Aspectos más destacados
- Google está desarrollando un chip que incorpora el modelo Gemini directamente en el hardware, reduciendo la dependencia del software tradicional.
- La tecnología promete aumentar significativamente la eficiencia energética durante la ejecución de tareas de inteligencia artificial.
- El proyecto forma parte de la estrategia de Alphabet para responder al crecimiento explosivo de la demanda de IA y ampliar la capacidad de Google Cloud en los próximos años.
Alphabet está trabajando en una tecnología que podría representar uno de los mayores cambios en la infraestructura de inteligencia artificial desde la aparición de los aceleradores especializados.
Según información publicada por The Information, la compañía desarrolla un nuevo chip para servidores capaz de incorporar la arquitectura de Gemini directamente en el silicio, eliminando parte de la necesidad de ejecutar el modelo como software sobre procesadores programables.
Si la iniciativa avanza según lo previsto, Google podría reducir drásticamente el consumo de energía necesario para responder a los millones de solicitudes que reciben diariamente sus modelos de inteligencia artificial. En un escenario donde la demanda de procesamiento crece a un ritmo acelerado, cualquier mejora en la eficiencia representa una ventaja competitiva importante tanto en costos como en capacidad operativa.
La expectativa es que esta nueva arquitectura comience a utilizarse alrededor de 2028, inicialmente como complemento de las actuales TPU (Tensor Processing Units), los aceleradores desarrollados por Google para el entrenamiento y la inferencia de modelos de inteligencia artificial.
¿Qué significa integrar Gemini directamente en el hardware?
Actualmente, modelos como Gemini funcionan de manera similar a la mayoría de las inteligencias artificiales modernas. Los pesos de la red neuronal permanecen almacenados en la memoria y se cargan en procesadores especializados cada vez que es necesario responder una nueva consulta. Este proceso exige un movimiento constante de datos entre la memoria y las unidades de procesamiento, consumiendo grandes cantidades de energía.
La propuesta de Google es diferente.
En lugar de cargar el modelo cada vez que se realiza una consulta, parte de los pesos de la red neuronal quedarían incorporados de forma permanente en el propio circuito electrónico del chip. En la práctica, el modelo deja de ser únicamente software y pasa a formar parte del hardware.
Este enfoque utiliza un ASIC (Application-Specific Integrated Circuit), un circuito integrado diseñado para ejecutar una función específica con la máxima eficiencia. Como el chip se crea para un único modelo, prácticamente todos sus recursos están dedicados a esa tarea, reduciendo el desperdicio de procesamiento y mejorando el rendimiento.
Los especialistas consideran que esta arquitectura podría generar respuestas consumiendo solo una fracción de la energía requerida por las soluciones actuales. Esto resulta especialmente importante para las operaciones de inferencia, que representan la mayor parte del trabajo realizado por los grandes modelos de lenguaje después del entrenamiento.
En otras palabras, cada vez que un usuario conversa con una IA, solicita un resumen, traduce un texto o genera una imagen, está utilizando inferencia. Precisamente ese tipo de procesamiento es el que el nuevo chip pretende acelerar.
Mucha más eficiencia, aunque con menor flexibilidad
A pesar de sus ventajas, esta estrategia también presenta limitaciones importantes.
Al grabar un modelo directamente en el silicio, el hardware deja de ser programable. Esto significa que Gemini integrado en el chip no podrá recibir actualizaciones profundas como ocurre actualmente con las TPU o las GPU utilizadas para inteligencia artificial.
Cada vez que una nueva generación del modelo requiera cambios estructurales, será necesario fabricar una nueva versión del chip.
Se trata de un equilibrio entre rendimiento y flexibilidad. Mientras que los chips programables pueden ejecutar distintos modelos y recibir actualizaciones constantes, un ASIC dedicado ofrece una eficiencia mucho mayor, aunque únicamente para la tarea para la que fue diseñado.
Aun así, esta limitación podría no ser tan importante como parece. Las grandes empresas suelen mantener versiones estables de sus modelos durante largos períodos para aplicaciones comerciales. En estos casos, utilizar hardware altamente especializado puede reducir significativamente los costos operativos.
El concepto ya comenzó a aparecer en otras compañías del sector. La startup finlandesa Taalas llamó recientemente la atención al presentar el HC1, un chip diseñado para ejecutar una versión fija del modelo Llama, desarrollado por Meta.
