O Verdadeiro Poder da Nvidia É a Fábrica de IA Full Stack

A Nvidia gerou US$ 215,9 bilhões em receita no ano fiscal de 2026, mas as manchetes do Google News ainda frequentemente reduzem sua influência a um produto: a GPU. Essa descrição agora deixa de fora o conflito central. A Nvidia vende processadores, mas controla cada vez mais o software, as redes e os projetos de sistemas que determinam como esses processadores se transformam em infraestrutura de IA utilizável.

A mudança importa porque os principais concorrentes da Nvidia já não precisam apenas de um acelerador mais rápido. AMD, Google, Amazon e fabricantes emergentes de chips precisam desafiar uma plataforma de computação integrada. Os clientes também precisam decidir se suas vantagens de desempenho e implantação justificam uma dependência maior de um único fornecedor.

Essa é a inversão por trás da posição da Nvidia. Suas GPUs criaram a oportunidade, mas a pilha tecnológica ao redor agora a protege. A disputa está se tornando a fábrica de IA integrada da Nvidia contra um mercado mais aberto de componentes intercambiáveis.

O Google News Ainda Chama a Nvidia de Fabricante de Chips, Mas Seus Dados Financeiros Dizem Outra Coisa

O negócio da Nvidia agora se parece menos com um fornecedor de componentes e mais com uma plataforma de infraestrutura construída em torno da computação acelerada.

A evidência mais clara aparece nos próprios relatórios financeiros da Nvidia. Seu registro fiscal de 2026 registrou US$ 215,9 bilhões em receita total, alta de 65% em relação ao ano anterior.

A receita de Data Center alcançou US$ 193,7 bilhões, ante US$ 115,2 bilhões um ano antes. Isso significa que os data centers geraram quase 90% da receita anual da Nvidia. Gaming, que já foi o mercado definidor da empresa, contribuiu com US$ 16,0 bilhões.

Até mesmo o número de Data Center esconde uma divisão importante. A receita de computação alcançou US$ 162,4 bilhões, enquanto redes geraram US$ 31,4 bilhões. Só a área de redes teve quase o dobro do tamanho do negócio de gaming da Nvidia.

Essa receita de redes cresceu a partir de US$ 13,0 bilhões no ano fiscal anterior. A Nvidia atribuiu o aumento à malha de computação NVLink, Ethernet e InfiniBand. Esses produtos movimentam informações entre aceleradores, servidores e sistemas de armazenamento.

Esse tráfego se tornou uma restrição central em grandes implantações de IA. Um modelo não pode se beneficiar de milhares de processadores se eles passam tempo demais esperando por dados. A rede passa a fazer parte do computador.

A Nvidia antecipou essa necessidade antes de a demanda por IA generativa atingir sua escala atual. Ela concluiu a aquisição da Mellanox em 2020, adicionando redes InfiniBand e tecnologias relacionadas. Essa compra deu à Nvidia controle sobre outra camada crítica da computação em cluster.

A empresa agora reúne GPUs com switches NVLink, adaptadores de rede ConnectX, unidades de processamento de dados BlueField e switches Ethernet Spectrum. Também fornece arquiteturas de referência que especificam como essas peças se encaixam dentro de um data center.

Portanto, um cliente está comprando mais do que capacidade de processamento. A compra pode incluir a malha de comunicação, ferramentas de gerenciamento, bibliotecas, receitas de implantação e suporte técnico necessários para operar essa capacidade.

Essa estrutura muda a posição de negociação da Nvidia. Um acelerador rival pode igualar um benchmark sem igualar a implantação completa. Os compradores precisam avaliar compatibilidade de aplicações, projeto de rede, disponibilidade do sistema e risco operacional.

Ela também muda a forma como a Nvidia deve ser medida. Vendas unitárias e especificações de chips continuam importantes, mas descrevem apenas parte da influência da empresa. O crescimento das redes mostra que a Nvidia captura receita à medida que os clusters de IA ficam maiores e mais interconectados.

É por isso que o rótulo familiar de GPU se tornou incompleto. O chip continua essencial, mas o alcance comercial da Nvidia agora se estende por toda a máquina ao seu redor.

CUDA Transformou a Adoção de Hardware em um Hábito de Software

CUDA tornou o hardware da Nvidia útil para desenvolvedores, enquanto suas bibliotecas em expansão tornaram a troca cada vez mais cara.

