Cuando la historia de la tecnolog\u00eda del siglo XXI sea escrita, el a\u00f1o 2023 y 2024 ser\u00e1n recordados no solo como el momento en que la Inteligencia Artificial Generativa despert\u00f3 a la conciencia p\u00fablica, sino como el inicio de una de las transferencias de riqueza m\u00e1s agresivas y r\u00e1pidas de la historia corporativa.<\/p>\n\n\n\n
El mundo mira con asombro las capacidades de los modelos: si ChatGPT escribe mejor poes\u00eda que Gemini, si Claude razona mejor c\u00f3digo que Llama. Pero esta narrativa, centrada en el \u00abqui\u00e9n es m\u00e1s listo\u00bb, oculta la verdadera guerra estructural que se libra bajo la superficie. Es una guerra de infraestructura, energ\u00eda y, sobre todo, de silicio.<\/p>\n\n\n\n
En esta fiebre del oro moderna, existe un consenso casi universal: NVIDIA es el vendedor de picos y palas. La empresa dirigida por Jensen Huang se ha convertido en el portero del futuro, cobrando un peaje exorbitante a cualquiera que desee participar en la revoluci\u00f3n de la IA. Microsoft, Meta, Amazon y xAI de Elon Musk hacen fila, chequera en mano, suplicando por asignaciones de GPUs H100.<\/p>\n\n\n\n
Todos, excepto uno.<\/p>\n\n\n\n
Google se encuentra en una posici\u00f3n \u00fanica, una anomal\u00eda en la matriz del mercado. Mientras sus competidores est\u00e1n atrapados en una guerra de ofertas por hardware externo, Google opera en una realidad paralela, impulsada por una decisi\u00f3n estrat\u00e9gica tomada hace m\u00e1s de una d\u00e9cada. Este art\u00edculo explora en profundidad por qu\u00e9 esa decisi\u00f3n \u2014construir sus propios chips, las TPUs\u2014 no es solo una curiosidad t\u00e9cnica, sino la ventaja econ\u00f3mica y estrat\u00e9gica m\u00e1s letal en la historia de la computaci\u00f3n moderna.<\/p>\n\n\n\n Para entender la ventaja de Google, primero debemos diseccionar la desventaja de todos los dem\u00e1s. La industria actual de la IA se basa en la Unidad de Procesamiento Gr\u00e1fico (GPU). Originalmente dise\u00f1adas para renderizar videojuegos (calcular c\u00f3mo la luz rebota en una espada en World of Warcraft), las GPUs resultaron ser incre\u00edblemente buenas para el tipo de matem\u00e1ticas paralelas que requieren las redes neuronales.<\/p>\n\n\n\n Sin embargo, esta adaptaci\u00f3n tiene un precio.<\/p>\n\n\n\n OpenAI, la empresa detr\u00e1s de ChatGPT, no posee su destino f\u00edsico. Su existencia depende de la nube de Microsoft Azure, la cual, a su vez, depende del suministro de NVIDIA.<\/p>\n\n\n\n Cuando Microsoft construye una supercomputadora para OpenAI, est\u00e1 pagando el precio de mercado. Una sola GPU NVIDIA H100 puede costar entre 25.000 y 40.000 d\u00f3lares<\/strong>. Un cl\u00faster de entrenamiento serio requiere decenas de miles de estas unidades.<\/p>\n\n\n\n Hagamos las matem\u00e1ticas b\u00e1sicas de la competencia:<\/p>\n\n\n\n * Mark Zuckerberg anunci\u00f3 que Meta tendr\u00eda 600.000 GPUs H100 equivalentes para finales de 2024. A un precio conservador de 25.000 d\u00f3lares por unidad (asumiendo descuentos por volumen), estamos hablando de 15 mil millones de d\u00f3lares solo en chips.<\/p>\n\n\n\n * Elon Musk y xAI construyeron \u00abColossus\u00bb con 100.000 H100s.<\/p>\n\n\n\n * Microsoft reporta gastos de capital (CapEx) trimestrales que superan los 10 mil millones, gran parte destinados a hardware de terceros.<\/p>\n\n\n\n El problema no es solo el precio absoluto, sino a d\u00f3nde va ese dinero. NVIDIA opera con m\u00e1rgenes brutos que han superado el 75%<\/strong>. Esto significa que, de cada d\u00f3lar que Meta u OpenAI gastan en hardware, 75 centavos son pura ganancia para NVIDIA y un costo hundido para ellos. Est\u00e1n financiando el dominio de su proveedor.<\/p>\n\n\n\n Adem\u00e1s, al usar hardware de prop\u00f3sito general (las GPUs sirven para IA, pero tambi\u00e9n para gr\u00e1ficos, simulaci\u00f3n f\u00edsica, miner\u00eda de criptomonedas, etc.), hay una ineficiencia inherente. Est\u00e1s pagando por silicio y transistores dedicados a funciones que un modelo de lenguaje (LLM) jam\u00e1s utilizar\u00e1.