¿Qué es exactamente un chip?
Un chip es un circuito electrónico integrado, normalmente fabricado sobre una pequeña pieza de silicio. En su interior puede haber miles de millones de transistores, que son dispositivos diminutos capaces de controlar el paso de la corriente eléctrica.
Los transistores funcionan como los componentes fundamentales de los circuitos digitales. Combinados en estructuras complejas, permiten realizar operaciones lógicas, almacenar información y ejecutar cálculos.
En términos simplificados:
Transistores → circuitos → procesadores → computadoras.
Los chips están presentes en teléfonos, automóviles, electrodomésticos, servidores, satélites, robots y prácticamente cualquier dispositivo electrónico moderno. Sin embargo, no todos los chips sirven para lo mismo.
Los diferentes tipos de chips
Para entender la IA, necesitamos distinguir cuatro grandes categorías:
CPU — Central Processing Unit
Es el procesador de propósito general. Puede ejecutar instrucciones muy variadas y coordinar el funcionamiento de una computadora. Es flexible, pero no siempre es la opción más eficiente para realizar millones de operaciones matemáticas simultáneas.
GPU — Graphics Processing Unit
Originalmente diseñada para procesamiento gráfico, está especializada en realizar muchas operaciones en paralelo. Esa característica la hace especialmente útil para entrenar y ejecutar redes neuronales.
TPU — Tensor Processing Unit
Es una familia de aceleradores desarrollada por Google para operaciones de aprendizaje automático. Está diseñada para ejecutar eficientemente determinados cálculos utilizados por las redes neuronales.
NPU — Neural Processing Unit
Es un procesador especializado en operaciones de redes neuronales, frecuentemente integrado en teléfonos, computadoras y otros dispositivos para ejecutar IA localmente con un consumo energético relativamente bajo.
También existen los ASIC, circuitos diseñados para tareas específicas. Algunas GPU y otros aceleradores son circuitos especializados, pero un ASIC puede optimizarse para una función todavía más concreta.
La diferencia fundamental no está simplemente en qué chip tiene más potencia, sino en qué tipo de operaciones puede ejecutar con mayor eficiencia.
¿Por qué la IA necesita tantos chips?
Una red neuronal artificial está formada por operaciones matemáticas. Durante su entrenamiento, el sistema realiza enormes cantidades de multiplicaciones, sumas y otros cálculos para ajustar sus parámetros.
Imagina una red neuronal con miles de millones de parámetros que debe procesar cantidades gigantescas de datos. Cada vez que procesa información necesita realizar operaciones matemáticas. Durante el entrenamiento, además, debe calcular cómo modificar sus parámetros para reducir los errores. Y este proceso se repite muchísimas veces.
Proceso simplificado:
- Datos de entrenamiento
- Operaciones matemáticas en los chips
- Cálculo del error y ajuste de parámetros
- Repetición del proceso
Una GPU puede ejecutar muchas de estas operaciones simultáneamente, en lugar de procesarlas todas de manera estrictamente secuencial. Por eso los aceleradores son tan importantes para la IA moderna.
Entrenamiento e inferencia: dos necesidades diferentes
Los chips intervienen en dos momentos fundamentales de la vida de un modelo.
| Entrenamiento | Inferencia |
|---|
| El modelo aprende y ajusta sus parámetros. | El modelo utiliza los parámetros aprendidos. |
| Requiere grandes cantidades de cálculos. | Requiere cálculos para generar cada resultado. |
| Puede durar semanas o meses en proyectos grandes. | Puede ejecutarse en segundos o menos, según la tarea. |
| Suele necesitar infraestructura especializada. | Puede realizarse en servidores o dispositivos locales. |
Por ejemplo, cuando utilizas ChatGPT, no estás entrenando desde cero el modelo con cada pregunta. Estás utilizando un modelo ya entrenado para generar una respuesta. Pero esa respuesta también consume capacidad de cálculo.
Esto introduce una distinción económica muy importante: una empresa necesita infraestructura tanto para desarrollar sus modelos como para atender a sus usuarios. Un modelo que cuesta mucho entrenar también puede resultar caro de operar si millones de personas lo utilizan constantemente.
¿Cómo se fabrica un chip?
Fabricar un chip avanzado es uno de los procesos industriales más complejos que existen. No basta con tener el diseño. Se necesita una cadena de producción que combina física, química, óptica, ingeniería, materiales y maquinaria extraordinariamente precisa.
Podemos dividir el proceso en seis etapas:
1. Diseño
Los ingenieros diseñan los circuitos que formarán el procesador. Determinan cómo estarán organizados los transistores, cómo circularán los datos y qué operaciones podrá realizar el chip. Para ello utilizan software especializado conocido como EDA (Electronic Design Automation).
