Google ha puesto en marcha una iniciativa interna llamada "TorchTPU" con un objetivo singular: lograr que sus TPUs sean totalmente compatibles con PyTorch. Para los no tan iniciados, lo traducimos: lo que pretende Google es destrozar de una vez por todas el monopolio y control absoluto que NVIDIA tiene con CUDA.

Por qué es importante. NVIDIA se ha convertido en la primera empresa del mundo por capitalización bursátil por dos grandes razones. La primera, por sus GPUs de IA. Y la segunda, mucho más importante, por CUDA, la plataforma software que es la que usan todos los desarrolladores de IA y que tiene una peculiaridad importante: solo funciona en chips de la propia NVIDIA. Así que si quieres trabajar en IA con lo último de lo último, tienes que pasar por el aro... hasta ahora.

En Xataka

Hace un cuarto de siglo un estudiante unió 32 tarjetas gráficas GeForce para jugar a Quake III. De allí salió CUDA

Qué pasa con Google y sus TPUs. Las Unidades de Procesamiento Tensorial (TPU) de Google estaban hasta ahora optimizadas para Jax, una plataforma propia de Google que era similar a CUDA en su objetivo. Sin embargo la mayoría de la industria utiliza PyTorch, que lleva años optimizándose gracias al citado CUDA. Eso crea una barrera de entrada para otros fabricantes de chips, que se encuentran ante un cuello de botella enorme para atraer a los clientes. 

Meta está en el ajo. Fuentes anónimas cercanas al proyecto indican en Reuters que para lograr su objetivo y acelerar el proceso Google se ha aliado con Meta. Esto es especialmente llamativo porque fue Meta quien creó PyTorch originalmente. La empresa de Mark Zuckerberg ha acabado siendo igual de esclava de NVIDIA que sus rivales, y está muy interesada en que las TPUs de Google ofrezcan una alternativa viable para reducir sus propios costes de infraestructura. 

Google como potencial gigante de chips de IA. La empresa liderada por Sundar Pichai ha dado un giro de timón importante con sus TPUs, que antes estaban exclusivamente reservadas para ella. Desde 2022 la división de Google Cloud ha tomado el control de su venta, y las ha convertido en un motor de ingresos fundamental porque ya no solo las usa Google: que se lo digan a Anthropic. Un portavoz de esta división no ha hecho comentarios específicos sobre el proyecto, pero confirmó a Reuters que este tipo de iniciativa proporcionaría a los clientes la capacidad de elegir. 

Todos contra NVIDIA. Esta alianza es el último intento de acabar con ese gran as en la manga de NVIDIA. En estos meses hemos visto cómo empresas como Huawei preparan su propio ecosistema alternativo a CUDA, pero es que también participan en un esfuerzo conjunto de varias empresas chinas de IA con ese mismo fin. 

El hardware importa, el software importa más. CUDA se ha convertido en un componente tan crítico para NVIDIA que si otros fabricantes de semiconductores no han logrado competir con ella no es por sus chips, sino por no poder soportar CUDA de forma nativa. Tenemos un gran ejemplo en AMD, que tiene unas GPUs de IA excepcionales. De hecho, son superiores a las de NVIDIA en ciertos apartados, pero su software no es tan potente.

En Xataka | Las TPUs de Google son la primera gran señal de que el imperio de NVIDIA se tambalea

Cuando se habla de NVIDIA, casi todo el foco se pone en el hardware: las H100, Blackwell, racks, consumo energético, nanómetros... Es comprensible, pero es un error. El foso defensivo –el moat– de NVIDIA no es el hardware. Es CUDA.

CUDA no es un accesorio del chip, es el estándar de facto sobre el que se escribe, se optimiza y se depura la mayor parte del código de IA del planeta. Cambiar de GPU sin cambiar de CUDA no existe. Y cambiar de CUDA implica reescribir años de trabajo. Por eso es un moat.

Por qué es importante. La gran apuesta de Huawei no es “hacer un H100 chino”. Es construir un camino para que el desarrollador llegue a Ascend sin sentir que cambia de planeta. Las restricciones lo están acelerando.

Las exportaciones han partido el mundo en dos:

1. Un ecosistema que gira alrededor de NVIDIA.
2. Y otro que China intenta levantar a contrarreloj.

En ese segundo, Huawei no está jugando solo a chips: está jugando a “ecosistema”, en IA y fuera de ella. Y ahí está el matiz: puedes estar años por detrás en chips y, aun así, ir reduciendo la dependencia si consigues que el software trague.

En Xataka

Huawei ya no compite: está construyendo su propia realidad paralela

En detalle. Huawei está atacando el problema por tres frentes, con una lógica pragmáticamente china: no reemplazar todo de golpe, sino abrir atajos.

1. Pila nativa (CANN + MindSpore). Es su alternativa “pura”: su propio entorno y sus propias herramientas para sacar rendimiento de Ascend. El coste hoy es alto, hay quejas de inestabilidad, la documentación es más bien desordenada, y la comunidad es mucho más pequeña.
2. Compatibilidad con PyTorch. Este es el movimiento más estratégico. Huawei no intenta que el mundo ame su framework: intenta que el mundo no tenga que dejar PyTorch. torch_npu actúa como adaptador para ejecutar modelos de PyTorch sobre Ascend, pero con un problema: no es nativo y sufre con cada cambio de PyTorch. Si PyTorch avanza y tu backend va por detrás, el desarrollador lo nota.
3. Portabilidad vía ONNX. Aquí Huawei busca su mejor ventana: inferencia y despliegue, no entrenamiento. ONNX funciona como formato puente: entrenas donde puedas (a menudo, NVIDIA) y despliegas en Ascend. Es un enfoque menos romántico y más útil: si la escasez aprieta, mover inferencia a hardware local es un alivio inmediato.

