Por Qué Todas las Grandes Tecnológicas Quieren Tener su Propio Chip de IA

El 12 de julio, SK Hynix realizó la mayor oferta pública inicial extranjera jamás registrada en Estados Unidos, impulsada casi en su totalidad por la demanda de chips de memoria HBM utilizados en inteligencia artificial. En la misma semana, los rumores sobre el futuro chip M7 Ultra de Apple indicaban soporte para hasta 1,5 TB de RAM. Dos noticias aparentemente distintas, pero que apuntan al mismo movimiento: las grandes empresas de tecnología ya no quieren depender solo de Nvidia para ejecutar sus modelos de IA.

Por Qué No Basta Comprar Chips de Nvidia

Nvidia domina el mercado de procesadores para entrenar y ejecutar modelos de IA desde hace años, y por buenas razones: sus chips y el ecosistema de software que los rodea son difíciles de igualar. El problema es que este dominio se ha convertido en un cuello de botella. La demanda de capacidad de procesamiento ha crecido mucho más rápido que la capacidad de Nvidia para fabricar y entregar, y las empresas que dependen completamente de un único proveedor quedan atrapadas por su precio y su lista de espera.

El Verdadero Cuello de Botella Está en la Memoria, No Solo en el Procesamiento

Ejecutar un modelo de lenguaje grande no es solo cuestión de poder de cálculo. El modelo completo, con sus miles de millones de parámetros, debe estar accesible lo más cerca posible del procesador, y ahí es donde entra la memoria HBM, siglas de High Bandwidth Memory. Es más cara y más difícil de fabricar que la memoria común de computadora, y su demanda ha crecido tanto que fabricantes como SK Hynix se han convertido en piezas tan estratégicas como la propia Nvidia. Esto explica por qué una empresa de memoria, no de procesadores, protagonizó la mayor OPI extranjera de la historia estadounidense.

Quién Ya Está Construyendo su Propio Chip

El movimiento no es nuevo, solo se está acelerando. Google desarrolla sus propios chips TPU desde hace más de una década para ejecutar Gemini y otros modelos internos. Amazon tiene los chips Trainium e Inferentia ejecutando parte de la infraestructura de AWS. Microsoft presentó el chip Maia para sus centros de datos de IA. Incluso OpenAI, que no fabrica hardware, ya ha mostrado interés en los últimos años por desarrollar capacidad propia de chips para reducir su dependencia de proveedores externos.

Apple sigue el mismo camino por otra puerta: ya domina el diseño de silicio propio en iPhones y Macs, y está expandiendo esa estrategia para soportar cargas de IA cada vez mayores localmente, como sugieren los rumores en torno al M7 Ultra. Ninguna de estas empresas ha dejado de comprar chips de Nvidia. El objetivo no es reemplazar completamente al proveedor, sino reducir la dependencia y tener control sobre una parte de la propia infraestructura.

Qué Cambia para Quien Solo Usa IA en el Día a Día

Para el usuario final, este movimiento tiende a manifestarse de forma indirecta: modelos que se ejecutan más rápido, costo por consulta que disminuye gradualmente y nuevas funciones, como ventanas de contexto más grandes, que se vuelven viables. Al mismo tiempo, crea una disputa a largo plazo entre quienes fabrican el hardware y quienes construyen los modelos, lo que debería moldear el precio y la disponibilidad de las herramientas de IA en los próximos años.

FAQ

¿Esto significa que Nvidia va a perder el mercado de IA?

No a corto plazo. Nvidia sigue siendo el principal proveedor de chips de IA del mundo. El movimiento de las grandes tecnológicas es para reducir la dependencia, no para reemplazar completamente ese suministro.

¿Por qué la memoria es tan importante como el procesador?

Porque un modelo de IA necesita mantener sus parámetros accesibles rápidamente durante el procesamiento. Sin suficiente memoria de alta velocidad, incluso el procesador más rápido del mundo queda inactivo esperando datos.

¿Esto va a bajar el precio de las herramientas de IA?

Es una de las apuestas del sector. Más proveedores de hardware y menos dependencia de un único punto de cuello de botella tienden a aumentar la oferta y, con el tiempo, presionar los costos a la baja.

¿Las empresas más pequeñas también pueden hacer esto?

Difícilmente. Diseñar un chip desde cero requiere miles de millones de dólares en inversión y años de desarrollo, algo que solo está al alcance de empresas con escala y efectivo como Google, Amazon, Microsoft y Apple.