Los grandes gigantes tecnológicos apuestan de forma colectiva por sus propios chips, y la carrera por los chips de IA se está acelerando hacia el extremo de la inferencia.

La adopción explosiva de la IA generativa está reconfigurando el panorama competitivo de toda la industria de los semiconductores. El campo de batalla central del mercado de chips de IA está pasando de forma estructural de la fase de entrenamiento de modelos a la fase de inferencia; este cambio no solo concierne a las prioridades de diseño de chips, sino que también influirá profundamente en la lógica de inversión de la infraestructura, en los modelos de negocio y en el rumbo a largo plazo de la cadena de suministro de semiconductores.

La escalada de la demanda de inferencia ya muestra señales claras. La explosión de escenarios de aplicaciones virales como la generación de imágenes con estilo de Ghibli ha llevado a los recursos GPU de OpenAI a una saturación total. El CEO de OpenAI, Sam Altman, ha declarado públicamente que nunca había visto un crecimiento de uso tan rápido; por ello, GPT-4.5 tiene que publicarse por etapas, abriendo inicialmente el acceso solo a usuarios de pago. Las principales empresas de IA como Meta también se enfrentan a cuellos de botella similares de capacidad de cómputo. Al mismo tiempo, OpenAI desarrolla de forma autónoma chips de IA con el objetivo de lograr la producción en masa alrededor de 2026, con el fin de reducir la dependencia de Nvidia; su proyecto de centros de datos súper “Puerta Estelar”, impulsado conjuntamente con Microsoft, según se informa, implicaría un volumen de inversión de hasta 500B de dólares.

Esta serie de movimientos indica que la inferencia de IA se está convirtiendo en un pilar estratégico a la par de los centros de datos, la infraestructura en la nube y los semiconductores. Para los inversores, esto significa que** el foco del valor de las inversiones en cómputo de IA se está desplazando: los chips de entrenamiento representan un gasto de capital único, mientras que los chips de inferencia corresponden a un modelo de consumo de ingresos continuo; la IA está pasando de ser una herramienta técnica a convertirse en un motor de cómputo de cobro por uso.**

Entrenamiento e inferencia: dos necesidades de cómputo completamente diferentes

Para comprender esta transformación estructural, primero hay que aclarar la diferencia esencial en las cargas de trabajo entre el entrenamiento y la inferencia.

La fase de entrenamiento se basa en la arquitectura Transformer publicada por Google en 2017. Requiere realizar propagación hacia adelante y hacia atrás sobre enormes conjuntos de datos, actualizando continuamente los pesos del modelo; implica operaciones matriciales a una escala inmensa, cálculo de gradientes y actualizaciones de parámetros, y normalmente requiere cómputo distribuido durante semanas o incluso meses en clústeres de múltiples GPU o TPUs. Por lo tanto, los chips de entrenamiento deben tener núcleos de cómputo de alta densidad, memoria de gran capacidad y alto ancho de banda (como HBM) y capacidad de expansión horizontal a través de múltiples chips.

La fase de inferencia, en cambio, es estructuralmente más sencilla: solo necesita propagación hacia adelante, sin actualizaciones de gradientes ni propagación hacia atrás. El cómputo requerido suele ser un orden de magnitud menor que el del entrenamiento. Sin embargo, el verdadero reto de la inferencia reside en tres restricciones: latencia baja (los usuarios esperan respuestas inmediatas), alto rendimiento (los proveedores deben gestionar consultas concurrentes masivas) y bajo costo (el costo unitario por consulta afecta directamente la viabilidad comercial). Estas demandas son totalmente opuestas a la lógica de la fase de entrenamiento de “no contabilizar la latencia y perseguir el máximo rendimiento”. Y también determinan que los chips de inferencia deban seguir rutas de diseño diferenciadas: prioridad a la eficiencia energética, optimización del movimiento de datos, maximización de la jerarquía de memoria y del aprovechamiento del ancho de banda, y optimización coordinada de hardware y software.

Grandes proveedores de nube y nuevas empresas aceleran la implementación de chips de inferencia

Precisamente sobre la base de las diferencias de arquitectura anteriores, cada vez más empresas optan por evitar la competencia frontal de Nvidia en el mercado de GPU de entrenamiento y, en su lugar, construir chips personalizados optimizados para inferencia.

En el lado de los hiperescalaadores cloud, Google lanzó TPU (entrenamiento) y Edge TPU (inferencia); Amazon despliega Inferentia y Trainium; Meta desarrolla MTIA (Meta Training and Inference Accelerator). El frente de las startups también está activo: compañías como Groq, Tenstorrent, Cerebras, SambaNova, etc., buscan avances diferenciados en dimensiones como la arquitectura de flujo de datos, la asignación de área de chips, la eficiencia de potencia, los patrones de acceso a memoria y el diseño de núcleos de cómputo, con el objetivo directo de superar a las GPU de uso general en eficiencia de inferencia y estructura de costos.