CUDA é a plataforma de programação da Nvidia para executar cargas de trabalho de computação geral em suas GPUs. A empresa a apresentou em 2006, anos antes de o deep learning criar uma demanda extraordinária por computação paralela.

A principal vantagem não era simplesmente uma linguagem de programação. CUDA conectava desenvolvedores a compiladores, ferramentas de depuração, bibliotecas matemáticas otimizadas e recursos específicos de hardware. Pesquisadores podiam acelerar cargas de trabalho sem escrever por conta própria cada instrução de baixo nível.

Essa conveniência se acumulou ao longo do tempo. Universidades ensinaram CUDA. Pesquisadores publicaram código estruturado em torno dela. Provedores de nuvem ofereceram instâncias compatíveis, enquanto empresas de software criaram produtos que pressupunham acesso ao hardware da Nvidia.

A documentação do CUDA da Nvidia agora está ao lado de centenas de bibliotecas especializadas e kits de desenvolvimento. Eles abrangem treinamento de modelos, inferência, análise de dados, visão computacional, cibersegurança, robótica, simulação e computação científica.

O ecossistema resultante do Nvidia CUDA cria vários tipos de custo de troca. Desenvolvedores precisam portar código, substituir bibliotecas, testar o comportamento numérico e retreinar equipes de engenharia. Operadores também precisam validar o desempenho em cargas de trabalho reais de produção.

Esses custos não são barreiras absolutas. Frameworks populares de IA podem ocultar algumas diferenças de hardware por trás de interfaces de nível mais alto. Projetos de compiladores de código aberto também podem direcionar várias arquiteturas de aceleradores.

No entanto, a abstração não elimina a otimização. Grandes sistemas de IA dependem de kernels, que são rotinas especializadas que executam operações matemáticas frequentes. Pequenas melhorias nessas rotinas podem afetar utilização, latência, consumo de energia e requisitos totais de capacidade.

A Nvidia ajusta continuamente suas bibliotecas para novo hardware. Ela pode coordenar mudanças na arquitetura de GPU, no compilador, na camada de rede e no software de serving de modelos. Essa coordenação reduz o intervalo entre receber novo hardware e usá-lo de forma eficiente.

A vantagem fica mais clara durante transições de arquitetura. Um cliente que adota Blackwell não começa com um ambiente de software vazio. Aplicações CUDA existentes, frameworks e conhecimento operacional fornecem um caminho de migração.

A Nvidia também estende esse padrão para além do treinamento de modelos. TensorRT otimiza cargas de trabalho de inferência, enquanto Triton gerencia o serving de modelos. RAPIDS tem como alvo a ciência de dados, e Isaac apoia o desenvolvimento de robótica.

Cada produto incentiva os desenvolvedores a tratar a plataforma de IA da Nvidia como ambiente padrão para outra categoria de trabalho. A estratégia amplia o alcance da empresa sem exigir que cada ferramenta de software gere receita direta substancial.

Em vez disso, o software sustenta a demanda por hardware e a retenção de clientes. Uma biblioteca pode tornar um acelerador mais fácil de comprar, implantar e manter. Esse valor econômico indireto é uma das razões pelas quais a posição da Nvidia em software não pode ser avaliada apenas pela receita de software.

Ainda há risco em descrever CUDA como um fosso intransponível. A portabilidade entre frameworks está melhorando, e grandes clientes de nuvem têm fortes incentivos para reduzir sua dependência da Nvidia.

Um artigo de pesquisa de 2025 que avaliou Intel Gaudi argumentou que o ambiente de software mais amplo importava mais do que CUDA isoladamente. Essa conclusão sustenta uma interpretação mais precisa: a vantagem da Nvidia vem de todo o sistema de desenvolvimento e implantação.

CUDA iniciou o hábito, mas bibliotecas, ferramentas, conhecimento da comunidade e coordenação de hardware o reforçaram. Os concorrentes precisam desafiar esse sistema acumulado, não apenas reproduzir uma interface de programação.

As Redes Fizeram Milhares de GPUs se Comportarem Como Um Computador

Quanto maior se torna um cluster de IA, mais os produtos de interconexão e rede da Nvidia influenciam seu desempenho utilizável.

