Cerebras Chega à AWS para Impulsionar a Inferência de IA Mais Rápida do Setor

A AWS não está simplesmente adicionando mais um chip à sua lista de aceleradores: ela está redesenhando a arquitetura de inferência com uma divisão de trabalho radical entre dois especialistas, o Trainium3, que cuida do prefill com eficiência energética e alta largura de banda de memória (4,9 TB/s), e o Cerebras CS-3, cujo Wafer-Scale Engine 3 (WSE-3) com 44 GB de SRAM on-chip e 20 PB/s de largura de banda de memória assume o decode com latência mínima. Essa desagregação é possível graças à Elastic Fabric Adapter (EFA), que sincroniza os dois sistemas como se fossem um só, sem APIs novas, sem instâncias customizadas, apenas uma camada de inferência premium no Bedrock. O CS-3 não é só maior que o H100: ele é 57 vezes maior fisicamente e opera com 900.000 núcleos em um único wafer de 5nm, eliminando gargalos de comunicação entre chips que limitam clusters GPU.

Os números são concretos: 2.700 tokens/segundo no gpt-oss-120B, 21x mais rápido que o B200 da NVIDIA em testes independentes da Artificial Analysis, e 32% mais barato por token. Isso não é otimização incremental, é mudança de paradigma. Enquanto a NVIDIA aposta em interconexões como o NVLink e escalonamento via multi-GPU, a Cerebras resolve o problema na origem: colocar tudo, processamento, memória e comunicação, no mesmo pedaço de silício. A Amazon, por sua vez, está transformando essa capacidade em serviço acessível: o modelo Nova Premier, capaz de gerar texto e imagens simultaneamente, será um dos primeiros a rodar nessa pilha híbrida, com entrega prevista para a segunda metade de 2026.

Essa integração reduz o custo por token de modelos de ponta sem sacrificar velocidade, um ponto crítico para empresas que precisam escalar assistentes multimodais em tempo real, como atendimento bancário com análise de vídeo ou diagnóstico médico com processamento de imagens e relatórios. Ao evitar a necessidade de reescrita de código ou migração de infraestrutura, a AWS torna viável adotar hardware especializado sem virar projeto de engenharia. Para o mercado brasileiro, isso significa que startups e corporações poderão acessar inferência de classe mundial via Bedrock sem investir em data centers próprios ou contratos de longo prazo com fornecedores de hardware. É também um sinal claro de que a era pós-GPU já começou, e não depende de substituir, mas de coordenar especialistas.