

O plano de seis gigawatts testará se essa alternativa continua viável em escala de produção. Operar duas plataformas de aceleradores aumenta os requisitos de qualificação, observabilidade, equipe e manutenção de software.

A Meta pode absorver mais dessa complexidade do que uma empresa típica. Se suas otimizações retornarem ao ROCm e aos frameworks comuns, usuários menores poderão se beneficiar. Se permanecerem altamente personalizadas, o acordo dirá menos sobre a acessibilidade mais ampla da AMD.

O Mecanismo É o Co-Design de Hardware e Software

A AMD pode reduzir a diferença de desempenho quando clientes ajudam a otimizar modelos e sistemas em conjunto, mas o co-design precisa produzir software reutilizável para transformar o mercado.

O desempenho de um modelo não resulta apenas das especificações nominais do chip. Operadores precisam coordenar a arquitetura do modelo, a precisão numérica, o posicionamento da memória, as bibliotecas de comunicação, o comportamento do compilador e o agendamento.

A precisão numérica determina quantos bits representam os pesos do modelo e os valores intermediários. Uma precisão menor pode reduzir o uso de memória e aumentar a taxa de processamento, desde que o modelo mantenha uma qualidade de saída aceitável.

O posicionamento da memória é igualmente importante. Modelos grandes movem constantemente pesos e dados temporários entre memória de alta largura de banda, aceleradores e conexões de rede. Um processador pode ficar ocioso quando essas transferências não conseguem manter suas unidades de computação ocupadas.

Kernels de software executam operações individuais, como multiplicação de matrizes, atenção e conversão de dados. Fornecedores ajustam esses kernels para hardware e formatos de modelo específicos. Pequenas melhorias podem se acumular ao longo de bilhões de operações repetidas.

A Nvidia consolidou sua vantagem ao combinar hardware com CUDA, bibliotecas otimizadas, ferramentas para desenvolvedores e suporte de longa data a frameworks. As organizações acumularam código CUDA, conhecimento especializado e práticas de solução de problemas ao longo de muitos anos.

O ROCm adota um modelo de código aberto e oferece suporte a frameworks amplamente usados, como PyTorch. A abertura pode ajudar desenvolvedores a inspecionar código, contribuir com alterações e evitar a dependência de uma única camada proprietária de programação.

Código aberto não produz automaticamente maturidade operacional. As equipes ainda precisam de versões estáveis, instalação previsível, cobertura completa de recursos, diagnósticos claros e desempenho em diversas cargas de trabalho.

As parcerias da AMD com criadores de modelos visam diretamente essas lacunas. A Meta contribui com experiência em PyTorch, Triton e inferência em larga escala. Microsoft e Oracle contribuem com conhecimento de implantação em nuvem. Desenvolvedores independentes podem otimizar motores como vLLM e SGLang.

A atualização de plataforma da AMD em 2025 relatou melhorias no ROCm 7, compatibilidade mais ampla e novas ferramentas de desenvolvimento. A empresa também afirmou que sua geração MI350 proporcionou grandes ganhos em relação ao MI300X, embora comparações de fornecedores dependam fortemente do modelo, do tamanho do lote, da precisão e da configuração do sistema.

A participação em benchmarks independentes oferece um caminho melhor para o escrutínio. O MLPerf publica resultados enviados sob cargas de trabalho e regras definidas, ajudando compradores a comparar sistemas sem depender apenas de apresentações de lançamento.

O banco de resultados do MLPerf inclui envios do AMD Instinct ao lado de sistemas que usam aceleradores da Nvidia e de outros fornecedores. Os resultados ainda exigem leitura cuidadosa, pois as contagens de hardware, as versões de software, as restrições de latência e as divisões do benchmark podem diferir.

Um resultado vencedor em uma categoria não estabelece liderança universal. Ele mostra, porém, se os fornecedores conseguem apresentar sistemas funcionais sob regras comuns e divulgar detalhes de configuração suficientes para uma comparação informada.

O Google adiciona outra dimensão a esse mecanismo. Sua nuvem usa processadores AMD EPYC enquanto o Google desenvolve TPUs e seu próprio software de suporte. Essa coexistência demonstra que empresas de infraestrutura podem otimizar em múltiplas camadas sem escolher um único fornecedor para tudo.

A relação entre AMD e Google não resolve diretamente a adoção do ROCm. Ela normaliza a diversidade arquitetural dentro de uma grande nuvem e cria oportunidades para a tecnologia AMD em cargas de trabalho adjacentes à IA.