2. Fabricación de obleas
El material de partida suele ser una oblea de silicio extremadamente puro. Sobre ella se construirán simultáneamente numerosos circuitos integrados.
3. Fotolitografía
Se proyectan patrones sobre materiales fotosensibles para definir las estructuras del circuito. Los equipos más avanzados utilizan luz ultravioleta extrema, conocida como EUV.
4. Construcción de circuitos
Mediante numerosos procesos de deposición, grabado, dopado y tratamiento se construyen los transistores y las conexiones entre ellos. El procedimiento se repite muchas veces para formar estructuras de múltiples capas.
5. Corte y empaquetado
La oblea se divide en chips individuales. Después se encapsulan y conectan con otros componentes. Los aceleradores modernos pueden integrar varios chips y memoria avanzada en un mismo paquete.
6. Pruebas
Finalmente, se comprueba que los componentes funcionen correctamente y cumplan las especificaciones.
La dificultad está en realizar todo esto con una precisión extraordinaria y conseguir que una proporción suficientemente alta de los chips fabricados funcione correctamente.
La cadena mundial de semiconductores
Ningún país controla de manera completamente independiente toda la cadena de producción de los semiconductores más avanzados. La industria está distribuida entre empresas especializadas que dependen unas de otras.
Cadena industrial simplificada:
- Diseño de procesadores: NVIDIA, AMD, Apple, Qualcomm y otros.
- Software de diseño: Synopsys, Cadence y Siemens EDA, entre otros.
- Maquinaria de fabricación: ASML, Applied Materials, Lam Research y Tokyo Electron.
- Fabricación: TSMC, Samsung e Intel Foundry.
- Memoria y empaquetado: SK hynix, Samsung, Micron y empresas de ensamblaje y pruebas.
- Integración en servidores: Fabricantes de sistemas y proveedores de infraestructura de IA.
Este mapa está simplificado: varias etapas se realizan en paralelo y algunas empresas participan en más de una. Lo importante es entender que diseñar un procesador, fabricar sus transistores y construir un servidor que lo utilice son actividades industriales distintas.
NVIDIA: el diseñador de aceleradores
NVIDIA se ha convertido en uno de los actores centrales de la infraestructura de IA gracias a sus aceleradores y a su ecosistema de software.
Su importancia no depende únicamente del hardware. También desarrolla herramientas que permiten aprovechar sus procesadores. Aquí aparece CUDA, su plataforma de computación paralela.
CUDA permite que desarrolladores e investigadores utilicen las GPU de NVIDIA para realizar cálculos generales y operaciones de aprendizaje automático. Con el tiempo se ha desarrollado un ecosistema de bibliotecas, herramientas y software alrededor de esta tecnología.
Por eso competir con NVIDIA no consiste simplemente en fabricar un chip con características similares. También es necesario construir un ecosistema de software capaz de aprovecharlo.
TSMC: la fábrica de los diseñadores
TSMC es una empresa taiwanesa especializada en la fabricación de semiconductores. Su modelo de negocio consiste principalmente en fabricar chips diseñados por otras compañías.
Imagina que NVIDIA diseña un procesador avanzado. Eso no significa que tenga que construir y operar por sí misma todas las fábricas necesarias para producirlo. Puede contratar a TSMC.
Esta separación entre diseño y fabricación se conoce como modelo fabless-foundry. La importancia estratégica de TSMC proviene de su capacidad para fabricar semiconductores avanzados a escala industrial. También explica por qué Taiwán ocupa una posición tan relevante en la cadena tecnológica mundial.
ASML: las máquinas que permiten fabricar chips
ASML es una empresa neerlandesa especializada en equipos de litografía. Sus sistemas EUV son fundamentales para fabricar determinados semiconductores de vanguardia.
Aquí encontramos un ejemplo extraordinario de especialización industrial. ASML no necesita fabricar los chips de NVIDIA para ser indispensable en su cadena de producción. Fabrica parte de la maquinaria que permite producirlos.
Sus sistemas combinan óptica avanzada, fuentes de luz, sistemas de vacío, mecánica de precisión y software. Esta dependencia ilustra algo fundamental: una empresa puede controlar un componente crítico de la industria sin fabricar el producto final.
La memoria: el componente que suele olvidarse
Un procesador no puede trabajar eficientemente si no recibe los datos que necesita. Aquí entra la memoria.
