La nueva generación de chips: GPU, NPU, ASIC y RISC-V para quien decida

Durante una década, el hardware fue algo que la mayoría de los líderes tecnológicos podían subcontratar mentalmente. Elegiste una nube, pediste más máquinas y pagaste la factura. La capa física era la abstracción, y la abstracción es exactamente lo que quiere un directivo: no pensar en el problema.

Ese parón se acabó. El coste de ejecutar la inteligencia artificial transformó el tipo de chip en una decisión empresarial, con un impacto directo en el margen, la latencia y la dependencia de los proveedores. La conversación sobre GPU, NPU, ASIC y RISC-V dejó la ingeniería y llegó al comité de producto, aunque todavía habla un idioma que pocos miembros del comité entienden.

Este artículo traduce ese idioma. No para que puedas diseñar silicio, sino para que puedas reconocer cuándo una elección de hardware realmente está fijando el techo de una estrategia.

¿Por qué el hardware ha vuelto al centro?

La breve explicación: el software se ha vuelto hambriento de una manera que los procesadores de uso general no pueden seguir el ritmo.

Los modelos de IA realizan un tipo de cálculo repetitivo y masivo, la multiplicación de matrices, en un volumen que no cabe cómodamente en una CPU común. Cuando la carga de trabajo cambia de naturaleza, el hardware que era genérico se convierte en un cuello de botella. Y los cuellos de botella de hardware no se pueden resolver con un código más inteligente, se pueden resolver con un chip diferente.

A esto se suma la economía. Formar y atender modelos consume energía a una escala que aparece en la factura y en el balance de sostenibilidad. Cada vatio ahorrado por consulta se convierte en margen cuando lo multiplica por millones de solicitudes. El hardware ha dejado de ser un coste fijo invisible para pasar a ser una palanca de costes variables, y todo lo que afecta a los costes variables pasa a ser la agenda de quienes deciden.

La consecuencia práctica: las empresas que tratan los chips como un bien intercambiable están pagando más o entregando más lentamente que los competidores que eligieron conscientemente.

GPU: el caballo de batalla flexible

La GPU (unidad de procesamiento de gráficos) nació para juegos y renderizado, y por feliz casualidad resolvió el problema de la IA antes de que la IA se pusiera de moda. Hace muchos cálculos en paralelo, que es exactamente lo que requiere el entrenamiento de una red neuronal.

La virtud de la GPU es la flexibilidad. Ejecuta casi cualquier carga útil de IA, desde entrenamiento hasta inferencia, desde visión por computadora hasta modelos de lenguaje. Si aún no sabes cuál será tu carga dominante, la GPU es la apuesta segura porque comete pocos errores en cualquier escenario.

El coste de esta flexibilidad aparece en dos lugares: el precio y la energía. La GPU de gama alta es cara, muy reñida y consume mucho. Paga por capacidad genérica incluso cuando su carga es específica y predecible. Para el líder, la regla mental es simple: GPU es lo que usas cuando aún estás aprendiendo lo que necesitas, o cuando la variedad de cargas justifica no especializarte.

NPU: el acelerador que vive en el dispositivo

La NPU (unidad de procesamiento neuronal) es un chip diseñado para una tarea específica: ejecutar inferencia de IA con baja potencia. No entrena modelos gigantes, ejecuta modelos ya hechos de manera eficiente y es por eso que aparece dentro de computadoras portátiles y teléfonos celulares.

El cambio que permite la NPU es la inferencia local. En lugar de enviar todos los datos del usuario a un servidor, procesarlos y devolverlos, parte del trabajo se realiza en el propio dispositivo. Esto cambia tres cosas que un gerente entiende sin necesidad de un diagrama: latencia (respuesta instantánea), privacidad (los datos no viajan) y costo (no pagas a la nube por esa consulta).

La NPU es el motor detrás de la ola de PC y aplicaciones con IA que se describen a sí mismas como NPU-first, diseñadas desde el principio para ejecutarse en el dispositivo. Para el producto, abre una categoría de funcionalidad que antes era demasiado cara o demasiado lenta para existir. Vale la pena profundizar en la IA local en el dispositivo, porque la decisión de dónde ocurre la inferencia es estratégica antes que técnica.

ASIC: especializarse para ganar coste y energía

El ASIC (circuito integrado de aplicación específica) es lo opuesto a la GPU en filosofía. En lugar de usarse para todo, está diseñado para hacer una cosa y hacerlo con una eficiencia que ningún chip genérico puede lograr.

El intercambio es directo. Se renuncia a la flexibilidad y se obtiene un coste por operación y un consumo de energía mucho menores para la carga específica a la que sirve el chip. Por inferencia a escala, donde se ejecuta el mismo tipo de modelo miles de millones de veces, esta especialización se convierte en una ventaja económica que se acumula.

El precio de entrada es alto. Diseñar un ASIC es costoso y lleva mucho tiempo, y el chip nace atascado: si su carga cambia, el silicio no seguirá el ritmo. Por eso ASIC sólo tiene sentido cuando el volumen es grande y la carga estable. Es decisión de quienes ya saben exactamente qué se rodará y en qué escala.

RISC-V: arquitectura abierta proveniente del borde

RISC-V no es un chip, es una especificación de cómo el chip se comunica con el software, una ISA (arquitectura de conjunto de instrucciones). La diferencia que importa: es abierto. Cualquiera puede usarlo, modificarlo y fabricarlo sin pagar una licencia al propietario.

Esto parece un tecnicismo y, de hecho, es una cuestión de poder. Las arquitecturas cerradas concentran la dependencia de un puñado de proveedores que cobran regalías y dictan la hoja de ruta. Una ISA abierta redistribuye este control: reduce los costos de licencia, permite una personalización profunda y otorga soberanía a aquellos que no quieren ser rehenes de una cadena que no controlan.

RISC-V avanza primero en el borde y en IoT, donde los chips son más simples y la sensibilidad a los costos es alta. Allí la madurez es suficiente. En cargas pesadas y de uso general, el ecosistema aún se está formando. Las herramientas, el soporte, el software y la madurez del ecosistema no se pueden comprar voluntariamente, sino que se construyen con el tiempo.

Cómo lee el líder este tablero

La tentación es apoyar a un ganador. El verdadero tablero es de convivencia, y la responsabilidad de quien decide es hacer coincidir la carga con el chip adecuado.

GPU para lo que aún es incierto o variado. NPU para inferencia en el dispositivo, cerca del usuario. ASIC para inferencia a escala con carga estable. RISC-V para la vanguardia y para reducir la dependencia donde la madurez ya lo permite. Silicona personalizada, cuando operas a una escala que justifica diseñar la tuya propia, un tema que merece un capítulo aparte.

La pregunta correcta no es qué chip es mejor. Se trata de cuál es su carga dominante, qué tan estable es y cuánto pesan en su modelo de negocio la latencia, la potencia y la dependencia del proveedor. La respuesta es el silicio, y no al revés. Y la ganancia en eficiencia energética en IA generalmente proviene más de la elección del hardware que de cualquier optimización posterior del código.

Si lidera la tecnología y aún trata los chips como una línea de infraestructura, vale la pena llevar esta decisión a un nivel superior. El hardware ha vuelto a ser estrategia, y una estrategia delegada por inercia es una estrategia perdida.