NVIDIA invierte $2 mil millones en Synopsys para integrar IA en herramientas de diseño de chips

Autor: Ada, DeepCha TechFlow

San Francisco, Centro de Convenciones de San José, evento en vivo de GTC.

El científico jefe de NVIDIA, Bill Dally, está sentado en el escenario frente a Jeff Dean de Google. Durante la conversación, Dally lanza un número: “Anteriormente,移植ar una biblioteca de celdas estándar que contiene aproximadamente 2500 a 3000 celdas requería un equipo de 8 ingenieros durante aproximadamente 10 meses.”

Él hizo una pausa.

Ahora solo necesitas una tarjeta GPU y ejecútala durante una noche.

No hubo exclamaciones en la audiencia, porque quienes entendieron esa frase sabían lo que significaba. El trabajo de ocho ingenieros durante diez meses fue borrado en una noche por una GPU desarrollada internamente. Además, Dally añadió que los resultados obtenidos en términos de área, consumo de energía y latencia coincidían e incluso superaban a los diseñados por humanos.

Al día siguiente, los medios interpretaron la noticia como "NVIDIA usa IA para diseñar GPU".

Pero la verdad detrás de esto es mucho más interesante de lo que sugieren los titulares de las noticias.

Lo que ejecutan dentro de NVIDIA no es una caja negra, sino varias cadenas de herramientas perfeccionadas durante años.

NB-Cell es un programa basado en aprendizaje por refuerzo diseñado para realizar la tarea más difícil: la migración de bibliotecas de celdas estándar. Prefix RL busca resolver el problema de investigación prolongado de la colocación en la fase de anticipación de la cadena de anticipación de acarreo. Dally indicó que las disposiciones generadas por este sistema son “algo que los humanos nunca habrían pensado”, mejorando los indicadores clave aproximadamente un 20% a 30% en comparación con los diseños humanos.

Además, hay dos LLM internos: Chip Nemo y Bug Nemo. NVIDIA alimentó a estos dos grandes modelos con el código RTL, la documentación arquitectónica y las especificaciones de diseño de cada GPU histórica. Según la descripción de Dally, esto equivale a condensar veinte años de memoria muscular de NVIDIA, desde el G80 hasta el Blackwell, en un modelo interno, permitiendo que los nuevos empleados se conecten directamente a la experiencia de un ingeniero senior con dos décadas de conocimiento.

So, can AI design GPUs?

On the contrary. Dally's exact words were: "I very much hope that one day I can directly say, 'Design me a new GPU,' but we are still far from that step."

NVIDIA no usó IA para diseñar su GPU. Pero lo que sí hizo hizo que la industria entera no pueda funcionar sin ella en el futuro.

El 1 de diciembre de 2025, NVIDIA invirtió 2.000 millones de dólares en Synopsys, uno de los tres líderes mundiales en EDA. Ambas partes firmaron un acuerdo de desarrollo conjunto para integrar la pila de cómputo acelerado de NVIDIA en todo el flujo de trabajo EDA de Synopsys, con una integración profunda entre Blackwell y la próxima generación de GPUs Rubin con Synopsys.ai.

Se debe explicar la posición de Synopsys. Casi todos los chips de procesos avanzados del mundo, como la serie Apple M, la serie AMD MI y los TPU de Google, pasan por las herramientas de Synopsys o Cadence durante la fase de diseño. Estas dos empresas, junto con Siemens EDA, monopolizan las herramientas fundamentales del diseño de chips. Puedes evitar usar chips de Qualcomm o líneas de producción de TSMC, pero no puedes escapar del software de estas tres empresas.

Tres meses después de invertir en Synopsys, NVIDIA incorporó a Cadence, Siemens y Dassault, anunciando que todas están desarrollando herramientas de diseño de chips impulsadas por IA basadas en GPUs de NVIDIA.

Los datos de prueba de NVIDIA son bastante impresionantes: Synopsys PrimeSim es 30 veces más rápido en Blackwell, Proteus es 20 veces más rápido, y Sentaurus es 12 veces más rápido en B200 en comparación con CPU acelerada. MediaTek logró acelerar Cadence Spectre 6 veces con H100. Astera Labs aceleró la verificación de chips 3.5 veces con Synopsys + NVIDIA.

