Google e Blackstone Lançam Empreendimento de Cloud TPU de $5 Bilhões

A posição competitiva da Alphabet em infraestrutura de IA depende de possuir o silício, o fabric e a serving stack. Em 27 de junho de 2026, a CNBC reportou que essa aposta está dando resultado. As unidades de processamento tensorial do Google passaram de trabalhadoras internas do Gemini para um mercado de computação independente. Wall Street projeta receita do Google Cloud em $96 bilhões para 2026, um aumento de 64% em relação a 2025.

A vantagem TPU está em um número. Ralph Schackart, analista da William Blair: ASICs consomem 20% a 40% menos energia do que processadores Nvidia equivalentes, permitindo ao Google precificar computação 20% a 30% abaixo do mercado de GPU. Uma startup de visão computacional substituiu 128 H100s por pods TPU v6e e reduziu sua fatura mensal de inferência de $340.000 para $89.000 — uma redução de 74%. Stability AI moveu 40% de sua inferência de geração de imagens para TPU v6 em Q3 2025.

Duas gerações de hardware impulsionam a mudança. Trillium (v6) agora está disponível geralmente: 4,7x computação por chip versus v5, 2x capacidade HBM e bandwidth, escalando para 256 chips por pod. Trillium oferece throughput 4x mais rápido para treinamento de Llama-2-70B e GPT3-175B versus v5e. Ironwood (v7), introduzido no Cloud Next 2025 e em produção para inferência Gemini no início de 2026, é o primeiro TPU projetado explicitamente para inferência em escala. Analistas da indústria reportam que Ironwood oferece desempenho 100% melhor por watt do que v6e. Treinamento importa, mas inferência é onde custos cumulativos excedem custos de treinamento ao longo da vida útil de um modelo.

Google está vendendo além do Google Cloud. Em maio de 2026, Blackstone se comprometeu com $5 bilhões para um empreendimento conjunto de cloud TPU. O objetivo: 500 MW de capacidade TPU dedicada até 2027, com planos para escalar significativamente. Benjamin Treynor Sloss, veterano de engenharia do Google com 22 anos, lidera a nova entidade. Blackstone — o maior gestor de ativos alternativos do mundo com $1,3 trilhão em AUM e maior provedor global de data center — fornece capital e infraestrutura. Google fornece TPUs, fabric ICI e a software stack. Isso remove o requisito de comprar um contrato Google Cloud para acesso TPU em escala, desafiando diretamente neoclouds apoiados por Nvidia como CoreWeave.

Anthropic se comprometeu com centenas de milhares de chips Trillium em 2026, escalando para um milhão de TPUs até 2027 — o maior buildout de infraestrutura de IA de cliente único em registro.

Fricção de migração é real para equipes fora da stack TPU. A vantagem do ecossistema CUDA não é abstrata. vLLM e SGLang suportam TPUs via bridge JAX desde o final de 2025, mas a cobertura de modelos é estreita e PyTorch/XLA fica atrás da maturidade de JAX. Cargas de trabalho com formas dinâmicas, ramificação pesada ou kernels CUDA customizados não migram facilmente. O modelo de sharding — SPMD de XLA — requer que desenvolvedores pensem em termos de dispositivos lógicos únicos com particionamento dirigido pelo compilador, necessitando rearquitetura. Equipes em transição precisam de fluência em JAX. Postagens de emprego mencionando JAX cresceram 340% no início de 2025 versus 12% para CUDA, sinalizando demanda de talento mas oferta limitada.

Restrições de oferta de memória e custos elevados de HBM arriscam a linha do tempo de Google e Blackstone. Google perdeu pesquisadores de IA para OpenAI e Anthropic recentemente — pessoal focado em qualidade de modelo, não firmware TPU. Os sistemas e chips são co-projetados. Esse loop depende de equipes internas de modelos empurrando requisitos de hardware upstream.

Para líderes de plataforma planejando infraestrutura 2027, a vantagem econômica TPU está documentada em escala. O JV Blackstone abre acesso além do Google Cloud. O design inference-first de Ironwood se alinha com onde despesa de carga de trabalho se concentra. O custo de migração é fluência em JAX e expertise de sharding SPMD.