ASIC
Un ASIC (Circuito Integrado de Aplicación Específica) es un chip diseñado y fabricado para realizar una función específica, proporcionando mejor rendimiento y eficiencia energética para esa tarea que un procesador de propósito general, pero sin flexibilidad para otras cargas de trabajo.
Un Circuito Integrado de Aplicación Específica (ASIC) es un dispositivo semiconductor cuya lógica está permanentemente fijada en el momento de la fabricación para implementar un algoritmo o función particular, en contraste con una CPU o GPU de propósito general, que ejecutan instrucciones arbitrarias, o un FPGA, que puede ser reconfigurado después de la fabricación. Debido a que cada transistor en un ASIC sirve a la función objetivo y no lleva sobrecarga de decodificación de instrucciones, predicción de ramas o reconfigurabilidad, los ASIC pueden lograr una mejora de un orden de magnitud o mayor en rendimiento por vatio comparado con alternativas de propósito general para la misma tarea.
Diseñar un ASIC implica crear una descripción de hardware en Verilog o VHDL, sintetizarla en una lista de compuertas, colocar y enrutar esa lista para un nodo de proceso específico (por ejemplo, TSMC de 3 nm o Samsung de 4 nm), y luego comprometerse con un conjunto de máscaras—plantillas fotolitográficas que pueden costar decenas de millones de dólares—antes de que se produzca silicio alguno. Este elevado costo de ingeniería no recurrente (NRE) significa que los ASIC solo se justifican económicamente para producción en alto volumen (electrónica de consumidor) o para cargas de trabajo donde la ventaja de rendimiento por vatio compensa la inversión durante un período largo de despliegue, como ocurre con los ASIC de minería de criptomonedas o chips de inferencia de IA a escala de nube.
En el contexto de la IA, los ASIC son importantes porque el entrenamiento y la ejecución de grandes redes neuronales se ha convertido en una de las tareas más computacionalmente intensivas de la industria, y el costo energético de ejecutar clusters de GPU a escala es sustancial. Los ASIC de IA personalizados—TPU de Google, Inferentia y Trainium de Amazon, Neural Engine de Apple, LPU de Groq—están diseñados precisamente para las operaciones de multiplicación-acumulación de matrices y los patrones de acceso a memoria de modelos transformer, proporcionando menor latencia y menor costo por token de inferencia que las GPU de propósito general para cargas de trabajo estables y predecibles.
Para 2026, casi todas las grandes empresas tecnológicas que operan a escala de IA han grabado o anunciado públicamente un ASIC de IA propietario. La tendencia refleja la maduración de las arquitecturas de redes neuronales—haciendo viable optimizar silicio para un conjunto conocido de operaciones—y la escala de la demanda de inferencia, que justifica el ciclo de diseño de varios años. El prototipado con FPGA se usa comúnmente para validar diseños antes de comprometerse con el paso irreversible de la fabricación de ASIC.