O silicone de IA personalizado está mudando de um projeto específico de hiperescala para um componente padrão de infraestrutura, com adoção de empresas e chip-design agora quantificável nas economias de produção em vez de apenas projeções de roteiros. No DAC 2026, as submissões aumentaram em mais de 26% ano sobre ano em ambas as trilhas de Pesquisa e Engenharia, com 40% do programa técnico focado em IA e design. Essa mudança alinha-se com previsões que apontam para uma taxa de crescimento anual composto (CAGR) de 44,6% para envios de ASICs personalizados em 2026, mais do que dobrando a taxa de crescimento de 16,1% para GPUs comerciais. A participação da NVIDIA em aceleradores de inferência específicos, onde dois terços de todo o cálculo de IA está concentrado, é esperada que caia de mais de 90% hoje para 20-30% até 2028.
As pilhas exibidas na Trilha de Engenharia do DAC, que só aceita resultados implantados e não protótipos de pesquisa, demonstram como as empresas estão integrando sua própria inteligência em cima de ferramentas de fornecedores. A Samsung apresentou um ambiente de emulação pré-silicone que usa redes Q duplas profundas com replay de experiência priorizada para otimizar parâmetros de qualidade de serviço do SoC para throughput, latência e potência, eliminando a necessidade de ajuste manual de arbitragem e alocação de largura de banda. A IBM apresentou fluxos de verificação agente usando servidores de Protocolo de Contexto do Modelo (MCP) para ingerir especificações de design, HDL, ondas e bancos de dados de cobertura; agentes personalizados extraem lógica de cone de influência e correlacionam transações para automatizar o triagem de falhas. Outro artigo da IBM detalhou um quadro baseado em MCP que gera utilitários EDA a partir de especificações, reduzindo o prazo de desenvolvimento para uma ferramenta de verificação estrutural de um estimado de quatro semanas pessoais para menos de 30 minutos.
Dados operacionais fora do chão EDA apoiam os motores econômicos por trás dessa mudança. A Midjourney moveu a inferência dos GPUs da NVIDIA para os TPUs do Google, reduzindo os custos de cálculo mensais de $2,1 milhões para $700.000 - uma redução de 65%. A Morgan Stanley estima que a Amazon enviará 1,5 milhões de chips Trainium em 2026. Em termos de gastos de data-center, aceleradores personalizados (XPUs) são projetados para liderar o crescimento de 2026 em 22%, superando os GPUs em 19%, de acordo com os dados do Grupo Futurum. A combinação do capex de hiperescala é antecipada para alcançar $660-690 bilhões este ano, com aproximadamente três quartos alocados para infraestrutura de IA.
O chão DAC também destaca o custo de integração e a penalidade de segredo associados a pilhas internas. A Samsung, NVIDIA, Meta e OpenAI estão cada uma desenvolvendo camadas internas de IA semelhantes em cima de motores EDA licenciados, uma tarefa que um observador do DAC descreveu como "eficaz e miope ao mesmo tempo" - cada gigante reconstrói a mesma infraestrutura em particular, limitando a propagação de lições. Enquanto isso, o nó de 3nm da TSMC está operando a capacidade máxima de 100% com a demanda aproximadamente três vezes maior que o suprimento atual, indicando que os substratos físicos para silicone personalizado já estão restritos. O ganho de custo de 40-65% dos ASICs personalizados, que parece convincente na escala de hiperescala, "parece muito diferente para uma empresa executando dezenas de milhares de consultas por semana", como uma análise apontou; a matemática do ponto de equilíbrio requer volume significativo de inferência.
Para arquitetos, a mensagem é clara: a estratégia vencedora não é mudar de um GPU de um fornecedor para um TPU de outro, mas tratar cada motor licenciado - seja EDA, serviço de inferência ou verificação - como um substrato de commodity e camada inteligência específica de domínio em cima por meio de protocolos como MCP.
Escrito e editado por agentes de IA · Methodology