Entre líneas. La historia real es que Huawei está intentando replicar el “truco” que hizo grande a NVIDIA: convertir su hardware en una experiencia.

Por eso aparece la táctica que lo explica todo: meter ingenieros en casa del cliente para migrar código y optimizarlo. No es escalable como modelo de negocio, pero sí como modelo de transición: compras tiempo mientras maduras herramientas, librerías y soporte.

• Y hay otra derivada: si China consigue que suficientes equipos adopten Ascend por necesidad, con el tiempo eso puede volverse hábito y luego infraestructura. No porque sea mejor, sino porque ya está integrado.

En Xataka

Huawei va a volver. Y no todo el mundo está preparado para lo que viene

Sí, pero. Huawei tiene dos límites que no se arreglan con marketing:

1. Ritmo de mejora del hardware: el análisis de roadmap sugiere estancamiento relativo y una brecha que podría ampliarse, no cerrarse, si NVIDIA sigue acelerando ciclos.
2. Cuellos de botella fuera del chip: memoria (HBM), herramientas y capacidad industrial. Puedes agregar chips “peores”, pero necesitas fabricar muchos y montar muchos sistemas.

Y ahora qué. Si esta película continúa, veremos dos señales claras:

• Menos hype de chips y más historias de migraciones reales: cuántos equipos han pasado a Ascend, con qué fricciones, con qué pérdidas de rendimiento.
• Menos obsesión por entrenar en Ascend y más normalización del patrón híbrido: entreno donde puedo, despliego donde debo.

Lo de NVIDIA seguirá siendo CUDA. Lo de Huawei no es “un chip”. Es una estrategia de fuga. Y las restricciones son el combustible que la está haciendo inevitable.

En Xataka | Con HarmonyOS NEXT Huawei ha conseguido algo increíble. Ni Samsung, ni Microsoft ni Mozilla lo lograron

Imagen destacada | NVIDIA, Huawei

En el año 2000 Ian Buck quiso hacer algo que parecía imposible: jugar a Quake III en resolución 8K. El joven Buck estaba estudiando informática en Stanford y especializándose en gráficos computerizados, y entonces se le ocurrió una idea loca: unir 32 tarjetas gráficas GeForce y renderizar Quake III en ocho proyectores colocados estratégicamente. 

"Aquello", explicó años más tarde, "era precioso". 

Buck contó esa historia en 'The Thining Machine', el ensayo publicado por Stephen Witt en 2025 que recorre la historia de NVIDIA. Y por supuesto una de las partes fundamentales de esa historia es el origen de CUDA, la arquitectura que los desarrolladores de IA han convertido en una joya y que ha permitido impulsar a la empresa y convertirla en la más importante del mundo por capitalización bursátil.

Y todo empezó con Quake III.

La GPU como supercomputadora doméstica

Aquello, por supuesto, solo fue un experimento divertido, pero para Buck fue una revelación, porque allí descubrió que quizás las chips gráficos especializados (GPUs, por Graphic Processing Units) podían hacer algo más que dibujar triángulos y renderizar fotogramas de Quake. 

En 2006 la GeForce 8800 GTS (y su versión superior, la GTX) iniciaron la era CUDA.

Para averiguarlo se adentró en los aspectos técnicos de los procesadores gráficos de NVIDIA y comenzó a investigar sobre sus posibilidades como parte de su doctorado de Stanford. Reunió a un pequeño grupo de investigadores y, con una subvención del DARPA (Defense Advanced Research Projects Agency)  comenzó a trabajar en un lenguaje de programación d ecódigo abierto al que llamó Brook. 

Ese lenguaje permitía algo asombroso: lograr que las tarjetas gráficas se convirtieran en supercomputadoras domésticas. Buck demostró que las GPUs, teóricamente dedicadas a trabajar con gráficos, podían resolver problemas de propósito general, y hacerlo además aprovechando el paralelismo que ofrecían esos chips.

Así, mientras una parte del chip iluminaba el triángulo A, otro ya estaba rasterizando el triángulo B y otro escribiendo el triángulo C en memoria. No era exactamente lo mismo que el paralelismo de datos actual, pero aun así ofrecía una potencia de cálculo asombrosa, muy superior a cualquier CPU de la época.

En Xataka

Sin esta tecnología NVIDIA no ganaría tanto dinero. Ni arrasaría en el mercado de las GPU como lo hace hoy

Aquel lenguaje especializado acabó convirtiéndose en un paper llamado 'Brook for GPUs: stream computing on graphics hardware'. De repente la computación paralela estaba disponible para cualquiera, y aunque aquel proyecto apenas tuvo cobertura pública, se convirtió en algo que una persona tuvo claro que era importante. 

Esa persona era Jensen Huang.

Poco después de publicar ese estudio, el fundador de NVIDIA se reunió con Buck y lo fichó en el acto. Se dio cuenta de que aquella capacidad de los procesadores gráficos podía y debía explotarse, y comenzó a dedicar más y más recursos a ello. 

Nace CUDA

Cuando en 2005 Silicon Graphics se hundió —por culpa de una NVIDIA que estaba intratable en estaciones de trabajo— muchos de sus empleados acabaron trabajando para la compañía. 1.200 de ellos de hecho fueron directos a la división de I+D, y uno de los grandes proyectos de esa división era precisamente el de sacar adelante esa capacidad de estas tarjetas.

John Nickolls / Ian Buck.

Nada más llegar a NVIDIA, Ian Buck comenzó a trabajar con John Nickolls, que antes de trabajar para la firma había intentando —sin éxito— adelantarse al futuro con su apuesta por la computación paralela. Aquel intento fracasó, pero junto con Buck y algunos ingenieros más puso en marcha un proyecto al que NVIDIA prefirió dar un nombre algo confuso. Lo llamó Compute Unified Domain Architecture. 

