Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip. A China investe em alternativas domésticas como Huawei Ascend 910C, GPUs Biren BR100 e aceleradores Cambricon, tentando reduzir a dep...
Publicado porEditado com GPT-5.5Imagens geradas com GPT Image 2
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip.
A China investe em alternativas domésticas como Huawei Ascend 910C, GPUs Biren BR100 e aceleradores Cambricon, tentando reduzir a dependência de hardware ocidental.
A disputa não envolve apenas potência de cálculo: capacidade de memória, software, fabricação e clusters de milhares de chips são fatores decisivos na infraestrutura de IA.
Research US vs China AI Chips and compare them as comprehensively as possible in table formatThe global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com
A corrida global por computação de inteligência artificial está cada vez mais definida pela competição entre dois grandes ecossistemas tecnológicos: o dos Estados Unidos e o da China.
Empresas americanas como AMD e Google dominam boa parte do mercado de aceleradores de alto desempenho usados para treinar modelos gigantes de IA. Ao mesmo tempo, empresas chinesas — como Huawei, Biren e Cambricon — vêm desenvolvendo chips próprios para reduzir a dependência de tecnologia estrangeira.
Embora ambos os lados produzam aceleradores especializados para treinamento e inferência de modelos de IA, a disputa vai além da potência bruta. Fatores como largura de banda de memória, interconexões de cluster, capacidade de fabricação e ecossistemas de software são igualmente importantes.
A seguir está uma comparação abrangente dos principais chips documentados nesse cenário.
Principais chips na disputa EUA–China
Estados Unidos
AMD Instinct MI325X
Google TPU v6e (Trillium)
China
Huawei Ascend 910 (e variantes como 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
Esses chips são projetados para cargas de trabalho intensivas como treinamento de grandes modelos de linguagem (LLMs), inferência em escala e computação científica.
Comparação técnica dos chips
Chip
País / Empresa
Arquitetura / Processo
Pico de computação
Memória
Largura de banda
Consumo
Destaques
AMD Instinct MI325X
EUA / AMD
Arquitetura CDNA3
~1,3 PFLOPS FP16 (2,6 PFLOPS FP8 com sparsity)
256 GB HBM3E
~6 TB/s
~750–1000 W
Grande capacidade de memória para treinamento de modelos gigantes.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "EUA vs. China na corrida dos chips de IA"?
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip.
Quais são os pontos-chave para validar primeiro?
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip. A China investe em alternativas domésticas como Huawei Ascend 910C, GPUs Biren BR100 e aceleradores Cambricon, tentando reduzir a dependência de hardware ocidental.
O que devo fazer a seguir na prática?
A disputa não envolve apenas potência de cálculo: capacidade de memória, software, fabricação e clusters de milhares de chips são fatores decisivos na infraestrutura de IA.
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip. A China investe em alternativas domésticas como Huawei Ascend 910C, GPUs Biren BR100 e aceleradores Cambricon, tentando reduzir a dep...
Publicado porEditado com GPT-5.5Imagens geradas com GPT Image 2
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip.
A China investe em alternativas domésticas como Huawei Ascend 910C, GPUs Biren BR100 e aceleradores Cambricon, tentando reduzir a dependência de hardware ocidental.
A disputa não envolve apenas potência de cálculo: capacidade de memória, software, fabricação e clusters de milhares de chips são fatores decisivos na infraestrutura de IA.
Research US vs China AI Chips and compare them as comprehensively as possible in table formatThe global AI accelerator race increasingly centers on competing chip ecosystems in the United States and China.
Prompt de IA
Create a landscape editorial hero image for this Studio Global article: Research US vs China AI Chips and compare them as comprehensively as possible in table format. Article summary: The US side in this evidence set includes Nvidia H200, AMD MI325X, and Google TPU v6e, while the China side is represented mainly by Huawei’s Ascend 910B.. Topic tags: deepresearch, documentation, general web, education, user generated. Reference image context from search candidates: Reference image 1: visual subject "RAND's divisions conduct research on a uniquely broad front for clients around the globe. #### U.S. research divisions. U.S. and China flags on a computer chip on a motherboard. **" source context "China's AI Models Are Closing the Gap—but America's Real Advantage Lies Elsewhere | RAND" Reference image 2: visual subject "RAND's divisions conduct research on a uniquely broad front for clients a
openai.com
A corrida global por computação de inteligência artificial está cada vez mais definida pela competição entre dois grandes ecossistemas tecnológicos: o dos Estados Unidos e o da China.
