Resumo em vídeo: este artigo é um resumo detalhado do vídeo “AMD Beats Nvidia On Every Spec And Still Loses”, do canal The Stack.
URL do vídeo: https://www.youtube.com/watch?v=bOHhUVSDmrw
No papel, a disputa nem deveria existir: o acelerador AMD MI300X carrega 192 GB de memória contra 80 GB do Nvidia H100, move 5,3 TB/s de banda e entrega 1,31 petaflop — vence linha por linha do datasheet. A própria AMD subiu a aposta em anúncio oficial: o Instinct MI325X supera o H200, exatamente o chip que a indústria fazia fila para comprar. Mesmo assim, a Nvidia fechou 2025 com 92% do mercado de GPUs corporativas — de cada 100 GPUs em racks de servidor, 92 são verdes. O vídeo do The Stack disseca por que especificações melhores perdem para efeitos de rede — e a resposta não está no silício, está no software.
O fosso chama-se CUDA
Quem compra um cluster de dezenas de milhões de dólares não compra um chip — compra compatibilidade. A Nvidia lançou o CUDA em 2007, quando GPU para computação geral ainda era aposta esquisita. Quase vinte anos depois, essa aposta virou o fosso de castelo mais eficaz da indústria: PyTorch, TensorFlow e JAX — os três frameworks que sustentam a IA moderna — assumem CUDA por padrão. O resultado: estimados 90% de todos os workloads de treinamento de IA rodam em Nvidia.
A resposta da AMD, o ROCm, só chegou em 2016 — nove anos atrasada. Em hardware, perder uma janela custa um ciclo de produto; em software, nove anos é uma era geológica: é o tempo de o incumbente ditar como uma geração inteira de engenheiros aprende a programar, como as universidades ensinam e como o ferramental em volta é construído. E tem a gravidade da base instalada: com metade do parque mundial de chips de IA em silício Nvidia, cada truque de otimização e cada projeto de fim de semana no GitHub nasce testado na arquitetura que o desenvolvedor tem em mãos — o que torna a plataforma ainda mais segura para o próximo comprador, que engorda a base de novo. É o ciclo que se retroalimenta.
A hidra de três cabeças
Os analistas descrevem a vantagem estrutural da Nvidia como uma hidra de três cabeças: o chip é só uma delas. A segunda é a camada de rede que costura milhares de GPUs num cluster só (NVLink, InfiniBand); a terceira é a pilha de software em cima de tudo. Um concorrente que empate em poder de cômputo ainda precisa vencer as outras duas cabeças — e é aí que a conta não fecha.
Cinco meses de benchmark, e o veredito dói
A parte mais contundente vem da SemiAnalysis, que passou cinco meses testando o hardware da AMD com apoio direto de engenheiros das duas fabricantes — ou seja, dando à AMD todas as chances de otimizar. A conclusão: o silício é rápido como anunciado, mas a pilha de software é tão “riddled with bugs” que o tempo ganho no hardware evaporava caçando erros esquisitos, transformando engenheiros caríssimos em suporte de TI em tempo integral. O veredito publicado foi seco: o fosso do CUDA ainda não foi atravessado pela AMD. Comprar o chip mais potente sai caro quando o custo real está nas horas de gente qualificada apagando incêndio.
Atacando o fosso por baixo
Se o problema é software, software se conserta — mas reescrever código só resolve metade da equação; a outra metade é o hábito acumulado de vinte anos. Duas frentes atacam exatamente isso:
- SCALE (Spectral Compute) — camada de compatibilidade que pega seus binários CUDA sem nenhuma modificação e os roda em GPU AMD. A tradução acontece em tempo de compilação: o PyTorch acredita que fala com um chip Nvidia enquanto um MI300X faz a conta por baixo. Nada de migrar modelo, manter duas bases de código ou retreinar equipe
- CANN (Huawei) — o toolkit dos aceleradores Ascend, aberto em agosto de 2025 justamente para testar se dar o stack de graça vence a memória muscular dos desenvolvedores
Se “rodar CUDA em qualquer lugar” virar realidade confiável, o fosso deixa de proteger o castelo — é a mesma jogada que o Wine/Proton fez com os jogos do Windows no Linux.
O mercado já racha — mas não para a AMD
O domínio da Nvidia caiu do pico de 87% para uma projeção de 75% em 2026 — 12 pontos do setor de hardware mais lucrativo do planeta procurando novo endereço. A pegadinha: quem captura a diferença não é a AMD. Mesmo com um trimestre de US$ 5,8 bilhões em datacenter, o volume dela não explica o buraco na planilha. Quem explica são os chips próprios de Google (TPU), Meta, Amazon e Microsoft, crescendo 44,6% ao ano contra 16,1% das GPUs de prateleira.
E o chip caseiro tem uma vantagem desleal no quesito software: ele só precisa rodar os modelos internos da própria empresa. Não precisa suportar PyTorch para o mundo, nem convencer o mercado global a mudar de hábito — o público-alvo é um único prédio, e os engenheiros internos otimizam a pilha fechada e ignoram o ecossistema. A ameaça real à Nvidia não é a concorrente de sempre — são os maiores clientes deixando de ser clientes.
A lição para quem constrói
A moral do vídeo serve para qualquer camada da infraestrutura: ecossistema vence especificação. Um bug se corrige com patch; pedir para um departamento inteiro trocar as ferramentas que domina é mais difícil do que assinar o cheque da plataforma que ele já confia. Vale para GPU, vale para linguagem, vale para cloud — quem já migrou de distro sabe: o custo nunca é o kernel, é tudo que se construiu em volta dele. Para nós do mundo Linux há um lado bom — ROCm, CANN e SCALE são apostas abertas contra um monopólio proprietário, e é no pinguim que essa batalha inteira está sendo travada: praticamente todo treino de IA do planeta roda em Linux, seja o chip verde, vermelho ou caseiro.
Vale os 17 minutos do vídeo original — e se você roda IA local no seu hardware, o post Rodando IA local no Linux com Ollama é o complemento prático.