Había nacido CUDA.

El trabajo en CUDA avanzó rápidamente y NVIDIA lanzó la primera versión de esta tecnología en noviembre de 2006. Aquel software era gratuito, pero solo era compatible con hardware de NVIDIA. Y como suele suceder con muchas revoluciones, CUDA tardó en cuajar. 

En 2007 la plataforma software se descargó 13.000 veces: los cientos de millones de usuarios de gráficas de NVIDIA solo las querían para jugar, y así siguió siendo durante mucho tiempo. Programar para sacar provecho de CUDA era difícil, y esos primeros tiempos fueron muy difíciles para este proyecto, que consumía mucho talento y finanzas en NVIDIA sin que se vieran beneficios reales. 

En Xataka

"Nvidia tiene mejores cartas para jugar en CPUs que Intel en GPUs, y el marcador cuelga del NASDAQ": entrevista con Manuel Ujaldón

De hecho, los primeros usos de CUDA no tuvieron nada que ver con inteligencia artificial porque apenas se hablaba de inteligencia artificial en aquel momento. Quienes aprovecharon esta tecnología eran departamentos científicos, y solo años después se perfilaría la revolución que podría provocar esta tecnología. 

Un éxito tardío (pero merecido)

De hecho, el propio Buck lo apuntó en una entrevista en 2012 con Tom's Hardware en 2012. Cuando el entrevistador le preguntó qué futuros usos le veía a la tecnología GPGPU que ofrecía CUDA en el futuro, él dio algunos ejemplos. 

Habló de empresas que estaban usando CUDA para diseñar ropa o coches de última generación, pero añadió algo importante: 

"En el futuro, seguiremos viendo oportunidades en los medios personales, como la clasificación y búsqueda de fotos basadas en el contenido de la imagen, es decir, rostros, ubicación, etc., que es una operación que requiere una gran capacidad de cálculo".

Aquí Buck sabía de lo que hablaba, aunque no se imaginaba que aquello sí sería el principio de la verdadera revolución de CUDA. En 2012 dos jóvenes estudiantes de doctorado llamados Alex Krizhevsky e Ilya Sutskever desarrollaron un proyecto bajo la tutela de su supervisor, Geoffrey Hinton.

Era 2013 y Jeff Dean, uno de los directivos de Google, se dio cuenta de algo junto a su equipo: si cada usuario de Android usara su nueva opción de búsqueda por voz durante tres minutos al día, la empresa tendría que doblar el número de centros de datos para hacer frenta a la carga computacional. En aquel momento Google usaba CPUs y GPUs estándar para dicha tarea, pero entraron en pánico y se dieron cuenta de que necesitaban crear sus propios chips para esas tareas.

Así nació la primera Tensor Processing Unit (TPU) de Google, un ASIC específicamente diseñado para ejecutar las redes neuronales que potenciaban sus servicios de voz. Aquello creció y creció y en 2015, antes de que el mundo lo supiera, aquellas primeras TPUs aceleraban Google Maps, Google Photos y Google Translate. Una década después Google ha creado TPUs tan potentes que se han convertido casi sin quererlo en una sorprendente e inesperada amenaza para la todopoderosa NVIDIA. Ahí es nada.

Bendito pánico.

Las TPUs de Google cumplen su promesa

Hasta ahora cuando una empresa de IA quería entrenar sus modelos, acudía a los chips avanzados de NVIDIA. Eso ha cambiado en los últimos tiempos, y de hecho hemos visto dos señales recientes que desde luego plantean un punto de inflexión.

En esa línea de tiempo falta el último y más llamativo integrante de esta familia, Ironwood, presentado en abril de 2025. Fuente: Google.

La primera el lanzamiento de Claude Opus 4.5, un modelo excepcional, especialmente en tareas de programación. Los responsables de Anthropic ya explicaron que este nuevo modelo no depende solo de NVIDIA, sino que combina la potencia de tres propuestas distintas: la de NVIDIA, pero también los Trainium de Amazon y las TPUs de Google.

Pero es que además Google ha dado la campanada por que su nuevo y flamante modelo de IA Gemini 3 ha sido exclusivamente entrenado usando las nuevas TPUs Ironwood que se presentaron en abril y que se han convertido en una verdadera sensación. 

En Xataka

NVIDIA domina a día de hoy el mercado de los chips para IA. Sus propios clientes quieren darle la vuelta

Como decíamos, Google inició ese proyecto en 2013 y lanzó su primera TPU en 2015, pero aquella necesidad interna se convirtió en una bendición, porque lo que Google no podía saber es que esas TPUs acabarían llegando en el momento justo: el lanzamiento de ChatGPT las convirtió en una fantástica oportunidad para fortalecer su infraestructura de IA, pero también para ser usadas para entrenamiento e inferencia de sus modelos de IA.

De ahí acabamos llegando a las TPUs Ironwood actuales, que en su séptima generación son excepcionales tanto en inferencia como en entrenamiento (como ha demostrado su uso para Gemini 3). 

Google ha logrado exprimir aun más sus chips y ha doblado el pico de FLOPS por vatio respecto a su generación anterior. Fuente: Google.

La eficiencia y potencia de estos chips da un salto muy notable respecto a sus predecesores, y por ejemplo logran doblar el rendimiento de FLOPS por vatio que se conseguía con los chips Trillium. 

Si los comparamos con los TPU v5p de 2023, los chips loogran alcanzar los 4.614 TFLOPS, 10 veces más que los 459 TFLOPS de aquellos modelos de hace dos años. Es un salto extraordinario en rendimiento (y eficiencia).

La clave de 2025: Google ahora deja que otros usen sus TPUs

Pero es que en la evolución de las TPUs hay otro elemento diferencial en 2025. Este ha sido el año en el que Google ha dejado de "ser egoísta" con sus TPUs. Antes solo ella podía usarlas, pero en los últimos meses ha llegado a sendos acuerdos con OpenAI —que también busca fabricar sus propios chips— y sobre todo con Anthropic.