Los sistemas de IA utilizan diferentes tipos de memoria, pero una especialmente importante para los aceleradores avanzados es la HBM (High Bandwidth Memory). Su función es permitir que grandes cantidades de información se transfieran rápidamente entre la memoria y el procesador.
Entre las empresas relevantes están SK hynix, Samsung y Micron.
¿Por qué es importante? Porque no basta con que un procesador pueda realizar billones de operaciones. También necesita recibir los datos necesarios para ejecutarlas. Un sistema puede tener una enorme capacidad de cálculo y, aun así, funcionar por debajo de su potencial si la memoria no consigue alimentarlo suficientemente rápido.
Los nanómetros: ¿qué significa 3 nm o 2 nm?
Seguramente has escuchado hablar de chips de 7, 5, 3 o 2 nanómetros. Históricamente, estas denominaciones estaban relacionadas con dimensiones físicas de los transistores. Actualmente son nombres de generaciones tecnológicas y no representan una medida física única que pueda compararse directamente entre todos los fabricantes.
En términos generales, las nuevas generaciones buscan mejorar distintas combinaciones de:
- densidad de transistores;
- rendimiento;
- consumo energético;
- eficiencia;
- capacidad de fabricación.
Pero un número de nanómetros más pequeño no garantiza, por sí solo, que un procesador sea superior en todas las tareas. La arquitectura, la memoria, el empaquetado y el software también importan.
La energía: el verdadero límite físico
Los chips necesitan electricidad. Y esa electricidad se transforma parcialmente en calor. Por tanto, un sistema de IA necesita tanto energía para realizar cálculos como infraestructura para disipar el calor generado.
Esto introduce tres restricciones físicas:
- Potencia eléctrica: cuánta energía puede recibir la infraestructura.
- Refrigeración: cuánto calor puede eliminar.
- Eficiencia: cuántas operaciones útiles puede realizar por unidad de energía.
La industria no busca solamente procesadores más potentes. También busca procesadores capaces de realizar más trabajo consumiendo menos energía. Y aquí conectamos directamente con la siguiente capa del ecosistema: los centros de datos.
¿Por qué no basta con tener una GPU?
Porque entrenar modelos grandes requiere conectar numerosos procesadores. Imagina que necesitas utilizar miles de GPU para entrenar un modelo. No basta con colocarlas en un edificio. Necesitas que intercambien información de manera rápida y coordinada.
Eso requiere:
- redes de alta velocidad;
- interconexiones especializadas;
- memoria;
- almacenamiento;
- sistemas de refrigeración;
- software de entrenamiento distribuido.
El problema es que los procesadores pueden pasar parte de su tiempo esperando información de otros componentes. Por eso el rendimiento de un sistema de IA no depende únicamente de la potencia individual de cada chip. Depende del funcionamiento del conjunto.
La geopolítica de los semiconductores
La cadena de producción está repartida entre diferentes regiones.
| País o región | Capacidades destacadas |
|---|
| Estados Unidos | Diseño, software, aceleradores y maquinaria. |
| Taiwán | Fabricación avanzada y empaquetado. |
| Corea del Sur | Memoria y fabricación. |
| Países Bajos | Equipos avanzados de litografía. |
| Japón | Materiales, maquinaria y fabricación. |
| China | Diseño, fabricación, ensamblaje y desarrollo de una cadena nacional. |
| Europa | Equipamiento, materiales, investigación y chips especializados. |
Estas capacidades no son exclusivas de cada región, pero muestran la distribución internacional de la industria. La consecuencia es que existen dependencias cruzadas.
Un procesador diseñado en Estados Unidos puede fabricarse en Taiwán, utilizar memoria surcoreana y depender de maquinaria europea y japonesa. La cadena mundial de semiconductores es, por tanto, una red de interdependencias.
Estados Unidos y China: la competencia tecnológica
Los semiconductores se han convertido en uno de los componentes centrales de la competencia tecnológica entre Estados Unidos y China.
Estados Unidos ha utilizado controles de exportación sobre determinados chips avanzados y equipos relacionados con su fabricación. China, por su parte, ha impulsado el desarrollo de capacidades nacionales de diseño, fabricación y equipamiento.
Esta competencia afecta a empresas, inversiones y cadenas de suministro de numerosos países. Hay que distinguir dos objetivos diferentes:
- Desarrollar mejores chips: mejorar la tecnología y su rendimiento.
- Asegurar el acceso a los chips: garantizar que las empresas y las instituciones puedan adquirir la capacidad de cálculo que necesitan.
Un país puede contar con investigadores excelentes y modelos competitivos, pero enfrentarse a restricciones si no tiene suficiente acceso a infraestructura de computación. Por eso los semiconductores son un componente de la seguridad económica y tecnológica.