Empresas americanas como AMD e Google dominam boa parte do mercado de aceleradores de alto desempenho usados para treinar modelos gigantes de IA. Ao mesmo tempo, empresas chinesas — como Huawei, Biren e Cambricon — vêm desenvolvendo chips próprios para reduzir a dependência de tecnologia estrangeira.
Embora ambos os lados produzam aceleradores especializados para treinamento e inferência de modelos de IA, a disputa vai além da potência bruta. Fatores como largura de banda de memória, interconexões de cluster, capacidade de fabricação e ecossistemas de software são igualmente importantes.
A seguir está uma comparação abrangente dos principais chips documentados nesse cenário.
Principais chips na disputa EUA–China
Estados Unidos
AMD Instinct MI325X
Google TPU v6e (Trillium)
China
Huawei Ascend 910 (e variantes como 910C)
Biren BR100 / BR104
Cambricon MLU370‑X8
Esses chips são projetados para cargas de trabalho intensivas como treinamento de grandes modelos de linguagem (LLMs), inferência em escala e computação científica.
Comparação técnica dos chips
Chip
País / Empresa
Arquitetura / Processo
Pico de computação
Memória
Largura de banda
Consumo
Destaques
AMD Instinct MI325X
EUA / AMD
Arquitetura CDNA3
~1,3 PFLOPS FP16 (2,6 PFLOPS FP8 com sparsity)
256 GB HBM3E
~6 TB/s
~750–1000 W
Grande capacidade de memória para treinamento de modelos gigantes.
Studio Global AI
Continue sua pesquisa
Esta página inclui uma resposta baseada na fonte que você pode continuar em Studio Global.
Qual é a resposta curta para "EUA vs. China na corrida dos chips de IA"?
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip.
Quais são os pontos-chave para validar primeiro?
Os EUA ainda lideram em desempenho documentado de aceleradores de IA, com chips como o AMD MI325X (≈1,3 PFLOPS FP16 e 256 GB de HBM3E) e o Google TPU v6e com 918 TFLOPs bf16 por chip. A China investe em alternativas domésticas como Huawei Ascend 910C, GPUs Biren BR100 e aceleradores Cambricon, tentando reduzir a dependência de hardware ocidental.
O que devo fazer a seguir na prática?
A disputa não envolve apenas potência de cálculo: capacidade de memória, software, fabricação e clusters de milhares de chips são fatores decisivos na infraestrutura de IA.
Projetado para pods de até 256 chips interconectados.
Huawei Ascend 910
China / Huawei
Arquitetura Da Vinci, ~7 nm
~256 TFLOPS FP16
HBM
~1,2 TB/s
~350 W
Lançado em 2019 como principal acelerador de IA da Huawei.
Huawei Ascend 910C
China / Huawei
Design chiplet (dual‑die) ~7 nm
~800 TFLOPS FP16 (estimado)
até ~96–128 GB HBM
~3,2 TB/s
~310 W
Desenvolvido para competir com GPUs de IA avançadas.
Biren BR100
China / Biren
GPU multi‑die, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64 GB HBM2E
até ~2,3 TB/s
~550 W
GPU com ~77 bilhões de transistores voltada para data centers.
Biren BR104
China / Biren
GPU monolítica
~128 TFLOPS FP32
32 GB HBM2E
~819 GB/s
~300 W
Variante menor para placas PCIe.
Cambricon MLU370‑X8
China / Cambricon
MLUarch03, 7 nm
96 TFLOPS FP16 / 256 TOPS INT8
48 GB LPDDR5
~614 GB/s
~250 W
Interconexão MLU‑Link para clusters multi‑placa.
Arquitetura e desempenho computacional
Os chips americanos atualmente apresentam maior desempenho bruto documentado para treinamento de IA em grande escala.
O AMD Instinct MI325X atinge cerca de 1,3 petaflops em FP16, uma capacidade voltada para treinamento de modelos massivos.
O Google TPU v6e oferece 918 TFLOPs bf16 por chip e foi projetado para funcionar em pods com centenas de unidades interligadas.
Do lado chinês, a estratégia tem sido reduzir a diferença gradualmente:
O Huawei Ascend 910C utiliza um design com dois chiplets derivados do 910B e pode chegar a aproximadamente 800 TFLOPS FP16.
A GPU Biren BR100 alcança 256 TFLOPS FP32 e cerca de 2.048 TOPS em INT8, buscando competir em data centers de IA.
