O software que 85% dos programadores de IA usam: Google quebra o fosso real da Nvidia

A Google abriu o código do TorchTPU em 20 de outubro, na PyTorch Conference 2026. Na prática, qualquer desenvolvedor agora pode rodar PyTorch nativamente em TPUs do Google sem reescrever a aplicação. O detalhe que muda a leitura dessa notícia não é o chip por trás da jogada, é a camada de software que ela ataca: o próprio PyTorch, framework usado em cerca de 85% de todas as aplicações de IA do mundo.

Essa é a tese central desta análise: a disputa que decide por quanto tempo a Nvidia consegue cobrar o que cobra pelos seus chips não está mais só no silício. Está em quem controla a camada de software que o mercado usa para programar IA.

O verdadeiro ponto de controle

O PyTorch foi criado pela Meta em 2016, numa época em que as GPUs da Nvidia já eram o padrão de fato para pesquisa em IA. Por isso, boa parte dos recursos do framework foi otimizada especificamente para o hardware da Nvidia, dentro do ecossistema CUDA.

O resultado é que a Nvidia não depende só de ter o melhor chip. Ela depende de duas décadas de bibliotecas como cuDNN, cuBLAS e NCCL, e de uma base de mais de 4 milhões de desenvolvedores treinados em CUDA. Trocar de fornecedor de chip, hoje, significa reescrever e reotimizar pipelines inteiros. Esse custo de troca é medido em anos de trabalho de engenharia, não em dólares de uma nota fiscal.

Se o PyTorch continuar funcionando de forma nativa só em GPU Nvidia, qualquer chip concorrente, por mais rápido ou barato que seja, não consegue competir no mercado real — mesmo que sua ficha técnica o supere. Essa é a verdadeira fratura que o TorchTPU tenta abrir.

O que a Google abriu

De acordo com o Google Developers Blog, o TorchTPU permite executar PyTorch em TPUs com compatibilidade automática, sem reescrever aplicativos. O projeto foi desenvolvido em colaboração com a Meta (criadora do PyTorch), Hugging Face, Inferact (criadora do vLLM) e RadixArk (criadora do SGLang) — o que significa que as ferramentas mais usadas por programadores em PyTorch devem funcionar em TPU nativamente. A Google também lançou o TPU agent suite para facilitar a migração de workloads para o Google Cloud.

Um dia depois da Amazon

O movimento não aconteceu no vácuo. Um dia antes, a Amazon lançou o TorchNeuron, sua própria versão do PyTorch para os chips Trainium, e contribuiu código para desacoplar funcionalidades-chave do PyTorch original da dependência direta de GPU Nvidia.

Duas das maiores provedoras de nuvem do mundo atacando a mesma barreira de software, com um dia de diferença, não é coincidência de calendário. É sinal de que tanto Google quanto Amazon concluíram que competir só no desempenho do chip não é suficiente enquanto o PyTorch continuar tratando GPU Nvidia como o caminho padrão e tudo o mais como exceção.

O que dizem os estudos

Duas evidências de mercado sustentam essa leitura, com uma ressalva importante: nenhuma delas é estudo acadêmico revisado por pares, são análises de consultoria e inteligência de mercado.

A SiliconAnalysts estima que a Nvidia segue dominante em aceleradores de IA por receita, mas com participação em queda: de um patamar acima de 90% em 2023 para uma faixa entre 75% e 85% em 2026, à medida que o silício customizado de hyperscalers como Google, Amazon, Microsoft e Meta ganha espaço. A limitação aqui é dupla: é estimativa de terceiros, não dado auditado pela própria Nvidia, e a metodologia de contagem de aceleradores customizados internos varia de analista para analista.

Análises qualitativas de mercado argumentam que o fosso real da Nvidia não é o chip, mas o ecossistema construído ao redor do CUDA ao longo de 20 anos, com mais de 4 milhões de desenvolvedores treinados. A limitação é óbvia: essas são leituras de dinâmica competitiva sujeitas à interpretação, não medições diretas de custo de troca. Mas a linha é consistente: o poder de precificação da Nvidia vem do software, não da superioridade do silício.

As duas evidências, lidas juntas, apontam para a mesma direção: a fatia de mercado da Nvidia já está encolhendo, mas o motivo pelo qual ela ainda consegue manter preços altos não é falta de alternativa de hardware, é a dependência de software que o TorchTPU e o TorchNeuron tentam romper.

O contra-argumento: o fosso ainda é profundo

Vale o contraponto. Mesmo com TorchTPU e TorchNeuron no ar, o custo de troca real para quem já tem pipelines maduros em CUDA segue alto. Os mais de 4 milhões de desenvolvedores treinados em CUDA e duas décadas de bibliotecas otimizadas não desaparecem porque uma camada de compatibilidade foi aberta. E o silício customizado dos hyperscalers, mesmo crescendo, ainda representa uma fração pequena da base instalada global de aceleradores de IA.

Em outras palavras: o TorchTPU ataca a dependência de software que sustenta o poder de precificação da Nvidia, mas não derruba essa posição no curto prazo. O que ele faz é abrir uma porta de saída que antes praticamente não existia.

O que observar

Para quem acompanha essa disputa, vale ficar de olho em três coisas: se o TorchTPU e o TorchNeuron vão realmente funcionar sem fricção com ferramentas de produção como vLLM e SGLang nos próximos lançamentos; se as próximas atualizações trimestrais de market share da Nvidia (os relatórios de receita por segmento de data center) mostrarão aceleração ou desaceleração na perda de participação; e se outros hyperscalers com silício próprio, como Microsoft e Meta, vão lançar suas próprias camadas de compatibilidade PyTorch na sequência. Se isso acontecer em cadeia, a pressão sobre o fosso de software da Nvidia deixa de ser pontual e passa a ser estrutural.