Según la empresa, el equipo puede ofrecer un rendimiento hasta diez veces superior al de las plataformas tradicionales de inferencia y operar consumiendo entre 12 y 15 kilovatios por rack. En comparación, los racks basados en GPU pueden requerir entre 120 y 600 kilovatios, dependiendo de la configuración utilizada.
Aunque estas cifras corresponden a estimaciones proporcionadas por la propia empresa, reflejan por qué el mercado muestra un creciente interés por las arquitecturas especializadas.
El crecimiento de la IA está presionando la infraestructura de Google
El desarrollo del nuevo chip llega en un momento de enorme expansión de los servicios de inteligencia artificial de Alphabet.
En los últimos años, Google ha integrado funciones basadas en Gemini en prácticamente todos sus productos, incluyendo el Buscador, Workspace, Android, Cloud y diversas herramientas dirigidas al mercado empresarial.
Al mismo tiempo, los clientes corporativos también han incrementado considerablemente el uso de la infraestructura de Google Cloud para ejecutar aplicaciones de inteligencia artificial.
Durante la presentación de los resultados financieros del primer trimestre de 2026, los ejecutivos de Alphabet reconocieron que la división de computación en la nube enfrenta limitaciones de capacidad. La compañía informó que su cartera de contratos alcanzó aproximadamente los 462.000 millones de dólares, reflejando una demanda muy superior a la capacidad disponible.
Informes publicados a lo largo del año también señalaron que Google llegó a comunicar a Meta que no podría proporcionar toda la capacidad de procesamiento solicitada para determinados proyectos de inteligencia artificial.
Este escenario demuestra que el desafío ya no consiste únicamente en desarrollar modelos más inteligentes. Ahora también es necesario encontrar formas de ejecutarlos de manera sostenible y económicamente viable.
Cuantos más usuarios utilicen inteligencia artificial cada día, mayor será el consumo energético, la inversión en centros de datos y la necesidad de fabricar nuevos aceleradores.
El nuevo chip no sustituirá a las TPU
A pesar del impacto de esta novedad, todo indica que Google no tiene intención de abandonar su familia de TPU.
En realidad, ambas tecnologías trabajarán de forma complementaria.
Las TPU seguirán utilizándose para tareas que requieren flexibilidad, como el entrenamiento de nuevos modelos, las pruebas experimentales y las actualizaciones constantes de la arquitectura de Gemini.
Por su parte, los nuevos chips con el modelo integrado directamente en el silicio podrán encargarse de millones de consultas repetitivas realizadas diariamente, ofreciendo respuestas rápidas con un consumo energético mucho menor.
Esta división permite que cada tipo de hardware ejecute exactamente la función para la que fue diseñado, aumentando la eficiencia de los centros de datos y reduciendo los costos operativos.
En los últimos meses, Google también presentó la octava generación de TPU, diferenciando versiones específicas para entrenamiento e inferencia. Además, firmó acuerdos de largo plazo para el desarrollo de futuras generaciones de chips personalizados y amplió la disponibilidad de esta infraestructura para clientes externos, incluyendo empresas como OpenAI.
Una carrera que va mucho más allá de los modelos de IA
La competencia entre las grandes empresas tecnológicas ya no gira únicamente en torno a quién posee el modelo de inteligencia artificial más avanzado.
Cada vez más, la ventaja competitiva depende de la capacidad para construir infraestructura propia, fabricar chips especializados y operar centros de datos capaces de atender miles de millones de solicitudes cada día.
En este contexto, desarrollar un procesador dedicado a Gemini podría convertirse en uno de los movimientos estratégicos más importantes de Alphabet durante los próximos años.
Si la promesa de eficiencia energética se confirma, Google podrá reducir costos operativos, aumentar su capacidad de procesamiento y fortalecer su posición en la carrera mundial por el liderazgo en inteligencia artificial.
La noticia fue bien recibida por los inversores y contribuyó al aumento del valor de las acciones de Alphabet. El mercado considera que iniciativas como esta serán fundamentales para sostener el crecimiento de la inteligencia artificial durante los próximos años, especialmente en un momento en que la energía, la capacidad de procesamiento y la fabricación de chips se han convertido en recursos tan estratégicos como los propios modelos de IA.
