Trainium, da Amazon, já treina modelos de IA, e não apenas os executa, pondo a Nvidia à prova antes do balanço de 29 de outubro

O Trainium, chip de IA próprio da Amazon▼−0.72% — Amazon, down 0.72 percent today, cruzou a linha que o definia: agora ele treina modelos, e não apenas os executa. A SemiAnalysis, firma independente de pesquisa de chips recém-saída de semanas de testes em racks de Trainium3, relata que o PyTorch, o framework que a maioria dos pesquisadores já usa, agora roda de forma nativa↗: o código executa em modo eager, linha por linha, como os pesquisadores esperam; a ferramenta de aceleração torch.compile funciona; e praticamente a única mudança necessária é trocar `.to("cuda")` por `.to("neuron")` ¹.

Os limites também estão postos com franqueza: a pilha de software está "ainda muito longe da maturidade do ecossistema CUDA", a camada de software da Nvidia▼−0.54% — Nvidia, down 0.54 percent today, e o maior modelo testado tinha 32 bilhões de parâmetros — escala de pesquisa, não de um treino de fronteira ¹.

O CEO da Amazon, Andy Jassy, dedicou o mesmo dia à demanda: disse ao fundo de venture capital a16z que a inferência — a computação paga cada vez que um modelo responde — ainda é uma ordem de grandeza mais cara do que deveria, e que o Trainium entrega uma relação preço-desempenho de 30% a 40% melhor que a de processadores comparáveis ². Os preços de treinamento da Nvidia sempre se apoiaram no atrito de software que a SemiAnalysis acaba de medir. Esse atrito está sendo corroído.

O custo de troca era o fosso competitivo

A AnthropicPVT$350B — Anthropic, private, latest valuation $350B, laboratório de IA criador do Claude e cliente âncora do Trainium, já roda inferência em produção e rollouts de aprendizado por reforço em Trainium2 e Trainium3 ¹. O treinamento de pesquisa era o último reduto: pesquisadores remodelam as arquiteturas dos modelos diariamente, e o antigo caminho do Trainium passava por um compilador de grafos no estilo XLA, que obrigava quem vinha do CUDA a reaprender o próprio loop de treinamento ¹.

A SemiAnalysis treinou o Qwen3-32B, de pesos abertos, editou o código de sua arquitetura e rodou, sem mexer em nada, a receita gpt-oss, a configuração de treinamento de pesos abertos da OpenAIPVT$1.18T — OpenAI, private, latest valuation $1.18T ¹. Resultado: 14.156 tokens por segundo com MFU de 30,47% em modo compilado, ante 11.099 e 23,89% em modo eager — um ganho de 1,28x ¹. O MFU mede quanto do poder de cálculo máximo de um chip uma execução de fato aproveita.

Por trás disso há até 80 mil núcleos físicos dedicados ao controle de qualidade automatizado: eles conferem os resultados numéricos contra referências da Nvidia nos 100 mil principais modelos do Hugging Face, o repositório onde os pesquisadores compartilham código ¹. A AWS também contratou o engenheiro que liderou o esforço da Google para rodar PyTorch nativamente em seus chips TPU, para repetir a jogada aqui ¹. Cada teste aprovado é mais um modelo que um pesquisador pode migrar sem reescrever código.

A evidência das margens chegou antes

O dinheiro se mexeu antes do teste. A AWS registrou margem operacional de 39,4% no segundo trimestre de 2026, mesmo com os gastos de capital em alta ³. O backlog contratado chega a US$ 496 bilhões↗, com capacidade praticamente esgotada para 2026 e em grande parte já reservada para 2027 ³.

Os compromissos futuros com o Trainium já divulgados pela Anthropic e pela OpenAI passam de US$ 225 bilhões ². No início do mês, descrevemos a Amazon vendendo o risco de US$ 8 bilhões em chips da Nvidia; a metade que faltava nessa operação era a prova de que o Trainium conseguiria conquistar trabalho com o próprio software — e essa prova veio a público nesta semana ².

O gargalo mudou para o compilador

O que limita o Trainium hoje é o acabamento do software, e a Amazon está pagando para fechar essa lacuna. Compilar a receita gpt-oss levou cerca de 27 minutos, tempo morto para pesquisadores que iteram a cada hora; a AWS diz que um compilador reconstruído tem como meta cortar essa espera em até cem vezes ¹.

A companhia também está próxima de concluir a aquisição da Decart por US$ 7 bilhões↗, startup israelense cuja pilha de otimização encurta de meses para semanas a migração do CUDA ⁵. A Anthropic também se protege, com equipe própria de chips — embora o silício de produção não deva chegar antes de 2028 ⁶. Para os engenheiros, a habilidade mais valorizada está se deslocando: sai escrever CUDA, entra fazer os modelos rodarem bem no silício que estiver mais barato.

29 de outubro é a data em que o trade se reprecifica

Os fatos vão até o teste de treinamento e a margem da AWS. O que vem depois é projeção: treinamento mais barato empilhado sobre inferência mais barata, abrindo o que Jassy chama de meio do halter (barbell) — o software corporativo do dia a dia que ele espera que se torne a maior fonte de demanda da IA ².

A Amazon divulga os resultados do terceiro trimestre em 29 de outubro, e traders do mercado de previsão Kalshi dão 96% de chance de o Trainium dominar a teleconferência de resultados ². A pergunta para a Amazon é se os investidores param de tratar os chips como negócio paralelo. A pergunta para a Nvidia é se o treinamento, seu negócio mais lucrativo, começa a ser precificado contra um chip para o qual os pesquisadores podem migrar sem reescrever código.