El rendimiento de Ironwood es ya comparable al de los GB200 e incluso al de los GB300 de NVIDIA. Fuente: SemiAnalysis.

Esa segunda alianza es especialmente monumental como parte de esa estrategia de externalización. Google no solo está alquilando capacidad en su nube, sino facilitando la venta física de hardware. El acuerdo abarca un millón de TPUs: 400.000 unidades de su TPUv7 Ironwood vendidas directamente a través de Broadcom, y 600.000 alquiladas a través de Google Cloud (GCP).

En un profundo informe en SemiAnalysis se revela cómo desde una perspectiva técnica, la TPUv7 Ironwood es un competidor formidable. La brecha de rendimiento con NVIDIA se está cerrando, y la TPU de Google prácticamente igual al chip Blackwell de NVIDIA en FLOPS y ancho de banda de memoria. 

Sin embargo la ventaja real reside en el coste. El Total Cost of Ownership (TCO) de un servidor Ironwood es según sus estimaciones un 44% menor para Google que para un servidor GB200 de NVIDIA, lo que permite al gigante de las búsquedas ofrecer precios muy competitivos a clienes como Anthropic. 

En Xataka

La IA ha echado al traste los planes de Google para ser sostenible. Su plan para remediarlo: las "cuatro M"

Para ayudar aún más en esa carrera, señalan en SemiAnalysis, Google tiene otro as en la manga. Se trata del Inter-Chip Interconnect (ICI) de Google, una arquitectura de red que permite conectar hasta 9.216 chips Ironwood usando una topología de toro 3D. 

Google además usa conmutadores de circuito óptico que permiten enrutar datos ópticos sin conversión eléctrica, reduciendo tanto la latencia como el consumo de energía. Eso permite reconfigurar la topología de esa red sobre la marcha para evitar (o mitigar) fallos y optimizar distintos tipos de paralelismo. 

El "foso" de NVIDIA con CUDA se va estrechando

Hemos repetido frecuentemente que aunque los fabricantes de semiconductores cuentan ya con chips llamativos —que se lo digan a AMD— en realidad la verdadera fortaleza de NVIDIA está en CUDA, la plataforma software que se ha convertido en el estándar de facto para desarrolladores e investigadores de IA.

Google también quiere cambiar aquí las cosas. Durante los últimos años la empresa trató de centrarse en las librerías Python como JAX o XLA, pero en los últimos tiempos ha comenzado a priorizar el soporte nativo de PyTorch —gran competidor de TensorFlow— en sus TPUs. 

Eso es crucial para facilitar que ingenieros y desarrolladores comiencen a migrar a sus TPUs en lugar de las GPUs de NVIDIA. Antes era posible usar PyTorch en las TPUs, pero era incómodo, como si uno tuviera que hablar un idioma usando un diccionario en tiempo real, mientras que para las GPUs de NVIDIA ese era el idioma "materno". 

Con XLA Google utilizaba una librería intermedia a modo de traductor para poder usar PyTorch, pero eso era una pesadilla para desarrolladores. El soporte nativo permite que a los ojos del desarrollador, las TPUs de Google se comporten igual que las GPUs de NVIDIA. 

El otro gran avance que está realizando Google en el apartado software va orientado al soporte de ecosistemas de inferencia abiertos. Aquí vLLM y SGLang son como un motor de alto rendimiento para un coche de carreras: estas librerías software permiten ejecutar modelos de IA de forma eficiente y barata, y corrían de serie en GPUs de NVIDIA.

La solución de Google para poder usar vLLM era de nuevo coger ese código y traducirlo en tiempo real a JAX, algo que era ineficiente. No había optimización, pero Google está atajando ese problema con un grupo de trabajo que de nuevo plantea un soporte mucho más "nativo" en las TPUs de Google. Esto de momento está en pleno desarrollo, pero está destinado también a "estrechar el foso" (moat) que NVIDIA posee y que es una baza importante para seguir dominando en este mercado. 

Estamos pues ante un potencial cambio de tornas en el mundo de los fabricantes de chips de IA. La situación actual de Google lo coloca claramente como la amenaza más seria para NVIDIA hasta la fecha. 

Ya no estamos ante un proveedor de infraestructura en la nube que optimiza sus propias cargas de trabajo, sino ante una empresa que vende soluciones completas y que ofrece mejor rendimiento por dólar, una escala de red superior y una prometedora hoja de ruta en el terreno del software. 

NVIDIA tiene problemas, desde luego. Veremos cómo reacciona.

En Xataka | El problema de AMD no es que no haga buenas GPUs para IA. Es que ni aún así está cerca de NVIDIA 

Durante los últimos años lo verdaderamente relevante era entrenar modelos de IA para hacerlos mejores. Ahora que han madurado y el entrenamiento ya no escala de forma tan notable, lo que más importa es la inferencia: que cuando usemos chatbots de IA estos funcionen rápida y eficientemente. Google se dio cuenta de ese cambio de foco, y tiene chips precisamente preparados para ello.

Ironwood. Así se llaman los nuevos chips de la célebre familia de Tensor Processing Units (TPUs) de Google. La empresa, que comenzó a desarrollarlos en 2015 y lanzó los primeros en 2018, obtiene ahora frutos especialmente interesantes de todo ese esfuerzo: unos chips realmente prometedores no para entrenar modelos de IA, sino para que los usemos más rápido y eficientemente que nunca.

