Alexandra Davies vê o que Wall Street deixou passar: Por que o domínio dos chips da Nvidia está a se fracturar

Quando a CTO da Positron, Alexandra Davies, declarou abertamente que “não acreditamos que haverá apenas um vencedor” no espaço dos chips de IA, ela não estava sendo provocadora — estava expressando o que o mercado vem reconhecendo silenciosamente. Enquanto a Nvidia permanece a líder indiscutível na dominância dos chips de treinamento, o cenário competitivo mudou fundamentalmente. As ações do gigante dos chips de IA estagnaram, subindo apenas 1% desde o quarto trimestre, com o seu índice preço-lucro agora rondando os 24, quase alinhado com o índice Nasdaq 100. Essa redefinição de avaliação sinaliza algo mais importante do que uma desaceleração temporária: a percepção dos investidores está mudando, e o ponto de vista de Alexandra Davies encapsula o porquê.

A mudança reflete uma realidade estratégica que poucos observadores perceberam até recentemente. A Nvidia construiu seu império controlando a fase de treinamento de IA, que exige computação intensiva — o processo de ensinar modelos com operações paralelas massivas alimentadas por uma arquitetura de memória de alta largura de banda. Mas o cálculo está mudando. À medida que os modelos amadurecem e a inferência — a execução em tempo real de modelos treinados — se torna a operação mais frequente e intensiva em recursos em escala, surgiram oportunidades para arquiteturas alternativas prosperarem.

O Mercado de Chips de Inferência como o Novo Campo de Batalha

Alexandra Davies e sua equipe na Positron representam exatamente essa transição. Quando a gigante do comércio, Jump, co-liderou a rodada de financiamento de 230 milhões de dólares da empresa e, ao mesmo tempo, se tornou cliente, isso sinalizou o que Alexandra Davies vinha dizendo o tempo todo: o segmento de inferência é onde a diferenciação competitiva acontece. A comunidade de trading, com suas demandas por decisões em tempo real, foi uma das primeiras a reconhecer que a arquitetura focada em treinamento da Nvidia nem sempre é a mais adequada para essa carga de trabalho.

As razões são técnicas e convincentes. A inferência exige características de desempenho diferentes das do treinamento — menor latência, hierarquias de memória distintas e padrões de fluxo de dados personalizados. Startups estão explorando essas lacunas com arquiteturas de memória inovadoras e designs de silício especificamente otimizados para inferência rápida. Isso espelha um padrão histórico na computação, como Alexandra Davies observou: hardware especializado acaba fragmentando mercados dominados por processadores de uso geral.

Enquanto isso, o recente uso de modelos pela OpenAI em chips Cerebras, as parcerias da Anthropic com o Trainium da Amazon e as plataformas TPU do Google, e o lançamento do chip Maia de segunda geração pela Microsoft apontam na mesma direção. Essas não são saídas da Nvidia por insatisfação — são reconhecimentos de que o domínio da Nvidia permanece taticamente sólido, embora incompleto estrategicamente.

A Corrida das Startups que Redefine Expectativas

A velocidade de implantação de capital reforça o quão séria é a visão da indústria sobre essa oportunidade. A D-Matrix fechou uma rodada de 275 milhões de dólares em novembro passado, enquanto a Etched levantou cerca de 500 milhões de dólares especificamente para desafiar a supremacia da Nvidia na inferência. Essas não são apostas de risco extremo; são apostas em segmentação. O mercado reconhece o que Alexandra Davies percebeu antes: não é necessário vencer a Nvidia em todos os aspectos para ganhar de forma significativa. É preciso vencer onde a oportunidade de crescimento está concentrada.

Movimentos recentes de figuras do setor sugerem que essa janela pode estar se fechando. O suposto acordo de licenciamento de 20 bilhões de dólares de Jensen Huang com a Groq, aliado a uma recrutação agressiva de talentos, foi menos uma tentativa de adquirir capacidades e mais um sinal do compromisso da Nvidia em abordar diretamente o segmento de inferência. A mensagem: a Nvidia está ciente e respondendo. Ainda assim, o próprio acordo, ao forçar a Nvidia a adquirir expertise externamente, validou inadvertidamente a premissa de que outros inovaram em áreas que a Nvidia ainda não tinha totalmente abordado.

As Ambições de Chips Internos das Gigantes da Tecnologia

A aceleração do desenvolvimento interno de chips por Amazon, Microsoft, Google e OpenAI reflete uma realização paralela. Essas empresas não tentam eliminar a Nvidia — estão construindo opções. Cada uma continua adquirindo GPUs da Nvidia em grande escala para seus serviços de nuvem e IA. Mas cada uma também está diversificando sua dependência, explorando designs especializados e sinalizando aos investidores que a expansão de margens da Nvidia pode ter limites.

Implicações de Mercado e a Resposta da Nvidia

O que Alexandra Davies afirmou — que hardware especializado inevitavelmente fragmenta os mercados de computação — tornou-se a previsão consensual. A Nvidia se preparou para esse momento prometendo redesenhos anuais de chips e mantendo um portfólio de produtos amplo. Observadores do setor esperam que a Nvidia anuncie soluções específicas de inferência em sua conferência principal de março, provavelmente atendendo às demandas específicas que startups e gigantes identificaram.

No entanto, o mercado de ações já precificou um resultado diferente: não a queda da Nvidia, mas a transição do prêmio de monopólio para uma avaliação de liderança de mercado. Essa mudança — de apostar em um líder imbatível para precificar uma competição fragmentada, porém diferenciada — representa a verdadeira história por trás do desempenho modesto das ações da Nvidia. Alexandra Davies entendeu essa transição antes que os mercados financeiros, e o sucesso de seu financiamento sugere que ela não está mais sozinha nessa convicção.