¿Por qué se les llama el petróleo de la IA?
La comparación resulta útil porque ambos son recursos estratégicos que permiten desarrollar numerosas actividades económicas. Pero no son equivalentes.
| Petróleo | Semiconductores |
|---|
| Es un recurso natural. | Son productos industriales. |
| Se extrae de yacimientos. | Se fabrican mediante procesos avanzados. |
| Se consume al utilizarlo como combustible. | Se utilizan repetidamente durante su vida útil. |
| Depende de reservas geológicas. | Dependen de conocimiento, fábricas y suministros. |
| Su suministro está condicionado por la extracción. | Su suministro depende de la capacidad industrial. |
La diferencia es importante. Los chips no son un recurso natural que simplemente haya que encontrar. Son el resultado de décadas de investigación, inversiones industriales y acumulación de conocimiento. Por eso no es sencillo reproducir toda su cadena de producción, incluso disponiendo de grandes cantidades de dinero.
¿Qué significa esto para las empresas de IA?
El acceso a chips determina parte de lo que una empresa puede desarrollar y cuánto le cuesta hacerlo. Podemos imaginar tres situaciones:
- Una gran empresa tecnológica puede invertir en miles de aceleradores, desarrollar modelos propios y operar infraestructura de gran escala.
- Una startup de IA puede alquilar computación en la nube para entrenar modelos pequeños, ajustar modelos existentes o utilizar APIs.
- Una empresa tradicional puede utilizar modelos externos sin comprar directamente infraestructura especializada.
Esto genera diferentes niveles de participación en el ecosistema. No todas las empresas necesitan fabricar chips, comprarlos o entrenar modelos propios. Muchas pueden aprovechar la infraestructura desarrollada por otras.
El futuro de los chips para IA
La investigación y el desarrollo industrial avanzan en varias direcciones:
Procesadores especializados
Arquitecturas diseñadas para ejecutar operaciones específicas de IA con mayor eficiencia.
Chiplets y empaquetado avanzado
Combinación de varios componentes especializados en un mismo paquete para construir sistemas más complejos.
IA local o Edge AI
Ejecución de modelos directamente en teléfonos, computadoras, vehículos y otros dispositivos.
Mayor eficiencia energética
Reducción de la energía necesaria para realizar cálculos y mover información.
Nuevas formas de computación
Investigación en computación fotónica, neuromórfica y otras arquitecturas que podrían complementar los sistemas actuales.
No todas estas tecnologías tienen el mismo grado de madurez. Algunas ya se utilizan comercialmente, mientras que otras siguen siendo líneas de investigación.
El mapa completo de la capa de chips
- Investigación y diseño: arquitecturas, circuitos y software EDA
- Materiales: silicio, químicos y obleas
- Maquinaria: litografía y equipos industriales
- Fabricación de semiconductores
- Memoria, empaquetado y pruebas
- Procesadores y aceleradores de IA
- Servidores y centros de datos
- Entrenamiento e inferencia
- Modelos y aplicaciones de IA
La idea más importante
Los chips son el punto en el que la inteligencia artificial deja de ser únicamente una cuestión de matemáticas y software y se convierte en un problema de capacidad industrial.
Puedes tener un algoritmo extraordinario, investigadores excelentes y datos de enorme calidad. Pero necesitas capacidad de cálculo para transformar todo eso en un modelo funcional. Y esa capacidad depende de una cadena física extraordinariamente compleja.
Por eso conviene distinguir tres conceptos:
- Capacidad científica: saber cómo construir mejores modelos.
- Capacidad industrial: poder fabricar los componentes necesarios.
- Capacidad computacional: disponer de sistemas capaces de ejecutar los cálculos.
Un país o una empresa puede destacar en una de estas capacidades sin controlar necesariamente las otras. Esta es una de las razones por las que la competencia mundial por la IA involucra simultáneamente a laboratorios, fabricantes de semiconductores, empresas tecnológicas, proveedores de energía, inversionistas y gobiernos.
La conclusión central es que la IA necesita inteligencia para diseñarse, datos para aprender y computación para existir como sistema operativo. Y los chips son el componente físico que hace posible esa computación.
La analogía de los chips como «el petróleo del siglo XXI» o «el petróleo físico de la IA» es acertada y reveladora, pero tiene un matiz fundamental: a diferencia del crudo, los chips son un recurso fabricado, no extraído. Su valor estratégico no reside en su escasez natural, sino en la extrema dificultad de su manufactura y en la concentración geográfica de esa capacidad.