<\/strong><\/p>\n\n\n\n Para comprender la divergencia de Google, debemos viajar al pasado. Alrededor de 2013-2014, los ingenieros de Google notaron una tendencia alarmante: si cada usuario de Android usara las funciones de b\u00fasqueda por voz durante solo tres minutos al d\u00eda, Google tendr\u00eda que duplicar sus centros de datos globales. La ley de Moore (la idea de que los chips se vuelven m\u00e1s r\u00e1pidos y baratos cada dos a\u00f1os) se estaba ralentizando, y las CPUs tradicionales no pod\u00edan seguir el ritmo.<\/p>\n\n\n\n En lugar de comprar m\u00e1s GPUs, Google hizo algo radical: dise\u00f1\u00f3 su propio chip desde cero.<\/p>\n\n\n\n A diferencia de una GPU, que es una navaja suiza, la TPU es un bistur\u00ed l\u00e1ser. Es un ASIC (Circuito Integrado de Aplicaci\u00f3n Espec\u00edfica).<\/p>\n\n\n\n La magia de la IA reside en una operaci\u00f3n matem\u00e1tica llamada multiplicaci\u00f3n de matrices. Imagina una hoja de c\u00e1lculo gigante de n\u00fameros multiplic\u00e1ndose por otra hoja de c\u00e1lculo gigante.<\/p>\n\n\n\n * En una CPU: Se leen los n\u00fameros, se multiplican, y se guardan. Se repite uno por uno.<\/p>\n\n\n\n * En una GPU: Se hace en paralelo, pero todav\u00eda hay mucha gesti\u00f3n de memoria.<\/p>\n\n\n\n * En una TPU: Google implement\u00f3 una arquitectura llamada Matriz Sist\u00f3lica (Systolic Array).<\/p>\n\n\n\n Imaginate el flujo de datos como el bombeo de sangre en un coraz\u00f3n (s\u00edstole). En una TPU, los datos fluyen a trav\u00e9s del chip en una ola, realizando miles de multiplicaciones en cada paso sin tener que ir y venir a la memoria constantemente. Esto reduce dr\u00e1sticamente el consumo de energ\u00eda y aumenta la velocidad.<\/p>\n\n\n\n Google lanz\u00f3 la TPU v1 internamente en 2015. Hoy, mientras el mundo pelea por GPUs, Google opera en la sexta generaci\u00f3n de sus chips (Trillium) y la quinta generaci\u00f3n masiva (v5p).<\/p>\n\n\n\n La ventaja de Google no es solo tener un chip diferente; es controlar la pila completa. Esta es la misma estrategia que catapult\u00f3 a Apple a la cima con el iPhone y los chips M1\/M2.<\/p>\n\n\n\n Cuando OpenAI entrena GPT-4, debe lidiar con:<\/p>\n\n\n\n * Hardware de NVIDIA.<\/p>\n\n\n\n * Redes de interconexi\u00f3n (Infiniband) de proveedores externos.<\/p>\n\n\n\n * Servidores de Microsoft.<\/p>\n\n\n\n * Software de orquestaci\u00f3n (Kubernetes).<\/p>\n\n\n\n * Librer\u00edas de CUDA (propiedad de NVIDIA).<\/p>\n\n\n\n Cualquier actualizaci\u00f3n, fallo o cuello de botella en uno de estos estratos afecta a todo el sistema.<\/p>\n\n\n\n Cuando Google entrena Gemini, controla:<\/p>\n\n\n\n * El Chip: TPU v5p.<\/p>\n\n\n\n * El Servidor: Dise\u00f1ado por Google.<\/p>\n\n\n\n * La Red: \u00abJupiter\u00bb (interruptores \u00f3pticos propietarios que conectan las TPUs).<\/p>\n\n\n\n * El Compilador: XLA (Accelerated Linear Algebra).<\/p>\n\n\n\n * El Framework: JAX y TensorFlow.<\/p>\n\n\n\n * El Modelo: Gemini.<\/p>\n\n\n\n Google no conecta chips individuales; conecta \u00abPods\u00bb. Un Pod de TPU v4 contiene 4096 chips conectados entre s\u00ed con una velocidad tan alta que el software \u00abve\u00bb todo el sistema como si fuera una sola m\u00e1quina gigantesca.<\/p>\n\n\n\n Esto permite una eficiencia que las GPUs luchan por igualar. En la arquitectura de NVIDIA, cuando miles de GPUs tienen que \u00abhablar\u00bb entre s\u00ed para compartir lo que han aprendido, a menudo se produce un atasco de tr\u00e1fico en los cables. Google dise\u00f1\u00f3 sus centros de datos con interruptores \u00f3pticos (usando luz en lugar de se\u00f1ales el\u00e9ctricas para la conmutaci\u00f3n) que permiten reconfigurar la topolog\u00eda de la red en tiempo real seg\u00fan las necesidades del modelo.<\/p>\n\n\n\n Aqu\u00ed es donde el argumento se vuelve financiero. Entrenar un modelo cuesta cientos de millones (CapEx), pero eso se hace una vez. Ejecutar el modelo (Inferencia) cuesta dinero cada segundo de cada d\u00eda.