A Meta oferece o ponto de prova mais forte para aceleradores. Ao atender tráfego do Llama no MI300X e projetar em conjunto sistemas baseados no MI450, ela fornece à AMD feedback real de produção que um benchmark sintético não consegue oferecer.

A questão decisiva é se a AMD consegue converter essas lições específicas de clientes em capacidades padrão. O suporte a modelos no dia do lançamento, ou seja, suporte utilizável quando um modelo é lançado, será um indicador.

A qualidade da documentação será outro. Desenvolvedores avaliam plataformas durante instalações malsucedidas, erros de memória, operadores sem suporte e regressões de desempenho. Uma plataforma precisa tornar essas falhas compreensíveis e corrigíveis.

O co-design funciona quando encurta o caminho entre um novo modelo e um serviço de produção confiável. Ele fica aquém quando cada implantação exige uma equipe exclusiva do fornecedor de chips para reconstruir a pilha de software.

O Que a Narrativa de Parcerias da AMD Não Prova

Compromissos de grandes clientes validam a demanda, mas ainda não comprovam ampla paridade de software, entrega em escala ou economia superior.

Os anúncios da AMD contêm várias camadas de desempenho relatado pela própria empresa. Alegações sobre taxa de processamento, eficiência energética e ganhos geracionais frequentemente dependem de configurações selecionadas. Compradores devem comparar seus próprios modelos sob os requisitos de latência e qualidade que lhes importam.

O desempenho de inferência é particularmente sensível ao tamanho do lote. Um sistema pode reportar alta taxa total de processamento ao processar muitas solicitações juntas, mas ainda assim oferecer atraso inaceitável para um assistente interativo.

O tamanho do modelo também altera o resultado. Contextos longos consomem mais memória e aumentam o trabalho de atenção. Uma plataforma adequada para recomendações curtas pode se comportar de forma diferente ao processar documentos longos ou sessões estendidas de agentes.

A utilização do sistema também afeta a economia. Um acelerador que parece eficiente em carga total pode se tornar caro quando a demanda é irregular. Operadores precisam considerar capacidade ociosa, rede, fornecimento de energia, refrigeração e trabalho de engenharia.

O plano de seis gigawatts da Meta introduz risco de fabricação. A AMD depende de fundições e fornecedores externos para chips avançados, encapsulamento, memória e outros componentes. Um gargalo em qualquer camada pode atrasar a entrega de sistemas completos.

O Helios acrescenta risco de integração porque produtos em escala de rack exigem coordenação entre CPUs, GPUs, placas de interface de rede, switches, software e refrigeração. Validar componentes individuais não garante uma operação estável do cluster.

O relatório anual de 2025 da AMD afirmou que os envios de produção do MI400 e do Helios permaneciam no caminho certo para o segundo semestre de 2026. Trata-se de uma declaração importante de cronograma, não da confirmação de que o primeiro gigawatt planejado está operacional.

O acelerador personalizado da Meta cria outra incerteza. A personalização pode melhorar a eficiência para uma carga de trabalho conhecida ao eliminar capacidade desnecessária ou alterar o equilíbrio entre computação, memória e rede.

A mesma especialização pode limitar a flexibilidade. Se a Meta mudar seus modelos ou sua arquitetura de atendimento, um acelerador ajustado de forma estreita poderá oferecer menos opções do que um sistema geral. O equilíbrio final dependerá de especificações não divulgadas e do comportamento real das cargas de trabalho.

A Nvidia também continua melhorando seu hardware, rede, software de inferência e sistemas em escala de rack. A AMD compete contra uma plataforma em movimento, não contra os produtos disponíveis quando o MI300X foi lançado.

A estratégia do Google acrescenta pressão por outra direção. Os TPUs oferecem ao Google uma alternativa verticalmente integrada para o Gemini e para clientes selecionados da nuvem. A Amazon também desenvolve aceleradores Trainium e Inferentia, enquanto a Microsoft introduziu silício interno para IA.

Essas plataformas personalizadas significam que a AMD disputa a parcela da computação de IA que os hyperscalers preferem obter externamente. Seu mercado acessível pode crescer rapidamente e, ainda assim, enfrentar concorrência mais acirrada por cada carga de trabalho.

A palavra-chave AMD Google também pode levar a uma conclusão imprecisa. O uso de processadores EPYC pelo Google não comprova adoção em larga escala das GPUs Instinct para o Gemini. A relação verificada se concentra em CPUs para nuvem e cooperação mais ampla em infraestrutura.