Hay un detalle que merece ser destacado por separado: la plataforma Millennium M2000 de Cadence se anuncia como "diseñada exclusivamente para el mercado EDA, basada únicamente en NVIDIA Blackwell".

Las dos palabras "exclusivas" son las más valiosas. Es decir, antes las herramientas EDA se ejecutaban en CPU, y Intel y AMD podían participar. En el futuro, para usar las herramientas EDA más rápidas, solo se podrá comprar una tarjeta de NVIDIA.

La rueda de NVIDIA, la versión que la mayoría entiende, es así: vender GPU a empresas de IA, las empresas de IA entrenan modelos grandes, los modelos grandes demuestran que las GPU son irremplazables, y más personas compran GPU.

Esta rueda de inercia ya es lo suficientemente aterradora. Pero debajo hay otra capa.

NVIDIA diseña su próxima generación de GPU con sus propias herramientas, logrando una eficiencia de diseño que crea una brecha generacional, y al mismo tiempo vincula toda la cadena de herramientas EDA de la industria a su propio hardware. Los competidores quieren alcanzarlo, pero ni siquiera las herramientas para intentarlo pueden obtenerlas más que alquilándolas del ecosistema de NVIDIA.

Detrás de ese informe financiero de AMD que provocó una caída en el precio de sus acciones se esconde esta ansiedad. Aunque NVIDIA y Synopsys afirman superficialmente que “la inversión no implica ninguna obligación de comprar hardware de NVIDIA”, el mercado sabe perfectamente: las funciones EDA aceleradas se lanzan primero en hardware de NVIDIA, y AMD e Intel solo pueden depender de una “ruta optimizada para la plataforma del mayor competidor”.

Imagina que los ingenieros de AMD quieren diseñar en el futuro un chip que compita con Blackwell. Abren la herramienta de Synopsys, que funciona más rápido en las GPU de NVIDIA. Entonces, o bien aceptan un ciclo de diseño dos veces más lento, o compran una gran cantidad de tarjetas NVIDIA para diseñar un chip destinado a superar a NVIDIA.

Las palas aún se venden. Pero la forma de venderlas cambió.

At this point, we must present a set of sobering numbers.

En el mismo año en que NVIDIA superó los 70 mil millones de dólares en utilidades netas para el año fiscal 2025, los cuatro principales GPUs nacionales, Moore Threads, Musen, Biren y Suanzhen, se alinean frente a la ventana de salida a bolsa.

El prospecto de Moore Threads muestra que, entre 2022 y 2024, la empresa acumuló una pérdida neta de 5.000 millones de yuanes en tres años, y sufrió una pérdida adicional de 271 millones de yuanes en la primera mitad de 2025, lo que eleva el déficit acumulado no compensado hasta el 30 de junio a 1.478 millones de yuanes. La administración de la empresa estima que, como muy pronto, logrará beneficios en los estados financieros consolidados en 2027. Muxi tiene un desempeño ligeramente mejor, con una pérdida acumulada de más de 3.000 millones de yuanes en tres años. El más afectado es Birun, que registró una pérdida de más de 6.300 millones de yuanes en tres años y medio, con ingresos de solo 58,9 millones de yuanes en la primera mitad de 2025, menos del 10% de los 702 millones de yuanes de Moore Threads en el mismo período.

Mire la intensidad de la inversión en I+D. En 2022, los gastos de investigación y desarrollo de Moore Threads representaron el 2422,51% de sus ingresos; en 2024, aún alcanzaron el 309,88%. En un año, gastaron en investigación y desarrollo más de tres veces sus ingresos. Esto no es gestión empresarial, es una transfusión para mantenerse con vida, dependiendo continuamente de financiamiento del mercado primario y de la reciente apertura de la ventana del mercado STAR.

En el nivel de herramientas, se enfrenta a cuellos de botella más severos. Según el prospecto de IPO de Huada Jiutian en 2022, sus herramientas solo admiten parcialmente el proceso avanzado de 5 nm. Genexcel puede cubrir los nodos de 7 nm, 5 nm y 3 nm, pero solo ofrece herramientas puntuales, muy lejos de un flujo de trabajo completo.