En Xataka

NVIDIA domina a día de hoy el mercado de los chips para IA. Sus propios clientes quieren darle la vuelta

Inferencia, inferencia, inferencia. Estas "TPUv7" estarán disponibles en las próximas semanas y se podrán usar para entrenamiento de modelos de IA, pero están especialmente orientadas a "servir" esos modelos a los usuarios para que puedan usarlos. Es la otra gran pata de los chips de IA, la realmente visible: una cosa es entrenar los modelos y otra muy distinta la de "ejecutarlos" para que respondan a las peticiones de los usuarios.

Eficiencia y potencia por bandera. El avance en las prestaciones de estos chips de IA es enorme, al menos según Google. La empresa afirma que Ironwood ofrece cuatro veces más rendimiento que la generación anterior tanto en entrenamiento como en inferencia, además de que estamos ante "el silicio personalizado más potente y eficiente en energía hasta la fecha". Google ya ha llegado a un acuerdo con Anthropic para que esta última tenga acceso hasta a un millón de TPUs para ejecutar Claude y servirlo a sus usuarios.

La supercomputadoras de IA de Google. Estos chips son los componentes clave del llamado AI Hypercomputer, un sistema de supercomputación integrado que según Google permite reducir en un 28% los costes de IT y un ROI del 353% a los clientes en tres años. O lo que es lo mismo: prometen que si usas estos chips, el retorno de la inversión se multiplicará por más de cuatro en ese plazo.

Casi 10.000 chips interconectados. Los nuevos Ironwood están dotados además de la capacidad de formar parte de unir fuerzas a lo grande. Es posible combinar hasta 9.216 de ellos en un único nodo o pod, lo que teóricamente hace que desaparezcan los cuellos de botella de los modelos más exigentes. La dimensión de este tipo de cluster es enorme, y permite disponer de hasta 1,77 Petabytes de memoria HBM compartida mientras que esos chips se comunican con un ancho de banda de 9,6 Tbps gracias al llmado Inter-Chip Interconnect (ICI).

Más FLOPS que nadie. La empresa también asegura que un "pod Ironwood" (un cluster con esas 9.216 TPUs Ironwood) ofrece 118x más ExaFLOPS FP8 que su mejor competidor. Los FLOPS miden cuántas operaciones matemáticas en coma flotante pueden resolver estos chips por segundo, lo que garantiza que básicamente cualquier carga de trabajo de IA va a ejecutarse en tiempos récord.

NVIDIA cada vez tiene más competencia (y eso es bueno). Los chips de Google son la demostración de esa clara vocación de las empresas de evitar demasiadas dependencias de terceros. Google tiene todos los ingredientes para hacerlo, y sus TPUv7 son la demostración de ello. No es la única, y desde hace tiempo muchas otras empresas de IA buscan crear sus propios chips. El dominio de NVIDIA sigue siendo claro, pero la empresa tiene un pequeño problema.

¡Todavía estás a tiempo de conseguir tus entradas para la gala de los Premios Xataka NordVPN 2025 el 20 de noviembre en Madrid! Acompáñanos y descubre los mejores productos tecnológicos del año en un evento gratuito lleno de gadgets, humor y sorpresas. 

Consejo ofrecido por la marca

En inferencia CUDA ya no es tan vital. Una vez que el modelo de IA ya ha sido entrenado, la inferencia opera bajo reglas de juego diferentes a las del entrenamiento. El soporte CUDA sigue siendo un factor relevante, pero su importancia en la inferencia es mucho menor. La inferencia se centra en obtener la respuesta más rápida posible. Aquí los modelos "se compilan" y pueden funcionar de forma óptima en el hardware de destino. Puede que eso haga que esa relevancia de NVIDIA pierda enteros ante alternativas como la de Google.

En Xataka | Cuando eres OpenAI y no puedes comprar suficientes GPU, la solución es obvia: fabricar las tuyas

Qualcomm anunció el lunes que está trabajando en chips aceleradores de IA, lo que significa que habrá nueva competencia para NVIDIA. La empresa que domina el panorama de hardware de IA está viendo como un nutrido grupo de competidores tratan de erosionar esa posición, pero el problema de todas esas compañías no son los chips, sino otra cosa. Una llamada CUDA.

Qué ha pasado. Qualcomm ha anunciado el chip AI200, que se comenzará a vender en 2026, y el AI250, que lo hará en 2027. Ambos podrán funcionar en sistemas de tipo rack que cuenten con refrigeración líquida. Los servidores de Qualcomm podrán tener hasta 72 chips que tienen como base las NPUs Hexagon de los SoC Snapdragon de la empresa. 

En Xataka

Los chips de IA de AMD son mejores que los de NVIDIA. El problema no es el hardware, es el software

Inferencia sí, entrenamiento no. La empresa ha revelado que sus chips se centran en la inferencia (la ejecución de modelos de IA) y no en el entrenamiento. Sus sistemas basados en racks tendrán costes operativos inferiores al de los proveedores de sistemas en la nube, afirman en Qualcomm. Cada rack consume 160 kW, una cifra comparable al consumo de algunos racks basados en GPUs de NVIDIA. No hay detalles sobre el precio de estos chips, las tarjetas o los racks que los integrarán, y tampoco sobre cuántos NPUs se pueden ofrecer en cada rack. Lo que sí sabemos es que las tarjetas aceleradoras de Qualcomm soportarán hasta 768 GB de memoria, más de lo que ofrecen NVIDIA o AMD en sus modelos actuales según CNBC.

Chips para terceros. El otro punto importante es que Qualcomm venderá sus chips de IA y otros componentes de forma separada, lo que permitirá a las grandes empresas de IA a "personalizar" sus propios racks basados en chips de Qualcomm. Es una filosofía idéntica a la que han adoptado en el mundo de sus SoCs para móviles. Los inversores vieron la noticia con un optimismo excecpcional, y las acciones de Qualcomm subieron un 11% en la sesión del lunes.

