A GPU de $500 que treina IA — sem precisar da NVIDIA

Eu lembro de 2022, quando tentar rodar qualquer coisa de machine learning numa GPU AMD era como tentar fazer churrasco com um isqueiro. O ROCm existia, sim, mas era aquele tipo de “suporte” que te fazia questionar suas decisões de vida depois de 6 horas debugando drivers.

Três anos depois, o cenário mudou de um jeito que poucos previram. A AMD não só fechou um acordo de 6 gigawatts com a Meta para alimentar seus data centers de IA, como empatou com a NVIDIA no MLPerf Inference v6.0 — o benchmark mais respeitado da indústria. E o mais interessante? Agora você consegue instalar PyTorch com ROCm numa Radeon RX 9070 XT com um simples pip install.

A real é que a NVIDIA construiu um império com o CUDA. Um ecossistema tão dominante que virou sinônimo de computação GPU. Mas impérios caem. E o ROCm está batendo na porta com uma proposta que a NVIDIA não consegue oferecer: código aberto, hardware mais barato e — finalmente — performance competitiva.

O que é ROCm (e por que você deveria se importar agora)

ROCm significa Radeon Open Compute, e é a resposta da AMD ao CUDA. Enquanto o CUDA é proprietário e te prende ao ecossistema NVIDIA, o ROCm é totalmente open source (exceto firmware). Isso significa que qualquer desenvolvedor pode contribuir, auditar e otimizar o stack.

Na prática, ROCm é uma plataforma de computação GPU que inclui:

• HIP (Heterogeneous-compute Interface for Portability): Uma API quase idêntica ao CUDA. Se você sabe escrever código CUDA, sabe escrever HIP — a ferramenta HIPIFY converte automaticamente, com menos de 5% do código precisando de ajustes manuais.
• rocBLAS, rocFFT, MIOpen: Bibliotecas otimizadas equivalentes ao cuBLAS, cuFFT e cuDNN da NVIDIA.
• Suporte nativo a PyTorch, TensorFlow, JAX e ONNX Runtime.

O problema histórico nunca foi a ideia. Era a execução. Drivers quebravam, GPUs consumer não eram suportadas, e a documentação era… digamos, criativa na sua ausência. Isso mudou.

MLPerf Inference v6.0: o momento em que o jogo virou

Em 1º de abril de 2026, a AMD publicou seus resultados no MLPerf Inference v6.0. Não foi piada de primeiro de abril.

O AMD Instinct MI355X — construído na arquitetura CDNA 4, processo de 3nm, com 185 bilhões de transistores — entregou números que fizeram a indústria prestar atenção:

Leu certo. No benchmark interativo, o MI355X superou a B200 da NVIDIA. E no modo offline, empatou. A diferença no modo server foi de míseros 3%.

Pra quem acompanha, o MI355X também foi o primeiro chip a ultrapassar 1 milhão de tokens por segundo no Llama 2 70B em configuração multi-node (11 nós) e no GPT-OSS-120B (12 nós). Esses são números que simplesmente não existiam há um ano para GPUs AMD.

As especificações do hardware explicam parte da história:

• 288 GB de memória HBM3E (contra 192 GB da B200)
• 10 petaflops de performance em FP4/FP6
• Suporte a modelos de até 520 bilhões de parâmetros em uma única GPU
• Eficiência de escalonamento de 97-98% em configurações multi-node

O acordo de 6 gigawatts da Meta: quando o dinheiro fala

Em fevereiro de 2026, AMD e Meta anunciaram uma parceria estratégica expandida. Os números são absurdos: Meta vai implantar 6 gigawatts de GPUs AMD para alimentar sua infraestrutura de IA.

Para dimensionar: 6 gigawatts é mais energia do que toda a cidade de Salvador consome. É o tipo de compromisso que não se faz por caridade ou por “diversificar fornecedores”.

O deal tem algumas camadas interessantes:

Hardware customizado: A primeira fase usa GPUs AMD Instinct MI450 customizadas para a Meta, combinadas com CPUs EPYC de 6ª geração (codinome “Venice”), rodando o stack ROCm sobre a arquitetura rack-scale AMD Helios.

