Waymo revela chip de IA personalizado de 5 nm para os seus robotáxis

A Waymo revelou o silício personalizado e a arquitetura de computação heterogénea por detrás da sua mais recente plataforma de robotáxis, incluindo um ASIC dedicado de 5 nanómetros que, segundo a empresa, ultrapassa 1.000 biliões de operações de aprendizagem automática por segundo no processamento inicial de perceção e sensores. A divulgação, publicada a 20 de agosto, é relevante porque mostra um dos maiores operadores comerciais de condução autónoma do mundo a aprofundar a integração vertical da sua infraestrutura de IA, em vez de depender exclusivamente de aceleradores de uso geral.

O chip não substitui todos os processadores dentro de um veículo Waymo. A empresa descreve-o como um acelerador especializado colocado no início da cadeia de perceção, onde processa fluxos brutos de lidar, radar e câmaras antes de os dados chegarem ao sistema de inferência mais abrangente. As suas funções incluem extração de características, fusão de informação dos sensores e execução de redes neuronais sob restrições rigorosas de latência. A Waymo afirma que o sistema mais recente consegue processar simultaneamente, em tempo real, dados de alta fidelidade provenientes de 13 câmaras de alta resolução.

Este é um problema de engenharia diferente do encontrado em IA de centros de dados. Um robotáxi tem de executar localmente e de forma contínua a componente crítica de condução, respeitando limites rígidos de latência, energia, calor, espaço e fiabilidade. A Waymo diz que o sistema de computação a bordo toma decisões em milissegundos e foi concebido em torno de capacidade de resposta, robustez e redundância. A empresa afirma ainda que aumentou a capacidade de computação cerca de 20 vezes em oito anos, mantendo simultaneamente os requisitos de integração no veículo, eficiência da bateria, refrigeração e ruído.

O ASIC personalizado reflete essa especialização da carga de trabalho. Segundo a Waymo, o desenho inclui aceleradores para operações como redução temporal de ruído, que pode melhorar a perceção em condições de pouca luz, e suporta modelos que vão de convoluções esparsas a transformers densos. Como as cargas de condução autónoma funcionam frequentemente com batches pequenos, o throughput máximo não determina sozinho o desempenho. A empresa destaca a otimização de toda a pilha, incluindo movimentação de memória, fidelidade dos sensores, quantização e latência efetivamente alcançada.

A arquitetura mais ampla continua a ser heterogénea. A Waymo identifica explicitamente AMD, Micron, Nvidia, Samsung, SanDisk, Socionext e TSMC entre os fornecedores da sua plataforma de computação atual. Por isso, a existência de um chip próprio não significa que a empresa tenha abandonado CPUs, GPUs ou outros aceleradores comerciais. O modelo parece ser híbrido: internalizar as partes mais diferenciadoras do caminho de inferência e continuar a adquirir componentes externos quando estes oferecem melhor economia, desempenho ou velocidade de desenvolvimento.

A cobertura independente coincide, no essencial, com a descrição da Waymo. O The Verge reportou o mesmo processo de 5 nm, capacidade inicial da ordem dos 1.000 TOPS e a continuação da utilização de fornecedores como Nvidia e AMD. A SiliconANGLE também noticiou que o módulo de condução autónoma de sexta geração da Waymo combina ASICs personalizados com uma pilha de computação mais ampla. Nenhum desses relatos apresenta, porém, benchmarks independentes das afirmações da empresa. Assim, os 1.000 TOPS e as vantagens de eficiência devem ser tratados como especificações reportadas pela Waymo, não como medições validadas por terceiros.

Para equipas de infraestrutura de IA, a lição arquitetural é mais importante do que o número em destaque. À medida que a IA sai da cloud e entra em robôs, veículos, sistemas industriais e outros ambientes em tempo real, muda o equilíbrio entre aceleradores generalistas e silício especializado. Um GPU de centro de dados pode ser extremamente flexível, mas a autonomia no edge valoriza latência previsível, processamento próximo dos sensores, eficiência energética e co-design entre hardware e software. Na prática, a Waymo trata o veículo como um sistema distribuído de edge AI em que computação, sensores e modelos são desenhados em conjunto.

Esta abordagem também altera a arquitetura de software. Aceleradores personalizados tornam mais importantes o suporte de compiladores, as estratégias de quantização, o particionamento de modelos, a observabilidade e os mecanismos de fallback. As equipas não podem otimizar apenas a precisão dos modelos. Têm de decidir que operações pertencem ao silício especializado, quais devem permanecer em CPUs ou GPUs, como os dados circulam entre processadores, como as falhas são detetadas e isoladas e como o software pode ser atualizado sem reduzir as garantias de segurança. Em sistemas críticos, redundância e comportamento determinístico podem ser tão importantes como throughput bruto.

A divulgação também tem implicações para o mercado de chips de IA. A Nvidia continua a ser um fornecedor nomeado pela Waymo, por isso esta não é uma história simples de substituição da Nvidia por tecnologia interna. É mais correto vê-la como evidência de que grandes operadores de IA podem internalizar as partes das suas cargas de trabalho que mais os diferenciam, mantendo componentes comerciais noutros pontos da arquitetura. O mesmo padrão já é visível em infraestruturas de cloud hyperscale. Os veículos autónomos transportam essa tendência para a IA física.

Existem limites importantes ao que é conhecido. A Waymo não publicou tamanho do die, número de transístores, volumes de produção, custo unitário, consumo energético, largura de banda de memória, topologia detalhada de redundância nem benchmarks independentes e reproduzíveis. Também não há informação suficiente para comparar diretamente o ASIC com chips concorrentes de condução autónoma em condições equivalentes. A afirmação de mais de 1.000 TOPS não deve, portanto, ser tratada como uma medida isolada da capacidade de condução ou da segurança.

Ainda assim, o momento da divulgação é significativo. A Waymo está a expandir o serviço comercial para mais cidades dos Estados Unidos e a aumentar a escala e a diversidade da sua frota. Uma plataforma de computação personalizada só tende a fazer sentido económico quando o operador espera volume de implementação suficiente, ciclos de produto longos ou valor estratégico no controlo de partes críticas da pilha. A divulgação sugere que a Waymo considera a sua carga de trabalho de condução autónoma suficientemente madura para justificar esse investimento.

Os próximos pontos a acompanhar incluem os detalhes que a Waymo apresentar em eventos técnicos como o Hot Chips, se futuras gerações de veículos transferem ainda mais inferência para silício personalizado e o impacto da arquitetura no custo, consumo de energia e manutenção à escala de frota. Para quem constrói sistemas de IA física, a mensagem mais ampla já é clara: quando a IA deixa o centro de dados e tem de agir no mundo real sob restrições rígidas de tempo e segurança, computação especializada e co-design ponta a ponta tornam-se decisões arquiteturais de primeira ordem.