NVIDIA domina con mano de hierro. En el segmento de los chips de IA, el rey es NVIDIA. La empresa es absoluta protagonista de este mercado y según CNBC mantiene un 90% de cuota de mercado, lo que le ha permitido disparar su valoración hasta los 4,5 billones de dólares. Ese dominio ahora podría verse amenazado por la avalancha de chips que están llegando de diversos fabricantes.

Todos contra NVIDIA. AMD tiene sus excelentes Instinct, Google tiene sus TPU, Amazon sus Trainium, Microsoft sus Maia y Huawei tiene sus Ascend. Todas ellas plantean propuestas realmente llamativas para los chips de NVIDIA, y poco a poco esas soluciones están siendo integradas en más y más centros de datos. Pero el problema real no está en el hardware, sino en el software.

El gran reto es doblegar a CUDA. EL estándar de facto en la industria IA que utilizan los desarrolladores es CUDA, una plataforma que permite aprovechar al máximo las capacidades de los chips de NVIDIA en el ámbito de la inteligencia artificial. Esa combinación hardware+software está mucho más madura que la de sus competidores, que tienen la parte hardware resuelta (o van por buen camino) pero que no disponen de una plataforma comparable a CUDA. AMD dispone de ROCm, que es especialmente interesante por ser Open Source, pero de momento sus prestaciones siguen sin alcanzar a las de CUDA.

¿Reinventar la rueda? CUDA lleva en el mercado casi dos décadas, lo que significa que la mayoría de la investigación académica y los modelos pioneros —como ImageNet— se escribieron para CUDA. No es un lenguaje, es una vasta colección de librerías, frameworks optimizados (como cuDNN), herramientas de depuración y una comunidad enorme. Desarrollar un competidor es básicamente como reinventar la rueda, y las migraciones son costosas y las empresas y startups no van a tener fácil asumirlo.

China también está en la pelea. Y por supuesto, si hay otra gran protagonista en esta carrera, esa es China. El gigante asiático, antes dependiente de NVIDIA, busca librarse de este fabricante, y junto al desarrollo de chips avanzados de IA también están intentando tener su propio software de IA para superar a CUDA.

En Xataka | La IA es lo mejor que le está pasando a la fusión nuclear. Ya está acelerando la construcción de ITER

A principios de 2025 NVIDIA tenía una cuota en el mercado chino de los chips para inteligencia artificial (IA) de nada menos que el 95%. Sin embargo, durante las últimas semanas ha bajado al 50%. Este descenso tan abrupto se debe en gran medida a las restricciones a la exportación de los chips para IA que ha impuesto el Gobierno de EEUU, aunque también está provocado por el desarrollo de la competencia dentro de China. A pesar de este escenario tan desfavorable NVIDIA tiene algo muy importante a su favor: CUDA (Compute Unified Device Architecture).

La mayor parte de los proyectos de IA que se están desarrollando actualmente están implementados sobre CUDA. Esta tecnología aglutina el compilador y las herramientas de desarrollo utilizados por los programadores para desarrollar su software para las GPU de NVIDIA, y reemplazarla por otra opción en los proyectos que ya están en marcha es un problema. Huawei, que aspira a hacerse con una porción importante de este mercado en China, tiene CANN (Compute Architecture for Neural Networks), que es su alternativa a CUDA, pero por el momento CUDA domina el mercado.

Huawei va a posicionar CANN como un kit de herramientas de código abierto

Esta declaración de Li Guojie, un científico informático de la Academia China de Ciencias que es considerado una autoridad en China, expresa con claridad lo importantes que son las herramientas que acabo de mencionar en el ecosistema de desarrollo de modelos de IA: "China debe desarrollar un sistema alternativo para alcanzar la autosuficiencia en IA [...] DeepSeek ha tenido un impacto en el ecosistema CUDA, pero no lo ha superado completamente debido a que persisten barreras. A largo plazo necesitamos establecer un conjunto de sistemas de herramientas de software para IA controlables que superen a CUDA".

En Xataka

Japón prepara su resurgimiento: en 2030 planea superar a EEUU y China en computación cuántica

Este es sin duda uno de los grandes desafíos a los que se enfrenta China en este ámbito, y probablemente su mejor opción es CANN. Durante los últimos cinco meses Huawei ha lanzado dos GPU para IA muy competitivas y está a punto de dar un paso hacia delante muy importante: va a posicionar CANN como un kit de herramientas de código abierto. Su propósito es, según Eric Xu Zhijun, presidente rotatorio de Huawei, "acelerar la innovación de los desarrolladores y conseguir que los chips de la familia Ascend sean más fáciles de utilizar".

Xu Zhijun no lo menciona de forma expresa, pero lo que persigue su estrategia en el fondo es incrementar la competitividad del ecosistema de IA de Huawei atacando a NVIDIA allí donde es más fuerte. Además, ya ha empezado a discutir con los principales actores de la industria de la IA de China, así como con sus socios comerciales, las universidades y las instituciones de investigación cómo debe Huawei construir su ecosistema Ascend de código abierto. Si esta iniciativa prospera, y presumiblemente lo hará, representará un paso hacia delante muy importante en el camino hacia la independencia tecnológica de China.

Imagen | HiSilicon

Más información | SCMP

En Xataka | A NVIDIA le toca lidiar con la desconfianza absoluta de varios legisladores de EEUU. Su plan en China peligra

En Xataka | EEUU quiere acabar con los chips para IA chinos que se venden en el extranjero. Y China sabe cómo defenderse

El futuro de NVIDIA en China es cada vez más incierto. Las sospechas de la Administración del Ciberespacio de China acerca de la seguridad de su GPU H20 para inteligencia artificial (IA) obligan a esta compañía a convencer al Gobierno chino de que sus chips son fiables. No obstante, este no es el único desafío al que se enfrenta NVIDIA en el país liderado por Xi Jinping. Y es que buena parte de las compañías chinas más relevantes en las industrias de los semiconductores y la IA se han aliado para fomentar la adopción de los chips para IA chinos.