Da mesma forma, a adoção pela Meta não demonstra que uma empresa comum pode migrar de CUDA para ROCm sem atritos. A Meta dispõe de recursos de engenharia, controle sobre seus modelos e acesso direto ao roadmap da AMD.

A interpretação mais forte é mais restrita. A AMD conquistou confiança suficiente para que grandes clientes coloquem cargas de trabalho de produção e capacidade futura em sua tecnologia. Agora ela precisa transformar colaboração sob medida em uma plataforma que outros desenvolvedores possam usar de forma confiável.

Essa distinção deve orientar as avaliações empresariais. Compradores precisam de testes no nível da carga de trabalho, custos operacionais totais, compromissos de suporte de software e um plano de migração crível. Eles não devem tratar o logotipo de um parceiro como substituto da validação técnica.

Três Sinais Decidirão se a AMD Pode Pressionar a Nvidia

Envios, desempenho portátil de modelos e implantações repetíveis por terceiros determinarão se a coalizão da AMD altera o equilíbrio competitivo.

O primeiro sinal é a implantação inicial da Meta baseada no MI450. A AMD programou os envios que dão suporte ao primeiro gigawatt para o segundo semestre de 2026. Evidências de capacidade instalada, cargas de trabalho de produção e conclusão de marcos fortaleceriam o argumento de que o co-design pode atingir escala física.

Um atraso teria importância para mais de um cliente. O Helios é a plataforma que a AMD espera que sustente suas ambições em escala de rack, portanto problemas podem afetar implantações posteriores e a confiança em toda a sua rede de parceiros.

O segundo sinal é o suporte a modelos fora de projetos privados de clientes. Desenvolvedores devem observar com que rapidez o ROCm oferece suporte a novos modelos abertos relacionados a Llama, Claude e Gemini, além de outros lançamentos amplamente adotados.

Suporte útil significa mais do que iniciar um contêiner. As equipes precisam de latência competitiva, qualidade de saída previsível, comportamento estável com múltiplas GPUs e bibliotecas mantidas. Envios de benchmarks públicos devem esclarecer as configurações de hardware e software por trás de cada resultado.

A AMD expandiu essa estratégia em julho de 2026 por meio de um acordo para que a Anthropic implante até dois gigawatts de GPUs da série MI450. As empresas também planejam usar o Claude em trabalhos voltados a melhorar as cargas de trabalho da AMD e o desenvolvimento do ROCm.

Esse acordo oferece um novo teste. Se as otimizações produzidas com Meta, Anthropic e desenvolvedores de código aberto convergirem em software público, a plataforma da AMD se tornará mais fácil de adotar. Se cada cliente exigir uma ramificação separada, a escala continuará cara.

O terceiro sinal é o uso repetível por organizações sem equipes de engenharia no nível dos hyperscalers. Oracle, provedores de nuvem, fabricantes de sistemas e empresas de software podem revelar se Helios e ROCm funcionam como produtos, e não como projetos de integração personalizados.

As evidências mais convincentes incluirão tráfego de produção sustentado, detalhes operacionais publicados e medições independentes. Anúncios adicionais de capacidade, por si só, revelarão demanda, mas não facilidade de uso.

A linha crescente de CPUs AMD do Google Cloud continua relevante aqui. A relação entre AMD e Google oferece aos clientes acesso maduro a sistemas baseados em EPYC e demonstra confiança contínua no roadmap de servidores da AMD. Ela também lembra que a infraestrutura de nuvem é cada vez mais multiforncedor por design.

Para desenvolvedores e compradores empresariais, a ação imediata é testar cargas de trabalho representativas em vez de debater alegações de fornecedores em abstrato. Use o mesmo modelo, tipos de dados, tamanhos de contexto, metas de latência e condições de falha em todas as plataformas.

As equipes também devem preservar as evidências por trás de cada decisão. Uma base de conhecimento de engenharia pesquisável pode conectar resultados de benchmarks, notas de implantação, alterações de modelos e documentação de fornecedores à medida que as plataformas evoluem.

A história de AMD, Google e Meta resume-se, em última análise, a saber se os desenvolvedores de modelos conseguem criar uma segunda alternativa viável por meio de engenharia conjunta. Acompanhe a primeira implementação da Meta, a disponibilidade pública de modelos no ROCm e as implantações por clientes comuns. Se os três avançarem, a Nvidia enfrentará uma concorrente de plataforma duradoura. Se um deles estagnar, as parcerias da AMD continuarão importantes, mas incompletas.