Por qué las principales empresas de IA están buscando chips personalizados en 2026

El 7 de julio, dos noticias sobre chips desarrollados internamente por empresas chinas de IA se convirtieron en noticias destacadas.

Primero, la exclusiva de Reuters: DeepSeek está desarrollando su propio chip. La noticia cita a tres fuentes informadas, indicando que este chip está orientado hacia la inferencia, no al entrenamiento. El informe señala que DeepSeek ha estado reclutando silenciosamente ingenieros de diseño de chips sin recurrir a canales de contratación pública, y al mismo tiempo está en contacto con fábricas externas y proveedores de almacenamiento. DeepSeek no ha respondido a las solicitudes de comentarios, y el informe ha generado cierta controversia, ya que actualmente esta noticia solo tiene una fuente: Reuters.

El mismo día, The Information informó nuevamente que otra laboratorio chino, Zhipu, también está evaluando la creación de chips personalizados. Según fuentes informadas, la razón es el aumento masivo de la demanda del GLM-5.2. Según The Information y múltiples fuentes que lo citan, este modelo es el de más rápido crecimiento en la plataforma de agregación de modelos Vercel, con un consumo diario promedio de tokens que alcanzó un pico de 27 veces durante su primera semana de lanzamiento. Zhipu ya ha tenido contactos iniciales con varias empresas chinas de diseño de chips, pero aún no ha seleccionado un socio. Se dice que todo el proyecto podría requerir más de dos años. Tras la noticia, las acciones de Zhipu en el mercado de Hong Kong subieron hasta un 9,9% ese día.

Of course, both messages are still in the early evaluation stage, with no physical products or finalized designs.

De hecho, DeepSeek y Zhipu no son casos aislados. Si alejas la cámara, descubrirás que en 2026, «las empresas de IA quieren fabricar sus propios chips» ha dejado de ser una opción individual para convertirse en la acción predeterminada de la industria: desde OpenAI y Anthropic al otro lado del océano hasta estos dos laboratorios de vanguardia en el país, sus acciones son sorprendentemente coherentes. Este artículo busca responder: ¿por qué?

Si el mensaje sobre DeepSeek aún se queda en rumores, OpenAI ya ha presentado el producto real.

El 24 de junio, OpenAI y Broadcom lanzaron Jalapeño, el primer chip desarrollado internamente por OpenAI, también un ASIC diseñado específicamente para la inferencia de modelos grandes.

Richard Ho, director de hardware de OpenAI, dijo que este chip «se diseñó desde cero para la inferencia de LLM», y que el equipo realizó optimizaciones específicas en torno al núcleo, la transferencia de memoria, la red y los modelos de servicio.

Según OpenAI, las pruebas iniciales de laboratorio muestran que el rendimiento por vatio de Jalapeño es «significativamente superior al nivel más avanzado actual de la industria». Sin embargo, la empresa también reconoce que el rendimiento final aún se está midiendo y que el informe técnico detallado no se publicará hasta los próximos meses. Antes de que aparezcan benchmarks de terceros, estas afirmaciones de rendimiento por parte de los fabricantes solo pueden considerarse opiniones unilaterales.

Varios detalles merecen atención. Según Tom's Hardware, este chip pasó de diseño a tape-out en solo nueve meses, y OpenAI afirma que este podría ser el ciclo de desarrollo ASIC más rápido de la historia de los semiconductores avanzados de alto rendimiento; y lo que aceleró este ciclo fue precisamente el propio modelo de OpenAI: usar IA para diseñar chips que fabrican IA.

Jalapeño planea comenzar su implementación a finales de 2026, anclada a una colaboración con Broadcom de escala de 10 GW que no se completará hasta 2029. Se informa que Microsoft espera adquirir aproximadamente el 40% de la primera capacidad de Jalapeño.

Veamos a otra empresa de vanguardia, Anthropic. En abril de este año, Reuters informó por primera vez que Anthropic también estaba evaluando el desarrollo de chips propios, con un lenguaje muy cauteloso: el plan se encuentra en una etapa inicial, y la empresa incluso podría decidir finalmente solo comprar y no fabricar, sin haber definido aún el diseño ni formado un equipo especializado.

Pero a principios de julio, hubo nuevos desarrollos. Según múltiples medios de comunicación, Anthropic ya ha comenzado a contactar a Samsung para explorar la fabricación de un chip personalizado, supuestamente dirigido al proceso de 2 nanómetros y el empaquetado avanzado de Samsung.

Y Anthropic recientemente contrató a Clive Chan, quien fue miembro temprano del equipo de chips propios de OpenAI.

En respuesta a las preguntas adicionales, Anthropic respondió que el "stack de hardware diversificado" compuesto por chips de Google, Amazon y NVIDIA seguirá siendo el núcleo de su estrategia de poder de cómputo, y se negó a hacer comentarios adicionales sobre la colaboración con Samsung.

Esta declaración oficial precisely señala la motivación más real en la ola de chips desarrollados internamente. Según datos de The Information, NVIDIA posee aproximadamente el 74% del mercado global de chips de IA; mientras que Anthropic aún no ha fabricado ni un solo chip propio, y cada llamada a Claude se ejecuta en chips alquilados de sus socios; y estos socios son, al mismo tiempo, sus competidores.