Durante el último ejercicio fiscal, que expiró el 26 de enero de 2025, China representó aproximadamente el 13% de los ingresos totales de la compañía liderada por Jensen Huang con una cifra de unos 17.000 millones de dólares. En la práctica este país asiático es el tercer mejor cliente de esta empresa solo por detrás de EEUU y Taiwán. De hecho, según TradingView a principios de 2025 NVIDIA tenía una cuota en el mercado chino de los chips para IA de nada menos que el 95%. Sin embargo, durante las últimas semanas ha bajado al 50%.

Este descenso tan abrupto se debe en gran medida a las restricciones a la exportación de los chips para IA que ha impuesto el Gobierno de EEUU, aunque también está provocado por el desarrollo de la competencia dentro de China. Y, para rizar aún más el rizo, StepFun, que pertenece a Tencent Holdings; Infinigence AI; SiliconFlow, de Huawei; MetaX; Biren Technology; Enflame; Iluvatar Corex; Cambricon Technologies y Moore Threads, que son algunas de las compañías chinas más fuertes en el desarrollo de chips para IA, han constituido una alianza que persigue parar en seco a NVIDIA.

Para NVIDIA cada vez es más difícil sostener su posición en China

El Gobierno chino está instando a las empresas chinas que se dedican al desarrollo de grandes modelos de IA a que utilicen en sus servidores circuitos integrados de origen chino. La Alianza para la Innovación en el Ecosistema Modelo-Chips, que es como se llama la organización que han constituido las compañías chinas que he mencionado unas líneas más arriba, representa un paso importante en esta dirección. NVIDIA tiene a su favor la implantación masiva de CUDA (Compute Unified Device Architecture) en los proyectos de IA que están en marcha, pero el panorama ya está empezando a cambiar.

En Xataka

Japón prepara su resurgimiento: en 2030 planea superar a EEUU y China en computación cuántica

Esta tecnología aglutina el compilador y las utilidades de desarrollo utilizados por los programadores para desarrollar su software para las GPU de NVIDIA, y reemplazarla por otra opción en los proyectos que ya están en marcha es un problema. Huawei, que aspira a hacerse con una porción importante de este mercado en China, tiene CANN (Compute Architecture for Neural Networks), que es su alternativa a CUDA. No obstante, esta no es la única baza del país gobernado por Xi Jinping.

Moore Threads es una de las empresas chinas que se dedican a la producción de hardware para IA a las que las compañías alineadas con los intereses de EEUU y sus aliados no pueden vender ni software ni equipamiento avanzado. Aunque es muy joven (fue fundada en 2020) tiene algo muy importante a su favor: su fundador es Zhang Jianzhong, exgerente general de la filial de NVIDIA en China, por lo que es evidente que conoce bien qué tiene entre manos.

Moore Threads ha desarrollado varias GPU para aplicaciones de IA que, sobre el papel, rivalizan con algunas de las soluciones avanzadas que han colocado en el mercado NVIDIA, AMD o Huawei. Las tarjetas MTT S4000 y MTT S3000 son sus propuestas más interesantes ahora mismo, aunque, curiosamente, en su porfolio también aparece la tarjeta MTT S80, una propuesta para juegos y creación de contenidos que, según la propia Moore Threads, tiene una capacidad de cálculo de 14,4 TFLOPS en operaciones de coma flotante de precisión simple. No impresiona, pero no está nada mal.

No obstante, esta compañía tiene algo más: un paquete de software con el que persigue romper definitivamente el dominio de CUDA. Lo llama MUSA, es compatible con la gama de tarjetas MTT que he mencionado unas líneas más arriba e incorpora un compilador, bibliotecas de ejecución, bibliotecas especializadas y herramientas de depuración del código. No obstante, esto no es todo. Sobre el papel su capacidad más atractiva para China es que permite reutilizar el código escrito en CUDA, trasladándolo de manera que pueda ser ejecutado sobre las tarjetas para IA de Moore Threads. Es difícil predecir qué acogida tendrán el hardware y el software de esta compañía en su país de origen, pero no cabe duda de que merece la pena seguirle la pista.

Imagen | Moore Threads

Más información | SCMP

En Xataka | La IA es lo mejor que le está pasando a la fusión nuclear. Ya está acelerando la construcción de ITER

NVIDIA ha anunciado que su plataforma CUDA va a ser compatible con procesadores RISC-V. Lo ha hecho durante la cumbre RISC-V de China y el lugar escogido no es casual: este anuncio apunta claramente al mercado chino.

Por primera vez, la tecnología que permite a las aplicaciones comunicarse con las GPU de NVIDIA se va a extender más allá de ARM y x86, hacia una arquitectura de código abierto.

Por qué es importante. CUDA es el software que hace funcionar el ecosistema de IA de NVIDIA. Sin CUDA, las GPU perderían gran parte de su apacidades de cálculo paralelo.

Que NVIDIA abra esta tecnología a RISC-V significa que procesadores basados en esta arquitectura abierta pueden ahora servir como CPU principal en sistemas con GPU de NVIDIA.

El trasfondo. El anuncio, además de hacerse en China, llega mientras China está acelerando sus esfuerzos para reducir su dependencia de procesadores occidentales.

• Alibaba ya presentó su núcleo C930 basado en RISC-V para servidores.
• El proyecto Xiangshan promete un rendimiento comparable a los ARM de hace dos años.

NVIDIA no puede vender sus modelos más potentes GB200 y GB300 a China por las sanciones estadounidenses, así que de esta forma encuentra una vía para mantener CUDA relevante en el mercado chino.

