Um chip pode estar disponível sem que um modelo de inteligência artificial saiba tirar o melhor partido dele. É isso que torna interessante a possibilidade de a OpenAI recorrer aos TPU da Google: para lá de uma eventual compra, levanta-se a questão do trabalho necessário para fazer funcionar os mesmos modelos em várias famílias de hardware.
A 28 de outubro, a Decrypt noticiou um projeto de compra de TPU pela OpenAI, citando o The Information. O artigo indicava que as empresas não tinham confirmado o projeto e não especificava o montante, a quantidade nem a data de entrega. É preciso manter o estatuto de informação noticiada, sem transformar uma intenção presumida numa encomenda concretizada.
Há outro elemento que pode ser consultado diretamente: a OpenAI procura um engenheiro responsável por otimizar os seus modelos para TPU. A descrição da vaga refere um trabalho técnico específico. Não indica quem é proprietário das máquinas, quantas serão utilizadas ou que parte dos serviços assentará nelas.
O que faz um TPU
Um TPU, sigla de «Tensor Processing Unit», é um circuito especializado concebido pela Google para acelerar cálculos de aprendizagem automática. A documentação da Google Cloud descreve, nomeadamente, grandes operações com matrizes, conjuntos de números utilizados nas redes neuronais.
O interesse não se resume a um chip mais rápido em termos absolutos. A própria Google indica que a escolha entre CPU, GPU e TPU depende da carga de trabalho. Contam as operações realizadas, a sua organização e as necessidades de memória. Um processador especializado não é automaticamente a melhor opção para todos os programas.
Para o leitor, a distinção essencial é entre o modelo e o hardware que o executa. O primeiro contém uma organização de cálculos e parâmetros aprendidos; o segundo fornece os recursos para os realizar. Mudar de fornecedor de chips não significa, por si só, substituir o ChatGPT por um modelo da Google.
O compilador, uma etapa obrigatória entre o modelo e a máquina
No caso dos TPU, a Google explica que o código tem de passar pelo XLA, um compilador que transforma as operações do modelo em instruções adaptadas ao hardware. Uma parte do programa continua a ser executada pela máquina anfitriã.
Podemos encarar a questão como um problema de organização: uma mesma lista de cálculos pode ser executada com maior ou menor eficiência, consoante a forma como estes são distribuídos e como os dados circulam. O nome do chip não basta para descrever essa organização. É preciso medir o comportamento do sistema completo.
É precisamente este o âmbito da oferta «Software Engineer, TPU Compilers» publicada pela OpenAI. A empresa procura melhorar a execução dos seus modelos, identificar os pontos de estrangulamento e trabalhar a latência, o débito e a utilização do hardware. Refere também a criação de testes de desempenho e a validação da exatidão dos resultados.
Esta descrição da vaga é uma prova de recrutamento para este trabalho. Não permite datar uma implementação em grande escala. Uma equipa pode preparar, experimentar ou melhorar uma arquitetura sem que todas as aplicações comerciais já a utilizem.
Três medidas que não contam a mesma história sobre o desempenho
A latência designa o tempo de espera até obter um resultado. O débito indica quanto trabalho pode ser processado num determinado período. A utilização do hardware revela que parte da capacidade está efetivamente a ser mobilizada. Estas três dimensões permitem colocar questões diferentes.
Numa conversa, podemos interessar-nos pelo tempo que demora a chegar uma resposta. Num serviço que processa muitas solicitações em simultâneo, também conta a quantidade total processada. Um número impressionante num teste não diz, por isso, tudo se desconhecermos o tipo de solicitações, a sua dimensão e as condições de execução.
Uma comparação rigorosa deveria também especificar a qualidade exigida ao resultado e o custo total do processamento. São critérios de análise, não desempenhos que atribuamos aqui a um sistema da OpenAI com TPU. Nenhum dos documentos citados apresenta uma comparação pública que permita quantificar a poupança proporcionada por uma compra deste tipo.
Broadcom: um anúncio distinto, com o seu próprio calendário
A diversificação de hardware da OpenAI não assenta apenas nesta notícia da imprensa. Num comunicado de 13 de outubro de 2025, a OpenAI e a Broadcom anunciaram uma colaboração relativa a 10 gigawatts de aceleradores personalizados. A OpenAI deveria conceber os aceleradores e os sistemas, desenvolvidos e implementados em conjunto com a Broadcom.
O calendário anunciado previa o início da implementação no segundo semestre de 2026 e a conclusão no final de 2029. A parceria inclui equipamento de rede, nomeadamente Ethernet. Abrange, portanto, um conjunto de infraestruturas que vai além do processador propriamente dito.
Estes 10 gigawatts referem-se à potência associada ao programa anunciado. Não correspondem a um montante de investimento nem a um volume de respostas produzidas. E o calendário de um comunicado não demonstra, por si só, que cada etapa tenha sido concluída. É preciso distinguir o acordo publicado, as entregas e as capacidades efetivamente operacionais.
O que mudaria realmente com várias arquiteturas
A possível vantagem estratégica consiste em dispor de várias opções para obter capacidade de computação. Mas diversificar também exige manter vários percursos técnicos: executar os modelos, medir o seu desempenho e verificar se os resultados continuam a cumprir os requisitos do serviço.
A oferta de emprego torna visível esta parte menos espetacular da corrida aos chips. Mostra que o desafio inclui o código, as ferramentas de medição e a exploração quotidiana. Os anúncios de volumes não indicam quanto trabalho será necessário para transformar capacidade adquirida num serviço útil.
Por isso, o que se segue terá de ser acompanhado a dois níveis: as confirmações comerciais e, depois, os resultados operacionais. Quem fornece o quê, em que prazo, para que tarefas e com que desempenho medido? É esta combinação que permitirá avaliar o alcance de uma diversificação. A passagem de uma marca de chips para outra é apenas o início da história.
Foto ilustrativa: um corredor de centro de dados. Não representa uma instalação identificada da OpenAI ou da Google e não permite identificar os chips utilizados.
Foto: Brett Sayles — Pexels — licença Pexels.