Já o Cambricon MLU370‑X8 oferece 96 TFLOPS FP16 e 256 TOPS INT8, com foco tanto em treinamento quanto inferência.
Memória e largura de banda
Em IA moderna, memória e largura de banda são tão importantes quanto o poder de cálculo. Grandes modelos movem enormes volumes de tensores entre memória e unidades de processamento.
AMD MI325X: 256 GB de memória HBM3E com cerca de 6 TB/s de largura de banda — uma das maiores capacidades disponíveis.
TPU v6e: 32 GB de HBM e cerca de 1,6 TB/s de banda por chip, compensados pela escalabilidade em pods.
Huawei Ascend 910C: aproximadamente 3,2 TB/s de largura de banda, suportando cargas de trabalho de grande escala.
Biren BR100: 64 GB de HBM2E com cerca de 2,3 TB/s de banda.
Quanto maior a largura de banda, mais rápido o hardware consegue alimentar os aceleradores de matriz usados no treinamento de redes neurais profundas.
Interconexões e escalabilidade
Treinar modelos modernos raramente envolve apenas um chip. Normalmente são usados clusters com centenas ou milhares de aceleradores.
O TPU v6e utiliza uma rede dedicada chamada Inter‑Chip Interconnect (ICI) para formar pods com até 256 chips.
O Cambricon MLU370‑X8 usa MLU‑Link, que fornece 200 GB/s de comunicação entre placas.
As GPUs da Biren incluem interconexões de alta velocidade para clusters multi‑acelerador.
Hoje, a arquitetura do cluster pode ser tão decisiva quanto o desempenho de um chip isolado.
Fabricação e cadeias de suprimento
A tecnologia de fabricação influencia diretamente desempenho e eficiência energética.
O Biren BR100 foi produzido usando o processo 7 nm da TSMC com empacotamento CoWoS.
Os chips Ascend mais recentes combinam projetos fabricados no processo de classe 7 nm da SMIC com wafers produzidos antes das restrições comerciais dos EUA.
Já os chips projetados nos EUA geralmente dependem de cadeias globais avançadas de fabricação e empacotamento, que incluem algumas das tecnologias mais sofisticadas da indústria de semicondutores.
Ecossistema de software
No mundo da IA, hardware sozinho não garante adoção.
Nos EUA, plataformas contam com ecossistemas maduros como CUDA, ROCm e a pilha de software dos TPUs do Google.
A Huawei promove o framework CANN (Compute Architecture for Neural Networks) para desenvolver aplicações em chips Ascend.
Ferramentas de desenvolvimento, frameworks de machine learning e integração com serviços de nuvem muitas vezes determinam qual hardware domina aplicações reais.
O que a comparação revela
Alguns padrões claros emergem da geração atual de aceleradores de IA:
Liderança em desempenho: chips americanos ainda mostram maior capacidade de computação e memória documentadas.
Alternativas domésticas: a China desenvolveu múltiplas linhas de chips — Ascend, Biren e Cambricon — para reduzir dependência tecnológica.
Competição em escala: a disputa está cada vez mais em sistemas gigantes de IA e clusters de supercomputação, não apenas em chips individuais.
Em outras palavras, a corrida por chips de IA não é apenas sobre transistores ou TFLOPs. É uma disputa entre ecossistemas completos — hardware, software, fabricação e infraestrutura de data center — que irão moldar o futuro da computação de inteligência artificial.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
Projetado para pods de até 256 chips interconectados.
Huawei Ascend 910
China / Huawei
Arquitetura Da Vinci, ~7 nm
~256 TFLOPS FP16
HBM
~1,2 TB/s
~350 W
Lançado em 2019 como principal acelerador de IA da Huawei.
Huawei Ascend 910C
China / Huawei
Design chiplet (dual‑die) ~7 nm
~800 TFLOPS FP16 (estimado)
até ~96–128 GB HBM
~3,2 TB/s
~310 W
Desenvolvido para competir com GPUs de IA avançadas.
Biren BR100
China / Biren
GPU multi‑die, TSMC 7 nm CoWoS
256 TFLOPS FP32 / ~2.048 TOPS INT8
64 GB HBM2E
até ~2,3 TB/s
~550 W
GPU com ~77 bilhões de transistores voltada para data centers.
Biren BR104
China / Biren
GPU monolítica
~128 TFLOPS FP32
32 GB HBM2E
~819 GB/s
~300 W
Variante menor para placas PCIe.