O treinamento de um modelo de fronteira divide o trabalho entre muitos processadores. Esses processadores trocam repetidamente parâmetros, resultados intermediários e sinais de sincronização. Atrasos nessas trocas deixam recursos computacionais caros ociosos.

NVLink fornece comunicação de alta largura de banda entre processadores da Nvidia. NVSwitch amplia essas conexões para grupos maiores, enquanto InfiniBand e Spectrum-X Ethernet conectam servidores em todo o data center.

Essas tecnologias atendem a diferentes distâncias dentro do cluster, mas servem a um objetivo arquitetural. A Nvidia quer que os clientes tratem o cluster como um sistema de computação unificado.

Os resultados fiscais de 2026 mostram o efeito econômico. A receita de redes de Data Center alcançou US$ 31,4 bilhões, alta de 142% em relação ao ano anterior. A Nvidia afirmou que a expansão do Blackwell com NVLink impulsionou grande parte desse crescimento.

O resultado enfraquece a antiga distinção entre chips e redes. Um benchmark de acelerador mede o desempenho local. Um cluster de produção precisa medir quão eficientemente todo o conjunto conclui uma carga de trabalho.

Essa distinção é especialmente importante para modelos mixture-of-experts. Esses modelos ativam grupos selecionados de parâmetros para cada solicitação. Seu projeto pode reduzir a computação, mas cria padrões exigentes de comunicação entre processadores.

A inferência também aumenta a pressão sobre as redes. Modelos de raciocínio geram sequências mais longas e movimentam mais dados por camadas de memória, armazenamento e rede. Atender milhões de solicitações simultâneas transforma a eficiência de comunicação em uma métrica de negócio.

A resposta da Nvidia é o co-design, ou seja, ela desenvolve componentes relacionados como um sistema coordenado. A empresa pode ajustar uma GPU, um switch, um adaptador de rede e uma biblioteca de software em torno das mesmas cargas de trabalho esperadas.

Sua geração Rubin torna essa estratégia explícita. A anunciada plataforma Rubin combina CPUs Vera, GPUs Rubin, switches NVLink 6, adaptadores ConnectX-9, processadores BlueField-4 e Ethernet Spectrum-6.

A Nvidia afirma que Rubin pode reduzir os custos de tokens de inferência e a quantidade de processadores necessária para determinadas tarefas de treinamento de modelos. Essas alegações dependem dos próprios testes da Nvidia e exigem evidências independentes em produção.

Ainda assim, a estrutura do produto revela a direção da empresa. A Nvidia está vendendo uma arquitetura de data center com seis chips coordenados, não uma GPU isolada colocada dentro de um servidor genérico.

Essa abordagem pressiona fornecedores de componentes que se especializam em uma única camada. Um fornecedor de redes pode oferecer um switch forte, enquanto uma empresa de aceleradores oferece computação competitiva. Ainda assim, o sistema combinado pode exigir integração adicional.

Ela também pressiona clientes que preferem componentes intercambiáveis. Uma plataforma integrada pode melhorar a velocidade de implantação, mas conexões proprietárias podem restringir opções futuras de compra.

A Nvidia se beneficia quando os clientes otimizam em torno do NVLink e de suas arquiteturas de referência. Substituir um acelerador então se torna um projeto de engenharia mais amplo, envolvendo racks, redes, refrigeração, software de gerenciamento e desempenho de aplicações.

Isso não significa que todos os clientes aceitarão uma configuração fechada. Ethernet continua importante justamente porque os compradores querem padrões conhecidos e múltiplos fornecedores. Os produtos Spectrum-X da Nvidia reconhecem essa preferência ao mesmo tempo em que adicionam otimização específica da Nvidia.

A empresa está, portanto, seguindo os dois caminhos. Ela promove conexões proprietárias de scale-up dentro dos sistemas e Ethernet otimizada entre sistemas. Isso permite que a Nvidia participe tanto quando os clientes priorizam integração máxima quanto quando priorizam compatibilidade mais ampla de rede.

Quanto mais a computação de IA avança para sistemas em escala de rack, mais valiosa essa posição se torna. A vantagem da Nvidia cresce com o número de dependências ao redor do processador.

O Verdadeiro Oponente da Nvidia É a Pilha Modular de IA

A principal disputa não é Nvidia contra um único fabricante de chips; é infraestrutura integrada contra componentes que os clientes podem substituir de forma independente.