Compromisso financeiro da AMD: A AMD emitiu warrants para a Meta de até 160 milhões de ações, que vestam conforme marcos de entrega são atingidos. A primeira tranche vesta com o primeiro gigawatt de entregas.

Timeline: Entregas da primeira fase começam no segundo semestre de 2026.

O que isso sinaliza pro mercado? A Meta, que tem uma das maiores infraestruturas de ML do planeta e uma equipe de engenharia que não aceita risco de software stack levianamente, apostou bilhões no ROCm. Se o ROCm fosse o mesmo software precário de 2022, esse deal não existiria.

ROCm nas GPUs consumer: a revolução silenciosa

Aqui é onde a coisa fica interessante pra quem não tem orçamento de data center.

O ROCm 7.2 oficialmente suporta GPUs consumer pela primeira vez de verdade. Não é aquele “suporte experimental” com asterisco e reza. A página de requisitos do sistema lista explicitamente:

• Radeon RX 9070 XT
• Radeon RX 9070 GRE
• Radeon RX 9070
• Séries RX 7000 (com suporte preview)

Na prática, isso significa que você pode:

# Instalar PyTorch com suporte ROCm
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.3

E começar a treinar modelos na sua Radeon. Sem patches não oficiais, sem compilar drivers na mão, sem rituais.

O Windows também entrou na jogada. O ROCm 6.4.4 trouxe suporte oficial ao PyTorch no Windows para Radeon RX 9000, RX 7000 e APUs Ryzen AI. Quem trabalha com IA local não precisa mais de Linux obrigatoriamente.

Mas — e esse “mas” é importante — a performance consumer ainda não é a mesma coisa. Uma RX 9070 XT é significativamente mais lenta que uma RTX 4090 para treinamento. A vantagem está no custo: a RX 9070 XT custa em torno de R$ 3.500, enquanto uma RTX 4090 passa dos R$ 12.000. Para inferência local, fine-tuning de modelos menores e experimentação, a proposta é sólida.

CUDA vs ROCm: onde cada um ganha (e perde)

Vamos ser honestos. O CUDA ainda é o rei em vários cenários. Mas a distância encurtou dramaticamente.

Os gaps reais do ROCm hoje:

1. TensorRT-LLM: A stack de inferência otimizada da NVIDIA não tem equivalente direto no ROCm. Para deploy em produção com latência mínima, CUDA ainda vence.
2. FlashAttention 3: Otimizado para Hopper (H100). Existem implementações para AMD, mas não tão maduras.
3. NVIDIA NIM containers: O ecossistema de containers pré-otimizados da NVIDIA não tem paralelo.
4. Custom CUDA kernels: Se seu pipeline depende de kernels CUDA customizados, a migração exige trabalho manual.

Onde o ROCm brilha:

1. Custo-benefício: Hardware 15-40% mais barato com performance cada vez mais próxima.
2. Memória HBM: MI355X tem 288 GB vs 192 GB da B200. Mais memória = modelos maiores sem multi-GPU.
3. Open source: Auditable, customizável, sem vendor lock-in.
4. Inferência interativa: Nos benchmarks MLPerf, ROCm superou CUDA neste cenário.

A ferramenta HIPIFY: migrando de CUDA para ROCm

Se você tem código CUDA e quer testar no ROCm, a AMD criou o HIPIFY — uma ferramenta que traduz automaticamente chamadas CUDA para HIP.

# Converter um arquivo CUDA para HIP
hipify-perl cuda_code.cu > hip_code.cpp

# Ou usar a versão clang (mais precisa)
hipify-clang cuda_code.cu -o hip_code.cpp

Na maioria dos casos, a conversão é mecânica:

// CUDA
cudaMalloc(&d_ptr, size);
cudaMemcpy(d_ptr, h_ptr, size, cudaMemcpyHostToDevice);
kernel<<<grid, block>>>(d_ptr);
cudaFree(d_ptr);

// HIP (gerado automaticamente)
hipMalloc(&d_ptr, size);
hipMemcpy(d_ptr, h_ptr, size, hipMemcpyHostToDevice);
kernel<<<grid, block>>>(d_ptr);
hipFree(d_ptr);

A API é quase idêntica por design. A AMD estima que aplicações típicas requerem mudanças em menos de 5% do código. O trabalho real aparece quando você depende de bibliotecas proprietárias como cuDNN ou TensorRT — essas precisam ser substituídas pelos equivalentes AMD (MIOpen, etc.), e a paridade de features nem sempre é 1:1.