Cambricon MLU370‑X8
China / Cambricon
MLUarch03, 7 nm
96 TFLOPS FP16 / 256 TOPS INT8
48 GB LPDDR5
~614 GB/s
~250 W
Interconexão MLU‑Link para clusters multi‑placa.
Arquitetura e desempenho computacional
Os chips americanos atualmente apresentam maior desempenho bruto documentado para treinamento de IA em grande escala.
O AMD Instinct MI325X atinge cerca de 1,3 petaflops em FP16, uma capacidade voltada para treinamento de modelos massivos.
O Google TPU v6e oferece 918 TFLOPs bf16 por chip e foi projetado para funcionar em pods com centenas de unidades interligadas.
Do lado chinês, a estratégia tem sido reduzir a diferença gradualmente:
O Huawei Ascend 910C utiliza um design com dois chiplets derivados do 910B e pode chegar a aproximadamente 800 TFLOPS FP16.
A GPU Biren BR100 alcança 256 TFLOPS FP32 e cerca de 2.048 TOPS em INT8, buscando competir em data centers de IA.
Já o Cambricon MLU370‑X8 oferece 96 TFLOPS FP16 e 256 TOPS INT8, com foco tanto em treinamento quanto inferência.
Memória e largura de banda
Em IA moderna, memória e largura de banda são tão importantes quanto o poder de cálculo. Grandes modelos movem enormes volumes de tensores entre memória e unidades de processamento.
AMD MI325X: 256 GB de memória HBM3E com cerca de 6 TB/s de largura de banda — uma das maiores capacidades disponíveis.
TPU v6e: 32 GB de HBM e cerca de 1,6 TB/s de banda por chip, compensados pela escalabilidade em pods.
Huawei Ascend 910C: aproximadamente 3,2 TB/s de largura de banda, suportando cargas de trabalho de grande escala.
Biren BR100: 64 GB de HBM2E com cerca de 2,3 TB/s de banda.
Quanto maior a largura de banda, mais rápido o hardware consegue alimentar os aceleradores de matriz usados no treinamento de redes neurais profundas.
Interconexões e escalabilidade
Treinar modelos modernos raramente envolve apenas um chip. Normalmente são usados clusters com centenas ou milhares de aceleradores.
O TPU v6e utiliza uma rede dedicada chamada Inter‑Chip Interconnect (ICI) para formar pods com até 256 chips.
O Cambricon MLU370‑X8 usa MLU‑Link, que fornece 200 GB/s de comunicação entre placas.
As GPUs da Biren incluem interconexões de alta velocidade para clusters multi‑acelerador.
Hoje, a arquitetura do cluster pode ser tão decisiva quanto o desempenho de um chip isolado.
Fabricação e cadeias de suprimento
A tecnologia de fabricação influencia diretamente desempenho e eficiência energética.
O Biren BR100 foi produzido usando o processo 7 nm da TSMC com empacotamento CoWoS.
Os chips Ascend mais recentes combinam projetos fabricados no processo de classe 7 nm da SMIC com wafers produzidos antes das restrições comerciais dos EUA.
Já os chips projetados nos EUA geralmente dependem de cadeias globais avançadas de fabricação e empacotamento, que incluem algumas das tecnologias mais sofisticadas da indústria de semicondutores.
Ecossistema de software
No mundo da IA, hardware sozinho não garante adoção.
Nos EUA, plataformas contam com ecossistemas maduros como CUDA, ROCm e a pilha de software dos TPUs do Google.
A Huawei promove o framework CANN (Compute Architecture for Neural Networks) para desenvolver aplicações em chips Ascend.
Ferramentas de desenvolvimento, frameworks de machine learning e integração com serviços de nuvem muitas vezes determinam qual hardware domina aplicações reais.
O que a comparação revela
Alguns padrões claros emergem da geração atual de aceleradores de IA:
Liderança em desempenho: chips americanos ainda mostram maior capacidade de computação e memória documentadas.
Alternativas domésticas: a China desenvolveu múltiplas linhas de chips — Ascend, Biren e Cambricon — para reduzir dependência tecnológica.
Competição em escala: a disputa está cada vez mais em sistemas gigantes de IA e clusters de supercomputação, não apenas em chips individuais.
Em outras palavras, a corrida por chips de IA não é apenas sobre transistores ou TFLOPs. É uma disputa entre ecossistemas completos — hardware, software, fabricação e infraestrutura de data center — que irão moldar o futuro da computação de inteligência artificial.
cset.georgetown.edu
Pushing the Limits: Huawei's AI Chip Tests U.S. Export Controls
