es.wedoany.com Noticia: Con la llegada de la era de la "IA agente", capaz de tomar decisiones y actuar de forma autónoma, el centro de gravedad del mercado global de infraestructura de IA está pasando rápidamente del "entrenamiento" a gran escala al ámbito de la "inferencia" necesario para los servicios reales. En este proceso, la eficiencia energética de los centros de datos y el costo total de propiedad (TCO) superan en importancia al rendimiento absoluto de un chip individual. Para romper el dominio de NVIDIA en el mercado, los fabricantes de hardware globales, los gigantes tecnológicos y las empresas surcoreanas de semiconductores K-AI están acelerando sus acciones.
El aumento de la demanda computacional y el monopolio de las GPU de NVIDIA generan presión de costos para las empresas, lo que impulsa a los gigantes tecnológicos globales a desarrollar sus propios semiconductores de IA optimizados para sus centros de datos y servicios. Estas empresas buscan construir una infraestructura de pila completa que abarque chips, arquitectura de servidores, redes y software, para maximizar la "economía de tokens" y la "eficiencia energética" en entornos de ejecución reales. Google Cloud ha actualizado su semiconductor de IA propio, la TPU, a la sexta generación, "Trillium", cuyo rendimiento computacional y capacidad de memoria de alto ancho de banda (HBM) han mejorado significativamente respecto a la generación anterior, para respaldar el entrenamiento y la inferencia del modelo grande "Gemini", y se suministra a clientes externos a través de la plataforma Google Cloud (GCP). Microsoft (MS), para optimizar la relación costo-rendimiento de su infraestructura Azure Cloud, ha lanzado la serie de aceleradores de IA personalizados "Maia". Este chip se basa en la colaboración de diseño de chips con OpenAI y tiene como objetivo reducir los costos operativos de los servicios de Azure OpenAI (como ChatGPT). Meta está introduciendo su acelerador de entrenamiento e inferencia propio, "MTIA" (Meta Training and Inference Accelerator). Este chip está optimizado para algoritmos de recomendación de anuncios y motores de clasificación de feeds, procesando grandes volúmenes de cálculo con bajo consumo energético, y ya se ha extendido a la inferencia de servicios de su serie de modelos de lenguaje grande de código abierto "Llama".
Entre los gigantes tecnológicos, AWS adopta una estrategia de doble vía: por un lado, expande su ecosistema de chips propios y, por otro, mantiene la colaboración con NVIDIA. El negocio de aceleradores de AWS ya ha alcanzado una escala de decenas de miles de millones de dólares y se ha convertido en un nivel central de su infraestructura. Más del 50% de los tokens de su servicio de IA generativa totalmente gestionado, "Amazon Bedrock", se ejecutan en la infraestructura de sus chips aceleradores propios "Trainium" e "Inferentia". El "Trainium2", que integra 16 chips y puede manejar modelos de hasta 1 billón de parámetros, ofrece una relación costo-rendimiento entre un 30% y un 40% mejor que las instancias de GPU de propósito general similares. Sus ingresos relacionados han crecido un 150% trimestre a trimestre y ha conseguido socios de producción como el clúster de entrenamiento "Project Rainier" construido en colaboración con Anthropic, así como empresas como Apple, Uber y Databricks. El chip de inferencia dedicado "Inferentia" ofrece hasta 2,3 veces el rendimiento y hasta un 70% menos de costo de inferencia en comparación con las instancias existentes. AWS ha lanzado el "Trainium3", optimizado para cargas de trabajo de IA agente y generación de video, que ofrece hasta 4 veces más rendimiento por vatio que la generación anterior. Las pruebas comparativas iniciales muestran un ahorro de hasta el 50% en costos de entrenamiento en comparación con las GPU de propósito general. El "EC2 Trn3 UltraServer", que combina hasta 144 chips Trainium3, ofrece un rendimiento computacional de 362 FP8 PFLOPs y 20,7 TB de memoria HBM3e. Junto con el "EC2 UltraCluster 3.0", que forma una red no bloqueante de nivel Petabit basada en el adaptador de estructura elástica (EFA), permite que cientos de miles de chips trabajen juntos como un solo acelerador. La nueva función "Neuron Agentic Development", lanzada en 2026, permite que los agentes de codificación de IA porten automáticamente modelos existentes a Trainium y realicen validaciones de consistencia numérica, eliminando las barreras para la migración de hardware.
Además, el grupo de gigantes tecnológicos está reduciendo su dependencia del "CUDA" de NVIDIA mediante alianzas de software de código abierto. AWS promueve el SDK de código abierto "Neuron", que está diseñado basándose en el estándar abierto XLA y se integra con marcos estándar de la industria como PyTorch, JAX, vLLM y Hugging Face, permitiendo a los desarrolladores utilizar estas bibliotecas con modificaciones mínimas en el código. El mercado global de aceleradores está pasando de un monopolio único de hardware de propósito general a una era de diversidad arquitectónica. La competencia entre los gigantes tecnológicos en chips de silicio propios y la eficiencia de la infraestructura de pila completa se intensificará debido al aumento de las cargas de trabajo de IA agente y generación de contenido multimedia de alta capacidad.
Lee Soo-ji, arquitecto de soluciones de AWS, señaló sobre la estrategia de infraestructura de IA que la inversión de AWS en chips de silicio de IA propios no busca simplemente reemplazar hardware específico, sino ofrecer a los clientes una mejor relación costo-rendimiento y una gama más amplia de opciones, creando un círculo virtuoso en la computación acelerada. Solo con la coexistencia de múltiples arquitecturas en el mercado se puede lograr una reducción de precios y una mejora del rendimiento a través de la competencia. Al evaluar la infraestructura de IA, desde el chip acelerador hasta la arquitectura del servidor que lo soporta, la red que conecta clústeres a gran escala, y el software y los servicios gestionados que maximizan el potencial del hardware, el sistema de pila completa que integra orgánicamente estos elementos es la clave para reducir el TCO. En el entorno de la próxima generación de IA, la gestión de la "economía de tokens" y la "eficiencia energética" determinará la supervivencia del negocio empresarial. La IA agente puede planificar, orquestar y responder en tiempo real según las tareas, y sus características computacionales cambian constantemente. Dado que la energía del centro de datos es un recurso limitado, el rendimiento por vatio, es decir, la eficiencia energética, se convertirá en la competitividad central de las empresas.
