La IA está aprendiendo a optimizar chips, y eso pone en peligro a la propia Nvidia

Nvidia ha sido, hasta ahora, la soberana indiscutible de los chips para inteligencia artificial. Sus diseños impulsan la mayor parte de los modelos de IA modernos y han llevado a la compañía a una capitalización de mercado que supera los 4 billones de dólares. La última generación de GPUs de Nvidia permite entrenar modelos cada vez más potentes conectando cientos o miles de procesadores dentro de inmensos centros de datos, y su ecosistema de software facilita la programación y el mantenimiento de estos sistemas.

Sin embargo, esa ventaja podría erosionarse rápidamente. Una startup llamada Wafer está aplicando aprendizaje por refuerzo a modelos de código abierto para que aprendan a escribir código de bajo nivel, el llamado “kernel”, que interactúa directamente con el hardware. Emilio Andere, cofundador y director ejecutivo de Wafer, explica que la empresa entrena a sus modelos para generar “arneses agénticos” que mejoren la capacidad de sistemas como Claude, de Anthropic, y GPT, de OpenAI, de producir código ejecutable de forma eficiente en chips específicos.

Wafer y la amenaza al dominio de Nvidia

Wafer colabora con gigantes como AMD y Amazon para optimizar el software que corre en sus respectivos procesadores. Hasta la fecha ha recaudado 4 millones de dólares de inversores destacados, entre ellos Jeff Dean (Google) y Wojciech Zaremba (OpenAI). Según Andere, la combinación de hardware de alto rendimiento –ya sea GPU de Nvidia, GPU de AMD, Trainium de Amazon o TPU de Google– ofrece flops teóricos similares, por lo que el verdadero diferencial pasa a ser la eficiencia del código que se ejecuta.

“Queremos maximizar la inteligencia por vatio”, afirma Andere. Señala que la escasez de ingenieros de rendimiento, capaces de optimizar código para cada arquitectura, encarece y retrasa el proceso, mientras que el ecosistema de Nvidia simplifica la tarea. Un ejemplo que cita es la asociación entre Anthropic y Amazon: para usar Trainium, Anthropic tuvo que reescribir su modelo desde cero, lo que evidencia la carga que representa desarrollar software a medida para nuevos silicios.

La ventaja competitiva de Nvidia, según Andere, reside en la “programabilidad del chip” –las bibliotecas y herramientas que facilitan la optimización del software. Él plantea que, con la evolución de la IA generadora de código, esa ventaja podría desaparecer pronto.

Además de la necesidad de optimizar el software, el mercado está demandando una mayor cantidad de chips. Grandes compañías como Apple, Google, Amazon y Meta ya diseñan su propio silicio para mejorar rendimiento y eficiencia en dispositivos móviles, servidores y plataformas en la nube. Meta, por ejemplo, anunció recientemente la puesta en marcha de 1 gigavatio de capacidad de cómputo con un chip desarrollado junto a Broadcom.

En este contexto, otra startup está trabajando en la fase anterior del proceso: el diseño de los propios chips. Ricursive Intelligence, fundada por las ex‑ingenieras de Google Azalia Mirhoseini y Anna Goldie, utiliza IA para automatizar el diseño físico y la verificación de circuitos. La empresa ya ha recaudado 335 millones de dólares, con una valoración de 4 mil millones, y busca que los ingenieros describan cambios en el chip mediante lenguaje natural, al estilo de la programación con “vibecode”.

Mirhoseini, profesor asistente en Stanford, señala que la IA ya ayuda a Google a organizar la disposición de componentes críticos en sus procesadores, y que Ricursive pretende ampliar esa automatización a más etapas del diseño, creando un ciclo recursivo donde la IA optimiza su propio hardware y el software que lo controla.

En resumen, mientras Nvidia sigue liderando el mercado de GPUs para IA, la combinación de startups como Wafer, que optimizan el código, y Ricursive Intelligence, que automatiza el diseño de silicio, plantea un escenario donde la supremacía de Nvidia podría verse desafiada tanto en software como en hardware.

Mira tambien: