A estratégia da Amazon para desafiar a Nvidia

Modelos chineses superam ChatGPT em uso, OpenAI lança Life Sci Bench, startup resolve gargalo de memória & mais

AuthorAuthor

Filipe Solevicz & Finn Puklowski
22 de junho de 2026

E aí, seja bem-vindo ao conteúdo de hoje.

A Amazon quer desafiar a Nvidia de forma mais direta, passando a vender seus próprios chips de IA para clientes externos, não apenas usá-los internamente na AWS

E não foi só isso, veja o que preparamos para você hoje.

  • Modelos chineses de IA estão ultrapassando ChatGPT e Gemini em uso global, sinalizando uma mudança importante no equilíbrio da adoção da tecnologia, não necessariamente na capacidade, mas na distribuição.

  • A OpenAI lançou o Life Sci Bench, um novo benchmark voltado para avaliar modelos de IA em tarefas científicas complexas, especialmente nas áreas de biologia e ciências da vida.

  • Uma startup afirma ter resolvido um dos principais gargalos dos LLMs, o uso ineficiente de memória durante o processamento, apontando para uma possível mudança estrutural na forma como esses modelos são executados.

Amazon entra na briga direta com Nvidia em chips de IA

A empresa já desenvolve chips como Trainium e Inferentia há algum tempo, mas até agora o foco era reduzir custos e dependência dentro da própria infraestrutura. Ao abrir essa tecnologia para o mercado, a Amazon entra de vez na disputa pelo fornecimento de compute.

O movimento ataca um ponto central da Nvidia: domínio quase absoluto no fornecimento de GPUs para IA. Se a Amazon conseguir oferecer uma alternativa competitiva em preço e performance, pode capturar parte dessa demanda, especialmente entre empresas que já operam na AWS.

Ao mesmo tempo, isso reforça uma tendência clara. Grandes players estão verticalizando tudo, de software a hardware, tentando controlar mais partes da cadeia de valor e reduzir dependências críticas.

Por que isso importa?

A hegemonia da Nvidia começa a ser testada de forma mais direta. Se novas opções de chips ganharem tração, o mercado pode ficar mais competitivo, reduzindo custos e ampliando acesso. No fim, quem controla o hardware define o ritmo da IA.

🇧🇷 IA generativa no Brasil 🇧🇷 

Modelos chineses superam ChatGPT em uso global

O avanço vem de uma combinação de fatores. Empresas chinesas têm lançado modelos competitivos, muitas vezes com custo mais baixo e forte integração em plataformas locais. Isso facilita adoção em larga escala, especialmente em mercados emergentes.

Além disso, o ecossistema chinês tende a integrar IA diretamente em apps do dia a dia, como super apps, criando um efeito de uso contínuo. Em vez de ferramentas isoladas, a IA vira parte invisível da experiência digital.

Outro ponto relevante é o acesso. Restrições geopolíticas e estratégias regionais estão criando blocos tecnológicos, onde modelos locais ganham espaço simplesmente por estarem disponíveis e adaptados ao contexto.

Porque isso importa

A liderança em IA não é só sobre quem tem o melhor modelo, mas quem tem mais usuários. Se modelos chineses dominarem em escala, isso pode redefinir padrões, influenciar mercados e mudar o centro de gravidade da tecnologia global.

🤑 Maiores investimentos do dia no mercado

OpenAI cria benchmark para testar IA em ciência

Diferente de testes tradicionais, o Life Sci Bench foca em problemas mais próximos da realidade científica, incluindo interpretação de dados, raciocínio experimental e tomada de decisão em contextos incertos. A ideia é medir não só conhecimento, mas capacidade de pensar como um pesquisador.

O benchmark inclui desafios que exigem múltiplas etapas, integração de informações e compreensão de conceitos técnicos avançados. Isso o torna mais alinhado com aplicações reais, como descoberta de medicamentos, análise genética e pesquisa biomédica.

O movimento indica uma mudança importante. À medida que a IA entra em áreas críticas como ciência e saúde, benchmarks precisam evoluir para refletir esses contextos, saindo de testes genéricos para avaliações mais especializadas.

Porque isso importa: A IA está começando a atuar em campos onde erro tem impacto direto no mundo real. Avaliar modelos com base em tarefas científicas é um passo essencial para garantir confiabilidade. No fim, não basta ser inteligente, é preciso ser útil e seguro em contextos críticos.

🛠️ Caixa de Ferramentas 🛠

  • Claude Code Artifacts - Visualize seu trabalho em andamento no Claude Code como um artefato interativo e ao vivo, construído a partir do contexto completo da sua sessão e compartilhável com sua equipe.

  • API to MCP - transforma APIs REST, GraphQL, SaaS e APIs internas de negócios em servidores MCP hospedados que agentes de IA podem usar em minutos.

  • Grok by SpaceXAI for Word - Trabalhe com um agente de IA diretamente em seus documentos do Word. O suplemento habilita uma barra lateral com um agente baseado em conversação, capaz de pesquisar na web, atualizar parágrafos ou criar documentos profissionais.

Nova abordagem pode reduzir custo e memória da IA

O problema é conhecido. Modelos grandes consomem enormes quantidades de memória para manter contexto e processar informações, o que limita performance, aumenta custo e dificulta rodar sistemas em escala ou localmente.

A solução proposta envolve uma nova forma de organizar e acessar dados durante a inferência, reduzindo drasticamente o uso de memória sem sacrificar capacidade. Em termos simples, o modelo consegue “pensar” usando menos recursos.

Se funcionar em escala, isso pode permitir rodar modelos mais avançados em hardware mais simples, reduzir custos em data centers e acelerar aplicações em dispositivos locais.

O movimento reforça uma tendência clara. O próximo salto da IA pode não vir apenas de modelos maiores, mas de arquiteturas mais eficientes que extraem mais com menos.

Por que isso importa?

Memória é um dos principais limites da IA hoje. Resolver esse gargalo pode destravar performance, reduzir custos e ampliar acesso. No fim, eficiência pode ser tão valiosa quanto inteligência.

🌐 Panorama Global

Isso é tudo por hoje!

Até amanhã.

Reply

or to participate.