A AMD é a concorrente mais direta da Nvidia no mercado de GPUs. Seus aceleradores Instinct atendem ao treinamento e à inferência, enquanto a pilha de software ROCm oferece ferramentas de programação e bibliotecas otimizadas.

A oportunidade da AMD decorre da demanda dos clientes por diversidade de fornecedores e maior poder de negociação. Uma segunda fonte compatível pode reduzir o risco de aquisição, especialmente quando a demanda supera a disponibilidade dos sistemas líderes.

No entanto, a AMD precisa comprovar mais do que o desempenho dos processadores. Os clientes precisam de suporte previsível a frameworks, bibliotecas maduras, redes confiáveis e engenheiros capazes de migrar aplicações sem longos projetos de otimização.

O Google representa uma rota diferente. Suas Tensor Processing Units são aceleradores personalizados desenvolvidos para cargas de trabalho de aprendizado de máquina. O Google as utiliza internamente e as oferece por meio de sua plataforma de nuvem.

A plataforma Cloud TPU oferece aos clientes uma alternativa aos sistemas Nvidia para cargas de trabalho selecionadas. O Google pode coordenar seus chips com infraestrutura de nuvem, redes e frameworks de software.

A Amazon segue um modelo semelhante com o Trainium para treinamento e o Inferentia para inferência. A Microsoft também desenvolveu aceleradores internos de IA. Essas empresas podem direcionar cargas de trabalho para seus chips por meio de serviços gerenciados em nuvem.

O silício personalizado não precisa substituir a Nvidia em todos os lugares para enfraquecer sua posição. Ele pode capturar cargas de trabalho repetitivas e de alto volume, nas quais o provedor de nuvem controla o ambiente de software.

Isso cria a pressão central sobre a Nvidia. Seus maiores clientes têm capital, dados, talento em engenharia e volume de cargas de trabalho necessários para desenvolver substitutos. Eles também entendem quanto de seus gastos com infraestrutura vai para a Nvidia.

Os padrões abertos formam outra parte da resposta modular. Fornecedores de Ethernet, empresas de aceleradores e operadores de nuvem estão trabalhando para melhorar a comunicação entre sistemas mistos. Projetos de compiladores buscam tornar o código portátil entre diferentes processadores.

Se esses esforços amadurecerem, os clientes poderão escolher aceleradores, switches e software com mais independência. O hardware competiria mais diretamente em desempenho por carga de trabalho e economia operacional.

A Nvidia responde avançando mais rápido no nível de sistemas. Ela publica roteiros anuais de arquitetura, fornece racks completos, amplia o software gerenciado e trabalha com fabricantes de servidores e provedores de nuvem.

Essa estratégia reduz o tempo de integração, mas também eleva o custo de saída. Quanto mais camadas um cliente adota, mais dependências ele precisa desfazer durante uma migração.

Os compradores, portanto, enfrentam uma escolha real. Uma arquitetura modular pode preservar opções, mas montá-la e otimizá-la exige esforço de engenharia. A abordagem integrada da Nvidia pode acelerar a implantação, mas concentra a exposição técnica e comercial.

Nenhum dos resultados está predeterminado. Grandes empresas de nuvem podem sustentar alternativas internas porque operam em escala enorme. Empresas menores podem preferir uma plataforma com documentação extensa e suporte consolidado.

Os requisitos das aplicações também variam. Uma empresa que treina novos modelos de fronteira tem prioridades diferentes de outra que atende um modelo de recomendação estável. A melhor arquitetura pode depender do design do modelo, das metas de latência, da experiência da equipe e da infraestrutura existente.

É por isso que um único benchmark raramente resolve a disputa. A decisão inclui tempo de implantação, migração de software, utilização da rede, disponibilidade e flexibilidade de longo prazo.

A cobertura do Google News tende a enfatizar cada novo lançamento de acelerador. A história mais relevante é se essas alternativas desenvolvem ambientes operacionais completos nos quais os clientes confiam.

A Vantagem Full-Stack Também Concentra os Riscos da Nvidia

A estratégia de integração da Nvidia aumenta seu controle, mas também conecta uma parcela maior de seu desempenho financeiro ao mesmo ciclo de investimentos em IA.

Os números fiscais de 2026 da empresa mostram uma concentração extraordinária. Os data centers responderam por quase 90% da receita anual, enquanto Compute e Networking geraram a maior parte do lucro operacional.