Liu Weiping, fundador de Huada Jiutian, dijo con franqueza: "El soporte de la EDA nacional para procesos avanzados aún presenta deficiencias evidentes, especialmente en los actuales 7nm, 5nm y 3nm. Actualmente, la EDA nacional puede alcanzar el nivel de 14nm; aunque se posee la tecnología de proceso de 7nm, se requiere un esfuerzo coordinado de toda la cadena industrial para lograr una integración profunda con aplicaciones prácticas."

Es decir, el flujo completo de EDA para procesos avanzados es prácticamente inutilizable en productos nacionales. Las empresas de GPU nacionales aún utilizan Synopsys y Cadence para diseñar sus chips. En 2025, Trump anunció temporalmente controles de exportación para todos los software clave, aunque no se implementaron de forma real, las herramientas EDA para procesos avanzados por debajo de 7 nm siguen bajo estricta regulación. Cuándo se cortará la licencia depende de otros.

La reacción del mercado de capitales fue lo suficientemente mágica. En el día de la cotización de Muxi, el precio de las acciones cerró en 829.9 yuanes, con un aumento diario del 692.95%. Tras su cotización, la acción de Moore Thread subió hasta convertirse en la tercera más valiosa del mercado A, solo por detrás de Kweichow Moutai y Cambricon; algunos medios calculaban, según los precios de ese momento, que su capitalización de mercado era aproximadamente de 359.500 millones de yuanes.

El negocio real detrás de los números es que un grupo de empresas que aún están gastando dinero y sufriendo pérdidas, y que aún dependen de cadenas de herramientas extranjeras reguladas para seguir diseñando chips, son valoradas en el mercado secundario como sucesoras de NVIDIA nacional.

Y las herramientas que estas empresas utilizan para diseñar chips están convirtiéndose en parte del ecosistema de NVIDIA. El vínculo de 2.000 millones de dólares entre NVIDIA y Synopsys, y la etiqueta “exclusivamente basada en NVIDIA Blackwell” de Cadence Millennium M2000, convierten el mismo esfuerzo por alcanzar a NVIDIA en una paradoja.

Volver a la conversación sobre GTC.

Dally se mostró muy humilde durante toda la presentación. “La IA aún está muy lejos de diseñar chips por sí misma”, esta frase ha sido repetida por NVIDIA durante cuatro o cinco años. Pero cada año cambia su enunciado. Hace cuatro años decían: “La IA puede ayudar en el diseño”; hace tres años: “La IA puede automatizar ciertos pasos”; este año: “Hace en una noche el trabajo de ocho personas durante diez meses”. Cada año dan un paso adelante y siempre dejan una frase: “Aún estamos muy lejos del objetivo final”. Cuando mires hacia atrás dentro de tres años, verás que el “muy lejos” de la ronda anterior ya se logró, y el nuevo “muy lejos” se ha definido en una posición que todos los competidores aún no pueden alcanzar.

Lo que NVIDIA ha hecho en los últimos doce meses es realmente una sola cosa: aplicar la IA en los segmentos más valiosos y con las ventajas competitivas más profundas de la cadena de suministro de chips, y luego vender estas herramientas capa por capa a toda la industria.

El frontend del diseño de chips ha sido asumido por LLM internos como Chip Nemo; la migración de bibliotecas de celdas estándar y la optimización del layout en la etapa media han sido adoptados por NB-Cell y Prefix RL; toda la cadena de herramientas EDA está vinculada a sus propias GPU mediante los 2 mil millones de dólares de Synopsys y la exclusividad basada en Blackwell de Cadence; el cálculo de litografía en la etapa de fabricación ha sido asumido por cuLitho, que ya está en uso por TSMC.

Desde el diseño hasta la fabricación, NVIDIA rehizo cada etapa con IA. Cada etapa conduce al mismo destino: si quieres la herramienta más rápida, debes comprar una tarjeta de NVIDIA.

Para todos los competidores que desean diseñar un chip capaz de superar a Blackwell, lo más vergonzoso ya ha ocurrido: la versión más rápida de las herramientas EDA necesarias para diseñar este chip funciona en las GPU de NVIDIA; la biblioteca de algoritmos más rápida para los cálculos de litografía es proporcionada por NVIDIA; y la potencia de cómputo para entrenar la IA de diseño también proviene de las tarjetas de NVIDIA.

La persona que debes vencer te está alquilando todas las herramientas que necesitas para derrotarla. El alquiler se paga anualmente y el contrato aumenta cada año.