Qualcomm revelou sua arquitetura de memória High Bandwidth Compute (HBC) e anunciou roadmap de chips de data center de IA no Investor Day de 24 de junho de 2026, visando $15 bilhões em vendas anuais de chips de IA de data center em fiscal 2029, acima de $5 bilhões em 2027. O design HBC empilha DRAM de baixa potência diretamente em dados lógicos usando vias através de silício, eliminando embalagem custosa de memória de alta largura de banda (HBM) e interposers avançados. Qualcomm afirma que HBC oferece 6x mais largura de banda por watt versus HBM e oferece capacidade de 768GB com 133TB/s de largura de banda, visando implantação com acelerador AI250 em meados de 2027, seguido por AI300 em 2028.
A arquitetura aborda as restrições de energia e custo da indústria de semicondutores: conforme a demanda de infraestrutura de IA sobrecarrega redes elétricas e custos disparam, clientes cada vez mais otimizam para custo-por-inferência em vez de desempenho de pico. Qualcomm garantiu vitórias de design com Microsoft (acordo multigeracão em PC, IA local e data center) e Meta (compromisso multigeracão para CPU Dragonfly C1000 com 250+ núlcleos a 5GHz). A empresa também adquiriu empresa de software de IA Modular, criando uma camada de software para conectar aplicações escritas em CUDA ao hardware Qualcomm—um movimento estratégico contra o moat da NVIDIA.
Para arquitetos planejando implantações de IA em larga escala, isso é significativo porque oferece uma alternativa credível ao domínio da NVIDIA: eficiência de potência de HBC e TCO menor abordam pressão de hyperscale de constrangimentos de disponibilidade de energia estendida (turbinas a gás estão reservadas até 2028). No entanto, a ressalva é risco de execução: todos os produtos ainda estão em estágios de amostragem/desenvolvimento, e NVIDIA mantém 70-80% de participação de mercado de GPU com ecossistema CUDA comprovado de lock-in. A estratégia da Qualcomm pivota em eficiência e compatibilidade de software em vez de desempenho bruto—um caminho viável para inferência em escala, mas fragmentado do treinamento.