Essa concentração vincula a Nvidia aos gastos de capital de um grupo relativamente pequeno de provedores de nuvem e empresas de tecnologia. Seu relatório anual identifica a concentração de clientes como um risco material.

A demanda pode permanecer alta enquanto o crescimento se torna mais difícil de sustentar. Os clientes precisam garantir eletricidade, terrenos, licenças, equipamentos de refrigeração e capacidade de rede antes de instalar sistemas adicionais de IA.

A restrição de energia é especialmente importante. Um acelerador mais rápido tem valor limitado se um data center não consegue energizar o rack. A Nvidia aborda cada vez mais essa questão por meio de alegações de eficiência do sistema, mas o desenvolvimento da infraestrutura permanece fora de seu controle direto.

A transição de plataforma da Nvidia também envolve risco de execução. Os sistemas Blackwell introduziram projetos de rack mais complexos do que os servidores de GPU anteriores. Sistemas completos exigem que processadores, memória, switches, cabos, equipamentos de rede, fornecimento de energia e refrigeração cheguem juntos.

Uma escassez ou defeito em um componente pode atrasar a receita de todo o rack. A integração de sistemas dá à Nvidia mais controle sobre o desempenho, mas aumenta o número de dependências operacionais que ela precisa administrar.

As restrições de exportação criam outra vulnerabilidade. A Nvidia registrou uma cobrança de US$ 4,5 bilhões relacionada ao estoque de H20 e a obrigações de compra durante o ano fiscal de 2026. A cobrança ocorreu após novas restrições que afetaram as remessas para a China.

Esse episódio mostra como políticas podem interromper até mesmo uma forte demanda por produtos. A Nvidia pode projetar processadores compatíveis, mas reguladores podem alterar limites de desempenho ou exigências de licenciamento.

A China também cria um risco competitivo. As restrições incentivam clientes locais e governos a apoiar alternativas domésticas. Limites de curto prazo às vendas da Nvidia podem, portanto, acelerar o investimento de longo prazo em hardware e software concorrentes.

A barreira de proteção do software enfrenta seu próprio desafio. Os clientes toleram custos de mudança quando o desempenho e a disponibilidade da Nvidia os justificam. Eles investirão mais agressivamente em migração se custo, oferta ou políticas tornarem a dependência onerosa.

Frameworks de código aberto podem reduzir gradualmente o trabalho específico de hardware. Melhorias em compiladores podem automatizar a otimização, enquanto desenvolvedores de modelos podem projetar cargas de trabalho para vários backends desde o início.

Os provedores de nuvem têm outra vantagem: podem ocultar as escolhas de hardware por trás de uma interface de serviço. Um cliente pode usar um modelo gerenciado sem saber se GPUs da Nvidia, TPUs do Google ou aceleradores da Amazon executam cada solicitação.

A Nvidia também está fazendo alegações ambiciosas de desempenho para Rubin. A empresa afirma que a plataforma pode oferecer até dez vezes mais throughput de inferência por watt em algumas configurações.

Essas comparações usam as cargas de trabalho selecionadas pela Nvidia, premissas de sistema e uma base de comparação da geração anterior. Os resultados reais variarão conforme a arquitetura do modelo, a precisão, o tamanho do lote, o design da rede e a maturidade do software.

As alegações devem, portanto, ser tratadas como metas de roteiro, e não como resultados universais. Benchmarks independentes e implantações de clientes determinarão se os ganhos se mantêm fora de configurações controladas.

A escala financeira não elimina essas incertezas. Ela aumenta as consequências de qualquer desaceleração nos gastos, transição atrasada ou substituição por clientes.

A vantagem da Nvidia é real porque as peças se reforçam mutuamente. A mesma interdependência significa que uma fragilidade em oferta, políticas, energia ou adoção de software pode afetar várias partes do negócio simultaneamente.

Três Sinais Testarão a Estratégia de Fábrica de IA da Nvidia

A próxima fase será decidida pelas implantações de Rubin, pelo crescimento das redes e pela quantidade de tráfego de produção migrando para aceleradores alternativos.

O primeiro sinal é a entrada de Rubin em produção. A Nvidia descreveu um sistema coordenado contendo CPUs, GPUs, switches, adaptadores de rede, unidades de processamento de dados e equipamentos Ethernet.