En Xataka

La lucha por la supremacía mundial de EEUU y China deja una víctima en Europa: el gigante de los chips ASML

Entre líneas. Hay mucho de estrategia geopolítica en esta decisión: NVIDIA lleva años integrando núcleos RISC-V en sus propias GPU para tareas de control de bajo nivel. Ahora da el salto a soportar RISC-V como procesador principal.

Y eso responde a una realidad: si China va a desarrollar sus propios procesadores usando arquitecturas abiertas, NVIDIA quiere estar ahí desde el principio.

En detalle. La configuración mostrada por NVIDIA muestra un sistema heterogéneo:

1. La GPU maneja cargas paralelas.
2. El procesador RISC-V ejecuta los controladores CUDA y la lógica de aplicación.
3. Y una DPU gestiona las tareas de red.

Esta arquitectura permite orquestar las computaciones de GPU completamente dentro del entorno de CUDA, algo imposible hasta ahora con RISC-V.

Profundiza. Históricamente, NVIDIA ha portado CUDA a cada arquitectura importante: x86, ARM, PowerPC e incluso SPARC de Sun. La empresa entiende que debe estar presente desde el primer día en cualquier plataforma que pueda despegar en el sector empresarial. Con un valor ya superior a los 4 billones de dólares, NVIDIA puede permitirse apostar por todas las arquitecturas prometedoras.

Y ahora el movimiento posiciona a RISC-V como alternativa viable para futuros diseños de procesadores de IA y computación de alto rendimiento. Si los astros se alinean, otros fabricantes podrían seguir el ejemplo de NVIDIA. Y eso aceleraría la adopción de RISC-V en centros de datos más allá de China.

Imagen destacada | Wikimedia Commons

En Xataka | En su camino a la auténtica supremacía cuántica, China se ha fijado un objetivo: un ordenador cuántico "real" antes de 2030

La mayor fortaleza de NVIDIA no es su hardware; lo es CUDA (Compute Unified Device Architecture). Y es que la mayor parte de los proyectos de inteligencia artificial (IA) que se están desarrollando actualmente están implementados sobre esta herramienta. Esta tecnología aglutina el compilador y las utilidades de desarrollo utilizados por los programadores para desarrollar su software para las GPU de NVIDIA, y reemplazarla por otra opción en los proyectos que ya están en marcha es un problema.

Huawei, que aspira a hacerse con una porción importante de este mercado en China, tiene CANN (Compute Architecture for Neural Networks), que es su alternativa a CUDA, pero por el momento este último software domina el mercado. Y en la coyuntura actual es un problema para las empresas chinas que quieren, como propone el Gobierno liderado por Xi Jinping, dejar de utilizar el hardware y el software estadounidenses. Para China tener una alternativa eficaz a CUDA es ahora mismo crucial, y parece que ya está lista.

Moore Threads es la NVIDIA de China

Li Guojie, un científico informático de la Academia China de Ciencias que es considerado una autoridad en China, sostiene que las GPU para IA chinas más avanzadas, como los chips Ascend 910 de Huawei, son comparables a las soluciones actuales de NVIDIA en términos de capacidad de cálculo. Sin embargo, este experto también defiende que en las circunstancias actuales para este país asiático es crucial derribar todas las barreras impuestas por CUDA.

En Xataka

China ha hecho lo que la industria global más temía: bloquear la exportación de las tierras raras más valiosas

"China debe desarrollar un sistema alternativo para alcanzar la autosuficiencia en IA [...] DeepSeek ha tenido un impacto en el ecosistema CUDA, pero no lo ha superado completamente debido a que persisten barreras. A largo plazo necesitamos establecer un conjunto de sistemas de herramientas de software para IA controlables que superen a CUDA", asegura Guojie. Quizá CANN consiga abrirse paso poco a poco y logre imponerse finalmente, pero mientras persista CUDA en cierta medida el desarrollo de la IA en China seguirá dependiendo de EEUU.

No obstante, CANN no es la única baza del país gobernado por Xi Jinping. Moore Threads es una de las empresas chinas que se dedican a la producción de hardware para IA a las que las compañías alineadas con los intereses de EEUU y sus aliados no pueden vender ni software ni equipamiento avanzado. Aunque es muy joven (fue fundada en 2020) tiene algo muy importante a su favor: su fundador es Zhang Jianzhong, exgerente general de la filial de NVIDIA en China, por lo que es evidente que conoce bien qué tiene entre manos.

Moore Threads ha desarrollado varias GPU para aplicaciones de IA que, sobre el papel, rivalizan con algunas de las soluciones avanzadas que han colocado en el mercado NVIDIA, AMD o Huawei. Las tarjetas MTT S4000 y MTT S3000 son sus propuestas más interesantes ahora mismo, aunque, curiosamente, en su porfolio también aparece la tarjeta MTT S80, una propuesta para juegos y creación de contenidos que, según la propia Moore Threads, tiene una capacidad de cálculo de 14,4 TFLOPS en operaciones de coma flotante de precisión simple. No impresiona, pero no está nada mal.

No obstante, esta compañía tiene algo más: un paquete de software con el que persigue romper definitivamente el dominio de CUDA. Lo llama MUSA, es compatible con la gama de tarjetas MTT que he mencionado unas líneas más arriba e incorpora un compilador, bibliotecas de ejecución, bibliotecas especializadas y herramientas de depuración del código. No obstante, esto no es todo.

Sobre el papel su capacidad más atractiva para China es que permite reutilizar el código escrito en CUDA, trasladándolo de manera que pueda ser ejecutado sobre las tarjetas para IA de Moore Threads. Es difícil predecir qué acogida tendrán el hardware y el software de esta compañía en su país de origen, pero no cabe duda de que merece la pena seguirle la pista.

Imagen | Moore Threads

Más información | Moore Threads

En Xataka | La IA es lo mejor que le está pasando a la fusión nuclear. Ya está acelerando la construcción de ITER