O efeito dominó: o que acontece quando a NVIDIA perde o monopólio

A dominância do CUDA não é apenas técnica — é econômica. A NVIDIA pode cobrar margens de 70%+ em GPUs de data center porque não existe alternativa viável. Ou não existia.

Com o ROCm se tornando competitivo, três coisas tendem a acontecer:

1. Preços vão cair. Competição real força a NVIDIA a ser mais agressiva em pricing. Já estamos vendo isso: a B200 teve um preço de lançamento mais comedido que o esperado.

2. O ecossistema vai se abrir. Frameworks vão investir mais em backends agnósticos de hardware. O PyTorch já está nessa direção com o torch.compile e backends plugáveis.

3. Cloud providers vão diversificar. AWS, Azure e Google Cloud já oferecem instâncias com GPUs AMD. À medida que a performance se equipara, a pressão por preços menores beneficia todo mundo.

A Intel, com suas GPUs Gaudi, também entra nessa equação. Mas enquanto a Intel ainda está tentando encontrar seu lugar, a AMD já sentou à mesa principal.

Rodando um LLM local com ROCm: guia rápido

Se você tem uma RX 9070 XT e quer testar, aqui vai o caminho mais direto:

# 1. Instalar ROCm (Ubuntu 22.04+)
sudo apt update
sudo apt install rocm-dev rocm-libs

# 2. Verificar se a GPU é detectada
rocm-smi

# 3. Instalar PyTorch com ROCm
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.3

# 4. Testar
python -c "import torch; print(torch.cuda.is_available())"
# Sim, o PyTorch usa 'cuda' na API mesmo pra ROCm — é compatível por design

# 5. Rodar um modelo com Hugging Face
pip install transformers accelerate
python -c "
from transformers import pipeline
pipe = pipeline('text-generation', model='microsoft/phi-2', device='cuda')
print(pipe('The future of GPU computing is', max_new_tokens=50))
"

Para modelos maiores, o llama.cpp tem suporte ROCm nativo via backend HIP. Modelos quantizados em GGUF rodam bem em GPUs com 16 GB de VRAM.

Os números que importam: custo por token

No fim, o que define a escolha de infraestrutura de IA é custo por token ou custo por operação. E é aqui que o ROCm começa a ficar atraente para empresas.

*Estimativa baseada em preços early-access. Pode variar.

A diferença não é enorme, mas escala. Se você processa bilhões de tokens por dia — como a Meta — essa diferença se traduz em milhões de dólares economizados por ano.

O que esperar daqui pra frente

O roadmap da AMD é agressivo. O MI450, previsto para o segundo semestre de 2026, vai ser o chip customizado para a Meta — e certamente terá otimizações que beneficiam o ecossistema todo.

No lado consumer, a tendência é clara: as próximas gerações de Radeon vão ter suporte ROCm de primeira classe desde o dia 1. A AMD entendeu que capturar desenvolvedores na fase de aprendizado (com GPUs de $500) é o caminho para capturá-los no data center (com GPUs de $25.000).

O CUDA não vai morrer. É maduro demais, entranhado demais no ecossistema. Mas o monopólio? Esse está com os dias contados. E quem ganha com isso somos nós — os desenvolvedores que finalmente têm uma escolha real.

Se você está começando um projeto novo de IA em 2026 e não precisa de TensorRT, vale a pena considerar o ROCm. O hardware é mais barato, a performance é competitiva, e você não fica preso a um vendor. E se der errado? O HIPIFY faz o caminho de volta em minutos.