La formación de este panorama competitivo está estrechamente relacionada con la evolución de los escenarios de aplicación de la IA. A medida que la IA evoluciona desde preguntas y respuestas simples hacia sistemas de agentes (Agentic AI), capaces de planificar tareas, ejecutar flujos de trabajo, invocar herramientas e incluso reemplazar parte del trabajo humano, la demanda de inferencia no solo seguirá creciendo, sino que también acelerará su expansión. Las exigencias de los sistemas de agentes de baja latencia, alto ancho de banda de memoria y cómputo sostenido incrementarán aún más el valor estratégico de los chips especializados en inferencia.

Nvidia: de líder de la era del entrenamiento a creador de reglas de la era de la inferencia

Ante esta transformación estructural, Nvidia no está respondiendo de manera pasiva, sino que está expandiendo activamente su estrategia en el mercado de inferencia.

El objetivo central de su arquitectura más reciente, Blackwell, es mejorar la capacidad de procesamiento y, al mismo tiempo, reducir el costo de generación por token. Esta lógica conforma un círculo virtuoso: disminución de costos → aumento del uso → expansión de la demanda → mejora del tamaño de la infraestructura, impulsando así un crecimiento exponencial de la economía de la IA. A nivel de sistemas, Nvidia, mediante clústeres masivos de integración estrecha de GPU como NVL72, construye una arquitectura de “fábrica de IA” capaz de manejar ventanas de contexto más largas, tareas de inferencia más complejas y flujos de trabajo de IA de múltiples pasos, impulsando la evolución de la infraestructura de IA hacia la centralización, la alta densidad y un enfoque impulsado por sistemas.

Sin embargo, el foso de Nvidia no reside únicamente en el hardware. Desde CUDA hasta TensorRT-LLM y la pila de software de optimización para inferencia, Nvidia está pasando de ser un proveedor de chips a convertirse en un proveedor de infraestructura integral de IA. Los proveedores cloud como Microsoft, Oracle y CoreWeave se acercan de forma continua a esta arquitectura, reforzando aún más los efectos de altos costos de cambio de su ecosistema y la estandarización de la industria. Lo que compran los clientes ya no es solo GPU, sino un conjunto completo de plataforma de fábricas de IA.

Aun así, la intensidad de la competencia en el mercado de inferencia está aumentando de manera notable. Los chips de inferencia ya no son una opción secundaria para los GPU de entrenamiento, sino que se están convirtiendo en el motor principal de cómputo para servicios cloud de IA, dispositivos de borde, sistemas embebidos y aplicaciones en tiempo real. Bajo la doble fuerza motriz de la evolución del hardware y la expansión de las aplicaciones, el planteamiento central de la competencia de chips de IA está cambiando radicalmente: de “quién puede entrenar el modelo más grande” a “quién puede ejecutar el modelo con la mayor eficiencia en escenarios a escala”.

La transformación estructural reconfigura el panorama competitivo de la industria de semiconductores

La migración del entrenamiento a la inferencia supera el diseño de chips en sí misma y se está filtrando profundamente en tres dimensiones: arquitectura de sistemas de IA, estrategias de despliegue comercial y estructura de la cadena de suministro.

En cuanto al modelo de negocio, la lógica económica de la IA se está reestructurando de forma fundamental. El entrenamiento corresponde al gasto de capital, mientras que la inferencia corresponde a ingresos continuos; el cómputo deja de estar vinculado directamente a métricas técnicas y pasa a conectarse a los ingresos, y las GPU pasan de ser dispositivos de hardware a máquinas de generación de tokens. Este cambio de paradigma implica que el tamaño y la eficiencia de la infraestructura de inferencia determinarán directamente la capacidad de rentabilidad y las barreras competitivas de las empresas de IA.

En la cadena de suministro, el auge de la era posterior al entrenamiento—incluyendo la aplicación extendida de tecnologías como el fine-tuning, LoRA y adaptadores—y los métodos de mejora de inferencia como el ajuste dinámico de la estructura de prompts y la colaboración de múltiples modelos están aumentando considerablemente la dependencia del cómputo de inferencia, impulsando una rápida expansión de la demanda de hardware de inferencia diverso como NPU, ASIC y FPGA.

Para los inversores, esta transformación estructural envía una señal de mercado clara: el foco del valor de las inversiones en infraestructura de IA se está desplazando del lado del entrenamiento al lado de la inferencia. Las empresas que puedan obtener ventajas simultáneamente en eficiencia de inferencia, control de costos y despliegue a escala liderarán la competencia de cómputo de IA en la siguiente etapa.

Aviso de riesgos y cláusulas de exención de responsabilidad

        Hay riesgos en el mercado; invierta con cautela. Este artículo no constituye asesoramiento de inversión personal, ni considera objetivos de inversión específicos, situación financiera o necesidades particulares de usuarios individuales. Los usuarios deben considerar si cualquier opinión, punto de vista o conclusión en este artículo se ajusta a su situación específica. Invirtiendo en consecuencia, la responsabilidad recae en el inversor.