OpenAI y AMD logran hasta un 14 % de mejora en PPA en un bloque de GPU insignia en cinco meses
OpenAI ha demostrado que sus modelos pueden mejorar el propio chip. Junto con AMD, buscaron margen de optimización en un bloque de GPU insignia que los ingenieros llevaban años afinando a mano. En menos de cinco meses encontraron una mejora de hasta un 14 % en PPA (potencia, rendimiento y área del die). El mismo enfoque ayudó a mejorar Jalapeño, el primer chip propio de OpenAI para inferencia, donde la mejora está verificada. Para la industria es una señal: la IA en el diseño de hardware deja de ser una demo y pasa al flujo de trabajo real.
Procesado por IA desde X: @OpenAI; editado por Hamidun News
Normalmente, la IA en el desarrollo se plantea como un asistente que escribe código o responde preguntas. OpenAI propone mirar el otro lado: los modelos empiezan a mejorar el hardware en el que se ejecutan. En su anuncio, la compañía afirma que, junto con AMD, encontró hasta un 14 % de mejora en PPA en un bloque de GPU insignia (IP) en menos de cinco meses. Y se trata de un diseño en el que los ingenieros de AMD ya llevaban años trabajando.
Qué es el PPA y por qué un 14 % es mucho
PPA son las siglas de Power, Performance, Area: consumo de potencia, rendimiento y área del die. Los tres parámetros tiran en direcciones distintas. Si se busca más velocidad, sube el consumo energético. Si se busca más compacidad, se resiente la velocidad. Los diseñadores de chips llevan décadas buscando el equilibrio entre ellos, a mano y con software especializado de automatización del diseño.
Por eso un «hasta un 14 %» sobre un diseño maduro suena serio. Si el bloque ya está pulido por un equipo, cada punto porcentual cuesta mucho. Imagine una cocina en la que el jefe de cocina ha pasado años recolocando el equipo para trabajar más rápido. Llega alguien nuevo y encuentra la forma de ahorrar aún una parte notable de los pasos entre los fogones y la mesa. Ese es, más o menos, el orden de magnitud que describe OpenAI.
Una salvedad importante: la fórmula «hasta un 14 %» indica un máximo, no un promedio para todo el chip. En su anuncio, OpenAI no revela en cuál de las tres métricas se alcanza el pico, qué modelos concretos se usaron ni cuánta supervisión humana hizo falta. Esos detalles determinarán hasta qué punto el método es reproducible.
Jalapeño: el primer chip de inferencia propio
La segunda parte del comunicado trata de Jalapeño, el primer chip a medida de OpenAI para inferencia, es decir, para ejecutar modelos ya entrenados. Según la compañía, el mismo enfoque ayudó a mejorar este chip, y la mejora está verificada. Es un matiz importante: la historia no se limita al proyecto conjunto con AMD, sino que el método se aplicó también al hardware propio de OpenAI.
Para quien trabaja en este campo, la conexión es directa. Hoy la inferencia es la principal partida de gasto de las empresas que venden acceso a modelos. El coste del token depende del precio de los chips, de la electricidad y de cuántas solicitudes procesa cada acelerador. Mejorar la potencia o el área a igual velocidad significa más solicitudes por vatio y por milímetro cuadrado de silicio. El anuncio no ofrece cifras sobre Jalapeño, así que por ahora no se puede estimar la economía en dólares por token.
Qué significa para desarrolladores y fundadores
En primer lugar, el ciclo de diseño de chips, que se prolonga durante años, podría acortarse. Cinco meses para encontrar mejoras en un bloque ya optimizado son una referencia con la que habrá que comparar el trabajo de los equipos clásicos.
En segundo lugar, los laboratorios con modelos de vanguardia obtienen una palanca más. No solo pueden comprar aceleradores, sino también influir en su diseño. La alianza entre OpenAI y AMD muestra que los fabricantes de chips están dispuestos a dejar que estos modelos entren en sus proyectos.
En tercer lugar, para las startups que construyen herramientas de automatización del diseño, esto es a la vez una amenaza y una confirmación de la demanda. Los grandes laboratorios entran en este nicho, pero la tarea sigue siendo muy específica: hacen falta acceso a diseños cerrados, simuladores y verificación del resultado.
Limitaciones a tener en cuenta
La fuente es un comunicado de la propia OpenAI; no hay mediciones independientes. La verificación de la mejora en Jalapeño está declarada, pero la publicación no describe su metodología. Una mejora a nivel de diseño aún no equivale a una mejora en el silicio final: entre el proyecto y el chip de serie hay muchas etapas en las que el resultado puede cambiar.
Conviene seguir tres cosas: si aparecen detalles de la metodología, si AMD confirma el resultado en sus productos y si se muestran cifras reales de Jalapeño en funcionamiento. Si es así, «la IA diseña hardware para la IA» dejará de ser una frase atractiva y pasará a ser un punto más en el plan de desarrollo de chips.
- 19 nov 2026Amazon y Google tendrán el 28,4% de Anthropic tras la IPO, pero sin derecho a voto
- 19 nov 2026Tencent abre Hy4 flash: de 224.000 millones de parámetros, solo 12.000 millones trabajan a la vez, con un contexto de 1 millón de tokens
- 19 nov 2026Anthropic sale a bolsa: 17.000 millones de dólares de ingresos en un trimestre y 895.400 millones en contratos de servidores
- 19 nov 2026El precio del token de IA cae un 21,2% en seis semanas, y el gasto de las empresas en API, un 6,3%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué es el PPA y por qué un 14 % es mucho?
PPA son las siglas de Power, Performance, Area: consumo de potencia, rendimiento y área del die. Los tres parámetros tiran en direcciones distintas. Si se busca más velocidad, sube el consumo energético. Si se busca más compacidad, se resiente la velocidad. Los diseñadores de chips llevan décadas buscando el equilibrio entre ellos, a mano y con software especializado de automatización del diseño. Por eso un «hasta un 14 %» sobre un diseño maduro suena serio.
¿Qué se sabe sobre Jalapeño: el primer chip de inferencia propio?
La segunda parte del comunicado trata de Jalapeño, el primer chip a medida de OpenAI para inferencia, es decir, para ejecutar modelos ya entrenados. Según la compañía, el mismo enfoque ayudó a mejorar este chip, y la mejora está verificada. Es un matiz importante: la historia no se limita al proyecto conjunto con AMD, sino que el método se aplicó también al hardware propio de OpenAI. Para quien trabaja en este campo, la conexión es directa.
¿Qué se sabe sobre Qué significa para desarrolladores y fundadores?
En primer lugar, el ciclo de diseño de chips, que se prolonga durante años, podría acortarse. Cinco meses para encontrar mejoras en un bloque ya optimizado son una referencia con la que habrá que comparar el trabajo de los equipos clásicos. En segundo lugar, los laboratorios con modelos de vanguardia obtienen una palanca más. No solo pueden comprar aceleradores, sino también influir en su diseño.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.