Una de las revelaciones más impactantes del auge de la inteligencia artificial (IA) es la creciente tendencia de las grandes empresas a fabricarse sus propios chips. Durante mucho tiempo, las tecnológicas optaron por subcontratar el desarrollo de semiconductores a expertos como Nvidia por razones de costo y eficiencia. Sin embargo, la revolución de la IA ha llevado a gigantes como Alphabet, Amazon, Microsoft y Meta a replantear esta decisión y a intensificar sus esfuerzos en el diseño de su propio silicio.
La historia de Apple y el surgimiento de nuevos actores
Apple marcó el camino en 2010 al lanzar el iPhone 4 con su propio chip, una movida que en ese momento parecía excepcional. Ahora, la onmipresencia de Nvidia en el desarrollo de unidades de procesamiento gráfico (GPU) —esenciales para entrenar modelos de IA— ha obligado a la industria a reconsiderar su enfoque.
Los titanes tecnológicos están cada vez más inquietos por depender de un único proveedor para un componente tan crucial, y el casi monopolio de Nvidia le otorga un considerable poder de fijación de precios. Según los datos de Visible Alpha, se estima que la división de centros de datos de Nvidia alcanzará un margen bruto del 74% sobre unas ventas de 187,000 millones de dólares en el año que concluye en enero.
La creciente demanda de potencia de cálculo
El vertiginoso avance en la IA exige cada vez más potencia de cálculo. Desde 2016, el coste de entrenar modelos de IA de última generación ha crecido un 2.4 veces al año, y si esta tendencia persiste, podríamos ver gastos que superen los 1,000 millones de dólares para entrenar los modelos más grandes en 2027. Esto se traduce en una presión adicional para las empresas en busca de hardware más asequible.
Así, los principales proveedores de computación en la nube —Alphabet, Amazon, Microsoft y Meta— están lanzando sus propios circuitos integrados específicos para aplicación (ASIC). A diferencia de los productos convencionales de Nvidia o Advanced Micro Devices, estos semiconductores están diseñados para cumplir un único propósito.
Google, por ejemplo, ha desarrollado sus unidades de procesamiento tensorial (TPU) para convertir voz a texto, y hoy las utiliza para entrenar modelos de IA y mejorar la experiencia de búsqueda. Siguiendo el mismo camino, Microsoft, Amazon y Meta han anunciado planes similares, incluyendo la reciente adquisición por parte de Meta de la startup de chips Rivos.
Las ventajas del enfoque hágalo usted mismo
Adoptar un enfoque de fabricación propia permite a las empresas tener un mayor control sobre su hardware, optimizándolo para sus plataformas y algoritmos de IA específicos. Microsoft sostiene que su modelo «del silicio al servicio» personaliza completamente un centro de datos, desde el software hasta los sistemas de refrigeración, lo cual podría mejorar el rendimiento y la eficiencia de Azure, su servicio en la nube.
Fabricar chips personalizados se ha vuelto más accesible, ya que las empresas recurren a proveedores como Broadcom y otras firmas pequeñas para la fabricación de semiconductores. Según analistas de Bernstein, el mercado de ASIC para IA podría crecer un 55% anual, alcanzando un valor de 60,000 millones de dólares para 2028, aunque esta cifra sigue siendo pequeña en comparación con los 375,000 millones que se espera generen las ventas de Nvidia en ese mismo período.
Innovación tecnológica en todo el mundo
No son solo las empresas estadounidenses las que están adoptando este enfoque. En China, empresas como Alibaba y Baidu también están desarrollando sus propios semiconductores para disminuir su dependencia de la tecnología estadounidense. Automovilísticas chinas exploran el uso de silicio personalizado para sus proyectos de conducción autónoma.
La colaboración entre OpenAI y Broadcom para desarrollar aceleradores de IA personalizados también marca un hito: se habla de crear 10 gigavatios, y aunque los detalles financieros son escasos, se estima que esta asociación podría llevar a Nvidia a perder ventas significativas.
Desafíos y oportunidades a futuro
Desviar las ventas potenciales de Nvidia no garantiza que las empresas ahorren en costos, ya que una porción considerable de esos ahorros podría terminar en manos de Broadcom, que mantiene márgenes brutos de hasta el 60% en su negocio de ASIC. Con el tiempo, a medida que las empresas se familiaricen con la fabricación de chips, pueden establecer relaciones más directas con fabricantes como TSMC, tal como lo ha hecho Apple.
Mientras tanto, una evaluación de Morgan Stanley reveló que las nuevas GPU Blackwell de Nvidia superan en eficiencia a los chips Trainium de Amazon. Esto implica que Amazon requerirá casi el doble de electricidad para alcanzar el mismo nivel de rendimiento, sugiriendo que las grandes tecnológicas seguirán siendo importantes clientes de Nvidia en el futuro.
A pesar de los obstáculos, la economía de los ASIC puede prosperar si se alcanza una escala adecuada. Si el costo inicial y los gastos operativos son más bajos, podría ser beneficioso para las empresas invertir en chips personalizados. Sin embargo, el verdadero desafío radica en lograr que esta tecnología sea competitiva en rendimiento y rentabilidad, lo cual determinará si reinventar la rueda del silicio fue realmente una buena decisión.