Enviar chips individuais não será suficiente. Os clientes precisam instalar sistemas completos, atingir utilização estável e demonstrar melhorias mensuráveis na economia de treinamento ou inferência.

As primeiras implantações em provedores de nuvem revelarão se o codesign da Nvidia reduz o trabalho operacional. Atrasos envolvendo energia, refrigeração, redes ou software enfraqueceriam o argumento full-stack.

A evidência mais forte viria de pedidos recorrentes após os clientes operarem os sistemas. As compras iniciais podem refletir escassez ou compromissos estratégicos. Pedidos de expansão sugerem que o desempenho em produção atendeu às expectativas.

O segundo sinal é a receita de redes para Data Center. As vendas de networking no ano fiscal de 2026 cresceram muito mais rápido do que a receita de compute, tornando essa categoria uma medida direta do alcance da Nvidia além das GPUs.

O crescimento contínuo mostraria que os clientes estão adotando as estruturas de rede da Nvidia junto com seus aceleradores. Também sugeriria que a computação em escala de rack está aumentando o valor econômico da interconexão.

Uma desaceleração exigiria interpretação. Ela poderia refletir o momento das implantações, o fornecimento de componentes, o uso pelos clientes de produtos Ethernet concorrentes ou uma pausa mais ampla na construção de infraestrutura de IA.

A composição entre NVLink, InfiniBand e Spectrum-X será tão importante quanto o total. A adoção do NVLink proprietário aprofunda a integração com a Nvidia, enquanto o crescimento da Ethernet mostra se a Nvidia consegue competir em um mercado mais padronizado.

O terceiro sinal é a adoção em produção de aceleradores alternativos. Anúncios, por si só, revelam pouco, porque os clientes frequentemente testam várias tecnologias antes de atribuir a elas cargas de trabalho importantes.

Observe se os provedores de nuvem relatam uso interno substancial de Trainium, Inferentia ou TPUs. Observe também empresas independentes de software implantando sistemas AMD sem engenharia personalizada extensiva.

A velocidade da migração será crucial. Se as equipes conseguirem mover modelos entre arquiteturas dentro de ciclos normais de desenvolvimento, os custos de mudança de software da Nvidia enfraquecerão.

Se as alternativas permanecerem limitadas a cargas de trabalho rigidamente controladas, a vantagem mais ampla da plataforma Nvidia permanecerá intacta. Chips especializados podem crescer sem deslocar o ambiente padrão para novos projetos de IA.

Esses sinais importam mais do que outro benchmark isolado. A estratégia da Nvidia tem sucesso quando os clientes tratam sua arquitetura de sistemas como o caminho mais curto entre uma ideia de modelo e uma produção confiável.

Ela enfraquece quando os compradores conseguem montar sistemas comparáveis a partir de componentes substituíveis. Isso deslocaria a concorrência de volta para o desempenho dos processadores, a disponibilidade e o custo operacional.

Para desenvolvedores, a questão prática é se o código e o conhecimento operacional permanecem portáteis. O suporte a vários backends pode preservar a flexibilidade, mas também consome tempo de engenharia.

Os compradores empresariais devem examinar as dependências antes de se comprometerem com uma grande implantação. Eles precisam identificar quais bibliotecas, projetos de rede e ferramentas de gestão exigiriam substituição em uma futura migração.

Trabalhadores do conhecimento e usuários de IA sentirão o resultado indiretamente. A economia da infraestrutura influencia a disponibilidade dos modelos, a latência, os limites de uso e a velocidade com que novas capacidades chegam aos produtos.

A próxima manchete do Google News provavelmente se concentrará em outra GPU, benchmark ou marco de mercado. Os leitores devem olhar além dela para os compromissos de rede, software e sistemas vinculados a esse anúncio.

O poder da Nvidia se tornou mais do que chips de GPU porque cada camada resolveu um problema criado pela camada anterior. CUDA tornou os aceleradores programáveis. As bibliotecas os tornaram úteis. As redes os tornaram escaláveis. Sistemas completos os tornaram implantáveis.

A questão restante é se os clientes continuarão a aceitar essa integração como uma vantagem. Acompanhe as implantações, a receita de redes e as cargas de trabalho que deixam a Nvidia. Esses sinais mostrarão se a fábrica de IA se tornará um padrão duradouro ou uma fase cara no próximo ciclo da computação.