Como os chips de IA como as GPUs da Nvidia são projetados e fabricados

As ações da Nvidia caíram mais de 3% em uma quarta-feira em outubro de 2026 e caíram ainda mais na negociação pré-mercado no dia seguinte, após uma leitura de inflação dos EUA mais quente do que o esperado aumentar os rendimentos de títulos e desencadear uma venda em larga escala mais ampla em ações de chips, de acordo com Yahoo Finance. O mesmo relatório disse que o provedor de nuvem CoreWeave caiu mais de 16% em preocupações sobre sua carga de dívida, que Marvell Technology e SK Hynix também caíram em meio a preocupações separadas sobre competição chinesa, e que investidores estavam aguardando os resultados trimestrais da TSMC, esperados mostrarem um aumento de 60% em lucro.

A venda em larga escala foi vinculada a preocupações com taxas de juros e dívida em vez de qualquer mudança em como os chips de IA são fabricados ou vendidos. Mas atraiu nova atenção para a indústria por trás dos próprios chips — um processo dividido entre dois negócios muito diferentes: projetar um chip e fabricá-lo.

Design: desenhando o circuito antes de nada ser construído

Empresas como Nvidia não operam suas próprias fábricas de chips. Sob o modelo "sem fábrica" ("fabless"), Nvidia projeta arquitetura de chip e software — como sua plataforma CUDA — e depende de fundições externas para produção, de acordo com o Instituto para Política e Estratégia de IA (IAPS). Motley Fool descreve as GPUs da Nvidia como o hardware que executa o trabalho de treinamento e inferência por trás dos modelos de IA.

IAPS explica que o design de chip começa com requisitos de alto nível, que arquitetos transformam em lógica de circuito detalhada usando software de automação de design eletrônico (EDA). Os designers constroem componentes do zero ou licenciam "núcleos IP" prontos para uso, depois simulam e verificam formalmente o design antes de ser traduzido em arquivos de fabricação correspondentes ao processo específico de uma fundição. IAPS afirma que "o design de chip é um processo difícil e laborioso", observando que designers como Nvidia e AMD empregam dezenas de milhares de pessoas e que projetar um chip de IA de ponta pode levar um ano ou mais.

Fabricação: centenas de passos em uma pastilha de silício

Uma vez que um design é concluído, ele se move para uma fundição — mais frequentemente a TSMC de Taiwan para os chips de IA mais avançados. A fabricação começa com pastilhas de silício de 300 mm altamente purificadas e um conjunto de fotomáscaras que codificam o padrão do circuito, de acordo com IAPS. Construir o chip em si envolve centenas de passos repetidos: deposição de camadas de material, padrão com fotorresistência sensível à luz exposta através das máscaras (fotolitografia), dopagem de seções com implantação de íons para definir suas propriedades elétricas, polimento da superfície plana e adição de camadas de metal para conectar os componentes.

O passo de litografia depende de máquinas de ultravioleta extremo (EUV) fabricadas exclusivamente pela empresa holandesa ASML. Ao relatar seus resultados do terceiro trimestre de 2026 em 14 de outubro, ASML disse que as vendas atingiram €11,7 bilhões, um aumento de 55% ano a ano, com lucro líquido mais que dobrando para €5 bilhões, de acordo com Euronews. Apesar de vendas recordes e perspectiva de 2026 elevada, ASML disse que seus aumentos de capacidade planejados de 30% ao ano para 2027 e 2028 ainda não serão suficientes para atender aos pedidos dos clientes. O CEO da ASML, Christophe Fouquet, disse que os clientes agora estão reservando máquinas anos de antecedência.

A embalagem se tornou o novo gargalo

Depois que uma pastilha é fabricada, ela é cortada em dados individuais, testada e montada em um pacote terminado — um estágio que IAPS chama Assembly, Test and Packaging (ATP). Para chips de IA, essa etapa agora é tão importante quanto a fabricação em si. TSMC usa uma técnica chamada Chip-on-Wafer-on-Substrate (CoWoS) para empilhar um dado de processador junto com vários pacotes de memória de alta largura de banda em um interpositor, que IAPS diz que TSMC aplica aos chips H100 da Nvidia. O anúncio da TSMC de outubro de 2026 de seu roteiro, cobrindo um nó de produção A13 de próxima geração e embalagem CoWoS expandida, disse que um futuro formato CoWoS de "tamanho de 14 retículos" integrará aproximadamente dez dados de computação grandes com cerca de 20 pacotes de memória HBM até 2028.

O anúncio de roteiro da TSMC descreve a embalagem avançada CoWoS como expandindo para atender à demanda impulsionada por IA, avançando para o formato de 14 retículos até 2028 e uma expansão adicional em 2029. Essa trajetória aponta para uma mudança mais ampla em toda a cadeia de suprimentos de chips de IA — da fabricação de silício para a embalagem como uma restrição crescente — mesmo que ASML, um fabricante de ferramentas de litografia em vez de equipamento de embalagem, continue relatando demanda recorde por suas máquinas.

A IA também está sendo usada para construir os chips

Nvidia e TSMC começaram a aplicar ferramentas de IA dentro do próprio processo de fabricação. De acordo com o anúncio da própria Nvidia, TSMC usa software cuLitho da Nvidia para acelerar a litografia computacional — os cálculos necessários para projetar fotomáscaras — oferecendo o que Nvidia descreve como uma melhoria de 20-50% em custo-efetividade ou tempo de ciclo em comparação com métodos baseados em CPU. As empresas também descreveram o uso da biblioteca cuEST da Nvidia para simulações de química, ferramentas de visão-IA para detecção de defeitos na linha de produção e um projeto de fábrica virtual em estágio inicial chamado "FabTwin", construído na plataforma Omniverse da Nvidia, para testar layouts de fab antes de serem construídos.

Designs alternativos ao GPU padrão

Nem toda empresa segue a arquitetura da Nvidia. Motley Fool relata que Cerebras Systems constrói um único chip gigante — seu Wafer-Scale Engine — que descreve como 58 vezes maior que a GPU B200 da Nvidia, combinando grandes quantidades de computação e memória em um pedaço de silício em vez de vincular muitos chips menores juntos. Cerebras diz que esse design produz velocidades de inferência até 15 vezes mais rápidas que sistemas baseados em GPU para algumas cargas de trabalho, uma abordagem que Fool enquadra como um desafio de design direto à posição dominante da Nvidia em hardware de IA.