Es importante destacar que el momento en que Anthropic exploró el desarrollo propio de chips coincidió casi exactamente con el aumento brusco de sus ingresos. Según sus propios informes, los ingresos operativos anualizados ya superaron los 30 mil millones de dólares en 2026, mientras que a finales de 2025 aún eran de aproximadamente 9 mil millones de dólares. Una vez que la escala alcanza este nivel, la cuenta económica de desarrollar chips propios empieza a tener sentido.

Al comparar lado a lado las noticias sobre DeepSeek, Zhipu, OpenAI y Anthropic, se observa un punto en común: todas están desarrollando chips de inferencia, no chips de entrenamiento. Esto no es una coincidencia.

Una transición estructural en curso en la industria es que el foco del consumo de potencia de cómputo está pasando de "entrenar modelos" a "ejecutar modelos". El entrenamiento es un costo único, mientras que ofrecer servicios de modelos a cientos de millones de usuarios implica un gasto continuo. Según el análisis industrial de Introl, la inferencia ahora consume aproximadamente dos tercios de toda la potencia de IA.

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

Y la inferencia es precisamente el terreno de los ASIC. Usando una metáfora de Chris Miller, autor de "La Guerra de los Chips", para CNBC: las GPU de NVIDIA son como un cuchillo suizo, capaces de realizar cualquier tipo de cálculo paralelo; mientras que los ASIC son como herramientas de propósito único, muy eficientes y rápidas, pero fijadas por hardware para realizar solo un tipo de tarea. La fase de entrenamiento requiere la flexibilidad del cuchillo suizo, ya que la arquitectura del modelo aún está cambiando; pero una vez que el modelo se estabiliza y se necesita atender una gran cantidad de solicitudes, esa "herramienta de propósito único" resulta más eficiente en energía y más económica.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

La explosión de los agentes ha amplificado aún más esta cuenta. Un análisis de MindCast AI plantea una distinción interesante:

La inferencia tradicional es el "costo de consulta": una pregunta, una respuesta, liquidación completada;

El agente tiene un "costo cíclico": un objetivo del usuario desencadena decenas e incluso cientos de llamadas de inferencia, ya que el agente debe inferir, planificar, recuperar y ejecutar.

Imagen traducida de https://www.mindcast-ai.com/p/ai-inference-economy

Cuando los agentes se implementen a gran escala, la asimetría económica entre entrenamiento e inferencia se amplificará de forma no lineal. Por lo tanto, esta institución de análisis concluye que la economía de la inferencia no es un asunto que deba abordarse en 2028, sino una decisión de compra que debe tomarse en 2026.

Para la pregunta «¿por qué construirlo tú mismo?», la industria ya cuenta con cifras bastante específicas que lo respaldan.

Un ejemplo más claro proviene de la plataforma de imágenes de IA Midjourney. Se informó que, después de migrar la carga de inferencia de las GPU de NVIDIA a los TPU de séptima generación de Google, los costos mensuales de capacidad de cómputo disminuyeron de aproximadamente 2,1 millones de dólares a unos 700.000 dólares, una reducción del 65%. Al escalar esta proporción a empresas de gran escala que realizan miles de millones de consultas diarias, como señaló un analista, invertir miles de millones de dólares en el desarrollo propio de chips se convierte en una "ecuación financiera directa".

La respuesta a esta pregunta está cambiando todo el mercado. Según las proyecciones de TrendForce, el crecimiento de las entregas de ASIC personalizados alcanzará el 44,6% en 2026, mientras que las GPU comerciales solo alcanzarán el 16,1%: por primera vez, el crecimiento de los chips personalizados supera al de las GPU. Introl cita cifras de Bloomberg Intelligence aún más amplias: para 2033, se espera que todo el mercado de aceleradores de IA alcance los 604.000 millones de dólares, y la participación de la silicio personalizado en este mercado sigue aumentando aceleradamente.

Los fabricantes de gran escala ya han votado con dinero real. Los TPU de Google, Trainium de Amazon, Maia de Microsoft, MTIA de Meta... estos chips desarrollados internamente sirven cada uno a cargas masivas de inferencia dentro de sus respectivas empresas matrices.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

Según CNBC, Ron Diamant, arquitecto principal de Trainium, afirmó que este ASIC de Amazon ofrece una ventaja de relación precio-rendimiento del 30% al 40% en comparación con otros proveedores de hardware en AWS.

Estos números indican: cuando tu demanda de potencia de cálculo crece hasta volverse masiva, los chips ya no son un costo, sino la barrera de competencia misma. Como señala un análisis de Oplexa, controlar tus propios silicios significa controlar tu propia hoja de ruta de rendimiento, estructura de costos y cadena de suministro. Estos tres elementos no se pueden obtener con ningún pedido de compra.

Si la cuenta económica es la razón aparente, entonces "no querer entregar el destino a una empresa" es la corriente más profunda bajo la superficie.

