Meta desarrolla sus propios chips para entrenar modelos de AI

La empresa que gasta decenas de miles de millones de dólares al año en infraestructura de inteligencia artificial ya no quiere depender de procesadores de terceros, ni siquiera en la etapa más crítica: el entrenamiento de modelos. El director financiero de Meta Platforms confirmó que la empresa está desarrollando chips personalizados destinados al entrenamiento de futuros modelos de IA. Este anuncio se produce en el contexto de los grandes contratos recientemente suscritos con los principales fabricantes de semiconductores y señala que la estrategia de Meta en infraestructura computacional se está volviendo significativamente más ambiciosa.

Para comprender la escala de este paso, es necesario entender el contexto. Hasta ahora, los chips personalizados de Meta — principalmente la familia MTIA — estaban orientados hacia la inferencia, es decir, ejecutar modelos ya entrenados. La inferencia es una tarea más simple: el modelo ya sabe qué hacer, solo necesita producir resultados de forma rápida y eficiente.

El entrenamiento es una bestia completamente diferente. Entrenar un gran modelo de lenguaje requiere una potencia computacional colosal, una coordinación extremadamente compleja entre miles de procesadores y un ancho de banda de memoria excepcional. Esta es precisamente la razón por la que NVIDIA con sus series GPU H100 y B200 sigue siendo prácticamente el único proveedor alternativo para esta etapa.

Anunciar el desarrollo de un chip de entrenamiento personalizado es desafiar este monopolio.

La motivación de Meta es bastante transparente y se mide en números concretos. En 2025, la empresa gastó en gastos de capital, principalmente relacionados con infraestructura de IA, aproximadamente 35-40 mil millones de dólares. Una parte significativa de estos fondos se destinó a la compra de GPU de NVIDIA.

A estas escalas, incluso una reducción menor en la dependencia de un proveedor externo podría ahorrar miles de millones. Pero no se trata solo de dinero. Los chips personalizados ofrecen la capacidad de optimizar la arquitectura para necesidades específicas: para la arquitectura de modelos LLaMA, para las especificidades del entrenamiento distribuido en los centros de datos de Meta, para patrones únicos de carga.

Los GPU universales de NVIDIA son excelentes, pero son precisamente universales — lo que significa que inevitablemente llevan compromisos consigo.

Es notable que este anuncio se haya hecho después de que Meta cerrase grandes acuerdos con los principales fabricantes de chips. Podría parecer extraño: ¿por qué invertir en desarrollos personalizados si las asociaciones con Broadcom, TSMC y otros actores ya proporcionan acceso a tecnologías de vanguardia? La respuesta reside en el horizonte de planificación estratégica.

Desarrollar un chip de entrenamiento desde cero es un proceso que toma de tres a cinco años desde el concepto hasta la producción en masa. Meta está jugando a largo plazo: los contratos actuales cubren las necesidades de hoy, mientras que el silicio personalizado debe garantizar la independencia en la próxima década. Esta es la misma lógica que siguen Google con TPU, Amazon con Trainium y Microsoft con Maia — los mayores consumidores de potencia computacional no pueden permitirse la dependencia estratégica de un único proveedor.

Sin embargo, el camino de las ambiciones a un chip de entrenamiento que funcione está lleno de complejidades técnicas y organizativas. A Google le llevó casi una década llevar TPU al nivel en el que la empresa pudiera entrenar sus modelos más grandes principalmente con su propio hardware. Amazon, a pesar de las inversiones significativas en Trainium, sigue enfrentándose a cuestiones sobre el ecosistema de software y la compatibilidad.

Crear un chip es la mitad de la batalla. Es necesario construir una pila completa: compiladores, frameworks, herramientas de depuración, sistemas de monitoreo. Es necesario convencer a sus propios investigadores, acostumbrados a CUDA y PyTorch, a hacer la transición a una nueva plataforma.

Es necesario garantizar confiabilidad a nivel de miles de chips trabajando juntos durante meses sin fallos.

Para NVIDIA, este anuncio es otra señal de alarma en una larga serie de similares. Cada cliente importante que anuncia su propio programa de chips reduce potencialmente el mercado direccionable de la empresa de Jensen Huang. Sin embargo, la experiencia muestra que la sustitución real ocurre lentamente. Incluso Google, que posee los chips de IA personalizados más maduros de la industria, continúa comprando GPU de NVIDIA para ciertas tareas. Lo más probable es que Meta se esté moviendo hacia un modelo híbrido, donde los chips personalizados asumen gradualmente una parte cada vez mayor de la carga, mientras que las compras a proveedores terceros permanecen 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 la que un único proveedor podía controlar la base computacional de toda la revolución de la IA está llegando a su fin. Las mayores empresas tecnológicas del mundo están construyendo consistentemente integración vertical — desde modelos y datos hasta el mismo silicio en el que todo funciona. La pregunta ya no es si Meta puede crear un chip de entrenamiento competitivo, sino con qué rapidez puede hacerlo — y cómo esto reformará el mapa del mercado multimillonario de infraestructura de IA.