Meta desarrolla sus propios chips para entrenar modelos de IA

Una compañía que gasta decenas de miles de millones de dólares al año en infraestructura de inteligencia artificial ya no quiere depender de procesadores ajenos, ni siquiera en la etapa más crítica: el entrenamiento de modelos. El director financiero de Meta Platforms confirmó que la empresa desarrolla chips propios para entrenar futuros modelos de IA. La declaración llega tras la firma reciente de grandes contratos con los principales fabricantes de semiconductores y indica que la estrategia de Meta en infraestructura de cómputo se vuelve bastante más ambiciosa.

Para entender la magnitud del paso conviene repasar el contexto. Hasta ahora, los chips personalizados de Meta, sobre todo la familia MTIA, estaban orientados a la inferencia, es decir, a ejecutar modelos ya entrenados. La inferencia es la tarea más sencilla: el modelo ya sabe qué hacer y solo tiene que entregar resultados con rapidez y eficiencia.

El entrenamiento es una bestia completamente distinta. Entrenar un gran modelo de lenguaje exige una potencia de cálculo colosal, una coordinación complejísima entre miles de procesadores y un ancho de banda de memoria sobresaliente. Por eso NVIDIA, con sus GPU H100 y B200, sigue siendo prácticamente el único proveedor posible para esta fase.

Anunciar un chip de entrenamiento propio supone desafiar ese monopolio.

La motivación de Meta es bastante transparente y se mide en cifras concretas. En 2025 la compañía destinó a gastos de capital, principalmente ligados a infraestructura de IA, unos 35-40 mil millones de dólares. Una parte considerable se fue en comprar GPU a NVIDIA. A esta escala, incluso una reducción modesta de la dependencia de un proveedor externo puede ahorrar miles de millones. Pero no se trata solo de dinero. Los chips propios permiten optimizar la arquitectura para necesidades concretas: la arquitectura de los modelos LLaMA, las particularidades del entrenamiento distribuido en los centros de datos de Meta, patrones de carga únicos. Las GPU de NVIDIA son magníficas, pero son de propósito general, y eso implica inevitablemente compromisos.

Resulta llamativo que la declaración llegue después de que Meta cerrara grandes acuerdos con los principales fabricantes de chips. ¿Por qué invertir en desarrollo propio si las alianzas con Broadcom, TSMC y otros actores ya dan acceso a tecnología de vanguardia? La respuesta está en el horizonte estratégico de planificación.

Desarrollar un chip de entrenamiento desde cero lleva de tres a cinco años, del concepto a la producción en masa. Meta juega a largo plazo: los contratos actuales cubren las necesidades de hoy, y el silicio propio debe asegurar la independencia en la próxima década. Es la misma lógica de Google con TPU, Amazon con Trainium y Microsoft con Maia: los mayores consumidores de potencia de cálculo no pueden permitirse una dependencia estratégica de un único proveedor.

Aun así, el camino de la ambición a un chip de entrenamiento funcional está plagado de dificultades técnicas y organizativas. Google necesitó casi una década para llevar la TPU al punto en que pudo entrenar sus mayores modelos principalmente con hardware propio. Amazon, pese a su fuerte inversión en Trainium, aún afronta dudas sobre su ecosistema de software y la compatibilidad.

Crear el chip es solo la mitad del trabajo. Hay que construir la pila completa: compiladores, frameworks, herramientas de depuración, sistemas de monitorización. Hay que convencer a los propios investigadores, acostumbrados a CUDA y PyTorch, de que se pasen a una plataforma nueva.

Y hay que garantizar la fiabilidad de miles de chips trabajando juntos durante meses sin fallos.

Para NVIDIA, la declaración es una señal de alarma más en una larga serie. Cada gran cliente que anuncia su propio programa de chips reduce, potencialmente, el mercado al que puede dirigirse la empresa de Jensen Huang. Sin embargo, la experiencia muestra que la sustitución real es lenta. Incluso Google, que tiene los chips de IA personalizados más maduros de la industria, sigue comprando GPU a NVIDIA para ciertas tareas. Lo más probable es que Meta avance hacia un modelo híbrido, en el que los chips propios asuman poco a poco una parte mayor de la carga y las compras a proveedores externos se mantengan como seguro y complemento.

La decisión de Meta de desarrollar chips de entrenamiento no es solo una noticia corporativa, sino un indicador de un cambio fundamental en la industria. La era en que un único proveedor podía controlar la base de cómputo de toda la revolución de la IA se acerca a su fin. Las mayores tecnológicas del mundo construyen de forma sistemática su integración vertical, desde los modelos y los datos hasta el propio silicio sobre el que todo funciona. La cuestión ya no es si Meta logrará crear un chip de entrenamiento competitivo, sino con qué rapidez lo conseguirá y cómo redibujará el mapa del multimillonario mercado de infraestructura de IA.

*Meta está reconocida como organización extremista y prohibida en Rusia.