La narrativa que el mercado de la nube ha vendido durante años ha sido la de la mercantilización: el hardware subyacente no importa, lo que importa es el servicio. Elegiste el proveedor en función del catálogo de servicios administrados, el precio por hora de instancia y el soporte. El chip era un detalle de infraestructura, invisible e intercambiable, conveniente mientras todos compraban el mismo silicio de Intel y AMD y la verdadera diferencia estaba en el software y las operaciones. El problema es que esta narrativa ya no es cierta y los proveedores que entendieron esto antes están obteniendo beneficios que otros no pueden permitirse.
¿Por qué construir tu propio chip cuando puedes comprarlo?
La respuesta directa: porque a escala de hiperescalador, la eficiencia del hardware se convierte en márgenes que justifican cualquier inversión razonable en I+D. AWS procesa volúmenes de computación que hacen que cualquier ganancia porcentual por vatio sea relevante en cientos de millones de dólares al año. Si un chip diseñado específicamente para sus cargas de trabajo ofrece un veinte por ciento más de rendimiento por vatio que su equivalente disponible en el mercado, esa diferencia no es una curiosidad técnica: es una ventaja competitiva convertida en precio, margen o ambos.
La segunda razón es la independencia. Cualquiera que compre toda la capacidad informática de un único proveedor (en el caso de la IA, esencialmente de Nvidia) está sujeto a la cola de asignación, al precio dictado por quien tiene un monopolio práctico sobre el producto y a la hoja de ruta tecnológica de otro. Para una empresa que compite en computación en la nube, este es un riesgo estratégico en la misma categoría que la dependencia de un solo cliente. Nadie en el consejo toleraría lo segundo; el primero se volvió rutinario hasta que las grandes tecnológicas se decidieron por la producción propia.
Cómo jugó cada hiperescalador esta mano
AWS Graviton es el caso más legible como decisión empresarial. Basado en ARM, Graviton4 ofrece importantes mejoras de rendimiento por dólar en comparación con instancias x86 equivalentes en el propio AWS, y AWS utiliza esto tanto para reducir los costos internos como para ofrecer instancias más económicas a los clientes que migran. La adopción ha crecido porque la propuesta de valor es cuantificable: ejecutas la misma carga de trabajo y pagas menos, o ejecutas más por el mismo precio.
Google hizo el movimiento más radical con los TPU. La Unidad de Procesamiento Tensorial fue diseñada desde cero para una carga de trabajo específica: la multiplicación de matrices de alta dimensión, que es la operación central de las redes neuronales. TPU v5p se utiliza tanto para entrenamiento como para inferencia, y está profundamente integrado con TensorFlow y JAX. El detalle relevante para cualquiera que esté considerando usarlo: la TPU no existe como hardware aislado. Se accede a la capacidad a través de Google Cloud: adoptar TPU es una decisión de plataforma, no solo una decisión informática. El rendimiento está vinculado al bono.
Apple es el caso más extremo de integración vertical y el más antiguo. Desde el M1, Apple ha controlado el chip, el sistema operativo, el compilador y el software del sistema. La consecuencia práctica es que optimizaciones que serían imposibles en una pila fragmentada se vuelven rutinarias: el chip conoce el caché, el sistema operativo conoce el chip y el compilador conoce ambos. El M4 Ultra logra el rendimiento del servidor en un formato de escritorio no por un solo milagro de ingeniería, sino porque cada capa está diseñada para las demás.
Meta y Microsoft llegaron más tarde con objetivos más quirúrgicos. El MTIA de Meta fue diseñado para reducir la dependencia de Nvidia específicamente para los modelos de recomendación: miles de millones de inferencias por día en un estándar lo suficientemente estable como para justificar el silicio especializado. Maia 100 de Microsoft cubre capacitación e inferencia en Azure, incluida parte de la infraestructura de GitHub Copilot. En ambos casos, el objetivo no es reemplazar la GPU por completo, sino reducir la dependencia donde la carga predecible hace que la especialización sea económicamente obvia.
El chip como foso: por qué es difícil de copiar
Lo que hace que el silicio personalizado sea una ventaja duradera es el costo y el tiempo de replicación. Diseñar un chip competitivo lleva años antes de que la primera oblea salga de fábrica. La fabricación a escala requiere relaciones con TSMC o Samsung que no se construyen en trimestres. El ecosistema de software que aprovecha al máximo el chip tarda aún más. Quienquiera que haya comenzado en 2016 (Google con el TPU, Apple con sus chips de transición) está en una posición que un competidor que decida comenzar mañana no alcanzará antes de 2030 en el mejor de los casos. No es una ventaja que pueda comprarse en una ronda de inversión o copiarse en un sprint de producto.
Para los proveedores de nube más pequeños, esto crea un problema competitivo sin una solución obvia. Puede comprar los mismos chips Nvidia o AMD que el competidor, pero no puede comprar la eficiencia que Graviton le brinda a AWS después de años de iteración a gran escala. La brecha de rendimiento por dólar se amplía con cada generación, y no hay atajos.
¿Qué cambia esto para quienes usan la nube, no para quienes la venden?
El cambio más relevante para quienes consumen servicios en la nube es que el benchmark de rendimiento de la instancia ha perdido dimensión. Comparar vCPU y gigabytes de RAM entre proveedores como si el hardware subyacente fuera equivalente es un análisis incompleto. Las instancias de AWS Graviton y las instancias equivalentes de AWS x86 son cargas de trabajo diferentes en silicio diferente, con estándares de rendimiento que varían según el tipo de aplicación.
El segundo cambio es que el bloqueo de la nube obtuvo una capa de hardware que no estaba en el contrato original. Una aplicación optimizada para TPU tiene un costo de migración mucho mayor que una en computación genérica. Este no es un argumento para evitar los chips especializados (el rendimiento a menudo lo justifica), pero es el costo lo que debe incluirse en el análisis antes de su adopción, no después.
La tercera dimensión es que aumentarán las diferencias en costos y desempeño entre proveedores. Graviton ya hace que algunas cargas sean materialmente más baratas en AWS que en alternativas de hardware disponibles en el mercado. A medida que cada hiperescalador madura su silicio, comparar las nubes requerirá comprender qué chip está detrás de cada carga de trabajo: conocimiento técnico que muchas empresas hoy en día delegan al integrador de turno, sin darse cuenta de que también están delegando la decisión al proveedor.
Lea también
- Chips de inferencia y ASIC: cuando lo especializado gana a lo genérico
- Chips especializados y el fin de la era de las CPU genéricas
- Edge Computing: por qué la informática abandona la nube y se acerca a los datos
- Geopolítica del silicio: por qué la guerra de los chips es importante para quienes deciden sobre la tecnología
- Inferencia en el borde: cuando ejecutar IA en el dispositivo tiene más sentido que en la nube
- La infraestructura como ventaja competitiva: lo que las startups aprenden de las grandes tecnológicas