La fortaleza de NVIDIA proviene en parte de los chips mismos, pero en mayor medida de CUDA. CUDA es un ecosistema de software acumulado durante más de veinte años. Según el análisis de Spheron, casi todas las optimizaciones serias de inferencia de LLM, desde FlashAttention hasta el procesamiento por lotes continuo en vLLM, solo se ejecutan en CUDA. Este ecosistema es menos un foso defensivo de NVIDIA y más bien el "costo de mudanza" que cualquier equipo que desee cambiar de chip debe asumir. Se estima que migrar la pila de servicios de vLLM al SDK de Neuron de Amazon suele requerir entre dos y seis semanas de trabajo de ingeniería, y algunas arquitecturas de modelos ni siquiera son compatibles.

https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/

Precisamente porque este muro es tan alto y grueso, la motivación para sortearlo es aún más fuerte. Para los fabricantes de gran escala y los laboratorios de vanguardia, cada carga que se ejecuta en sus propios chips significa más ganancias que se quedan en sus bolsillos y más margen de negociación al hablar con NVIDIA.

La evaluación de TheStreet es bastante directa: lo que está cambiando es la suposición predeterminada de que los laboratorios de IA deben aceptar cualquier precio y condición de suministro que NVIDIA imponga. Microsoft tiene Maia, Amazon tiene Trainium, Google tiene TPU, y los últimos laboratorios de IA ahora también quieren acumular sus propios puntos de negociación.

Vuelve a los dos mensajes del 7 de julio. Para DeepSeek y Zhipu, además de todos los motivos anteriores, les enfrenta un problema que sus homólogos estadounidenses no tienen: las restricciones de exportación.

Además, vale la pena mencionar que el rumor sobre el desarrollo autónomo de DeepSeek coincide exactamente con su primera ronda de financiación externa: la empresa completó una ronda de financiación superior a 50.000 millones de yuanes, con una valoración superior a 330.000 millones de yuanes. Fabricar chips es muy costoso, y que estos dos eventos ocurran simultáneamente no es necesariamente una coincidencia.

Zhipu, por su parte, se convirtió ya en enero de este año en el primer laboratorio de IA chino listado en la Bolsa de Hong Kong. Ambas están preparando sus bolsillos para esta costosa apuesta.

Reúna estas pistas: la respuesta a la pregunta «¿Por qué todas las empresas de IA quieren fabricar sus propios chips» es en realidad la convergencia de varias fuerzas: la inferencia ha reemplazado al entrenamiento como el principal campo de batalla para la potencia de cómputo, lo que ha creado oportunidades para los ASIC especializados; la explosión de agentes inteligentes ha llevado los costos de inferencia a una expansión no lineal, haciendo que cada centavo ahorrado se multiplique; y la profunda dependencia de NVIDIA ha llevado a todos a querer acumular su propio capital de negociación. Para empresas chinas como DeepSeek y Zhipu, hay que añadir además el problema de las restricciones de exportación.

Pero bajo esta ola de entusiasmo, también es necesario echar un poco de agua fría. Los chips desarrollados internamente no son una apuesta segura. El ciclo de diseño suele durar entre 18 y 24 meses, requiere una gran inversión inicial en ingeniería y necesita una carga de trabajo lo suficientemente estable y predecible como para justificar el diseño alrededor de una arquitectura fija. Para empresas emergentes que aún prueban arquitecturas de modelos, o para empresas comunes con tareas muy variadas, la flexibilidad de las GPU de NVIDIA es en cambio una opción más rentable.

TechTimes lo explica claramente: esa ventaja de costo del 40% al 65% solo corresponde a las grandes empresas que realizan miles de millones de consultas diariamente; para las empresas que realizan solo unas pocas decenas de miles de consultas por semana, este cálculo se invierte.

Una pregunta aún más relevante es: ¿esta ola debilitará a NVIDIA o simplemente le añadirá un complemento? La mayoría de los análisis respaldan la segunda opción. Según Oplexa, para 2027, la cantidad de ASIC enviados podría superar a la de GPU, pero ambos mercados seguirán creciendo: la infraestructura de IA se está dividiendo en dos vías distintas: las cargas fijas, de alta frecuencia y predecibles van a los ASIC, mientras que las cargas de investigación, diversas y con arquitecturas en evolución van a las GPU. NVIDIA sigue manteniendo firmemente el control sobre el entrenamiento y la mayor parte del mercado.

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

DeepSeek y Zhipu aún no tienen respuesta sobre si pueden fabricar sus propios chips, ya que ambos mensajes aún se encuentran en etapas tempranas de evaluación.

Pero aterrizaron el mismo día, como dos piedras lanzadas al agua al mismo tiempo, cuyas ondas revelaron la misma ansiedad: desde San Francisco hasta Pekín, en esta era en la que el poder computacional es poder, ninguna empresa de IA que desee sobrevivir hasta la próxima ronda está dispuesta a alquilar para siempre su lifeline a otros.

Este artículo proviene del canal de WeChat "Machine Heart" (ID: almosthuman2014), autor: Panda