Nvidia es actualmente el líder indiscutible de la revolución de la IA, una posición que se refleja en su asombrosa valoración de mercado multimillonaria. Sin embargo, la misma tecnología que Nvidia ayudó a promover (la inteligencia artificial) pronto puede ser la herramienta que desmantele su ventaja competitiva.
La industria está viendo un cambio en el que la IA ya no es solo el usuario del hardware, sino que se está convirtiendo cada vez más en el arquitecto y optimizador del mismo.
El “foso del software” bajo asedio
El dominio de Nvidia no se basa sólo en la potencia bruta; se basa en la programabilidad. Si bien muchos competidores ofrecen chips con rendimiento teórico similar (operaciones de punto flotante), Nvidia tiene una enorme ventaja en software. Sus bibliotecas y herramientas especializadas hacen que sea mucho más fácil para los desarrolladores escribir código que se ejecute de manera eficiente en su hardware.
Esto ha creado una alta barrera de entrada. Por ejemplo, cuando Anthropic decidió ejecutar sus modelos Claude en el hardware Trainium de Amazon, la empresa tuvo que reescribir su código desde cero para garantizar la eficiencia.
Ingresa Wafer, una startup que busca cerrar esta brecha. Wafer está utilizando el aprendizaje por refuerzo para enseñar a los modelos de IA cómo escribir “código kernel”, el software de bajo nivel que se comunica directamente con el hardware. Al automatizar el proceso de optimización, Wafer tiene como objetivo:
– democratizar la eficiencia: facilitar que el hardware que no sea de Nvidia (como los chips de AMD o Amazon) ejecute modelos complejos de IA.
– Reducir costos: Minimizar la necesidad de ingenieros de rendimiento especializados y altamente costosos.
– Maximizar la “inteligencia por vatio”: Garantizar que el hardware no sólo sea potente, sino también altamente eficiente en la forma en que utiliza la energía.
Automatización del modelo: IA en el diseño de chips
Si Wafer está optimizando cómo se ejecuta el software en los chips, otra startup, Ricursive Intelligence, está abordando cómo se construyen los chips en primer lugar.
El diseño de chips es una de las hazañas de ingeniería más complejas de la Tierra. Requiere disponer miles de millones de componentes en una pequeña pieza de silicio y luego someterse a pruebas rigurosas e iterativas para garantizar que todo funcione. Tradicionalmente, esto requiere equipos masivos de expertos humanos.
Fundada por las ex ingenieras de Google Azalia Mirhoseini y Anna Goldie, Ricursive está trabajando para automatizar los “polos largos” del proceso: diseño físico y verificación del diseño.
Su visión incluye:
– Diseño de lenguaje natural: Uso de modelos de lenguaje grandes (LLM) para que los ingenieros puedan describir cambios o hacer preguntas sobre un chip usando texto simple.
– Iteración acelerada: Uso de IA para optimizar el diseño de los componentes, una técnica previamente pionera en Google.
– La “ley de escalamiento” del hardware: El potencial de un bucle recursivo en el que la IA diseña mejores chips, que a su vez proporcionan más computación para diseñar chips aún mejores.
Por qué esto es importante: el cambio hacia el silicio personalizado
La industria tecnológica ya está avanzando hacia el silicio personalizado. Gigantes como Apple, Google, Amazon y Meta están desarrollando sus propios chips para adaptar el hardware específicamente a sus necesidades de software.
Históricamente, el “cuello de botella” para estas empresas no ha sido el hardware en sí, sino el enorme esfuerzo de software y diseño requerido para que ese hardware funcione. Si la IA puede automatizar tanto el diseño del chip (Ricursive) como la optimización del código (Wafer), el “foso” que rodea a Nvidia comienza a evaporarse.
“El foso reside en la programabilidad del chip… Creo que es hora de empezar a repensar si en realidad es un foso fuerte”. — Emilio Andere, director ejecutivo de Wafer
Conclusión
El auge del diseño de chips y la optimización del software impulsados por la IA representa un cambio fundamental en la industria de los semiconductores. Si la IA puede automatizar con éxito las partes más difíciles de la ingeniería de hardware, la barrera para crear silicio personalizado de alto rendimiento caerá, poniendo fin potencialmente a la era del dominio de un solo proveedor en la era de la IA.