<\/p>\n\n\n\n Cada vez que un usuario pregunta \u00ab\u00bfC\u00f3mo hago una asado?\u00bb, la IA debe procesar la respuesta. Si tienes 100 millones de usuarios diarios, el costo de inferencia se vuelve astron\u00f3mico.<\/p>\n\n\n\n Debido a que Google fabrica sus propias TPUs:<\/p>\n\n\n\n * Evita el margen de NVIDIA: Google paga a TSMC (la f\u00e1brica de chips) el costo de manufactura. Se estima que una H100 que NVIDIA vende a 30.000 d\u00f3lares, cuesta menos de 4.000 d\u00f3lares fabricarla. Google paga el costo de fabricaci\u00f3n, no el precio de venta.<\/p>\n\n\n\n * Eficiencia por Vatio: Las TPUs, al carecer de componentes gr\u00e1ficos innecesarios, suelen ofrecer m\u00e1s operaciones por vatio de electricidad. En la escala de megavatios de un centro de datos, esto son millones de d\u00f3lares al a\u00f1o en ahorro de luz.<\/p>\n\n\n\n Esto significa que el costo unitario para Google de generar una respuesta en Gemini es significativamente menor que el costo para OpenAI de generar una respuesta en ChatGPT.<\/p>\n\n\n\n A largo plazo, esto permite a Google:<\/p>\n\n\n\n * Ofrecer servicios gratuitos (con publicidad) de manera m\u00e1s sostenible.<\/p>\n\n\n\n * Integrar IA en productos masivos (Gmail, Docs, Android) sin quebrar.<\/p>\n\n\n\n * Soportar guerras de precios que sus competidores no pueden aguantar porque sus costos base (alquiler de GPUs) son m\u00e1s altos.<\/p>\n\n\n\n \u00bfC\u00f3mo se traduce esta ventaja de hardware en el producto final que t\u00fa usas? La respuesta est\u00e1 en la \u00abVentana de Contexto\u00bb.<\/p>\n\n\n\n La ventana de contexto es la memoria a corto plazo de la IA. Es cu\u00e1nta informaci\u00f3n puedes pegarle en el chat antes de que olvide el principio.<\/p>\n\n\n\n * La mayor\u00eda de los modelos basados en GPU luchan por superar los 128k o 200k tokens de manera eficiente debido a limitaciones de memoria VRAM y ancho de banda entre chips.<\/p>\n\n\n\n * Gemini 1.5 Pro ofrece 2 millones de tokens.<\/p>\n\n\n\n Esta capacidad \u00absobrehumana\u00bb de leer, en segundos, miles de l\u00edneas de c\u00f3digo, horas de video o bibliotecas enteras de documentos, es posible gracias a la arquitectura de las TPUs. La capacidad de distribuir la memoria del modelo a trav\u00e9s de miles de chips con latencia ultrabaja permite manejar estos contextos masivos de una forma que es econ\u00f3micamente inviable o t\u00e9cnicamente dificil\u00edsima en clusters de GPUs tradicionales.<\/p>\n\n\n\n Adem\u00e1s, al ser Multimodal Nativo (entrenado desde el principio con im\u00e1genes, audio y video, no como parches separados), Gemini aprovecha la capacidad de las TPUs para manejar tipos de datos densos y diversos simult\u00e1neamente. Las TPUs son excelentes moviendo tensores grandes (bloques de datos), lo que las hace ideales para video y audio.<\/p>\n\n\n\n La industria se ha dado cuenta del error de depender de NVIDIA. Ahora, todos intentan copiar el libro de jugadas de Google.<\/p>\n\n\n\n * Microsoft anunci\u00f3 sus chips \u00abMaia\u00bb.<\/p>\n\n\n\n * Amazon tiene sus chips \u00abTrainium\u00bb e \u00abInferentia\u00bb.<\/p>\n\n\n\n * Meta est\u00e1 trabajando en \u00abMTIA\u00bb.<\/p>\n\n\n\n Sin embargo, el dise\u00f1o de silicio es un juego de paciencia. Se tarda de 3 a 5 a\u00f1os en desarrollar un chip de alto rendimiento.<\/p>\n\n\n\n Mientras Microsoft despliega su primera generaci\u00f3n de Maia (que es prometedora pero inmadura), Google lleva m\u00e1s de 10 a\u00f1os optimizando sus compiladores y su hardware.<\/p>\n\n\n\n El \u00abfoso defensivo\u00bb (moat) de Google no es solo el chip f\u00edsico; es el software que corre sobre \u00e9l. Optimizar TensorFlow y JAX para sacar el 100% del jugo a una TPU ha llevado una d\u00e9cada de ingenier\u00eda. Los competidores no solo tienen que construir el chip, tienen que construir el ecosistema de software desde cero, mientras sus ingenieros est\u00e1n acostumbrados a programar en CUDA (NVIDIA).<\/p>\n\n\n\n En un mundo donde la geopol\u00edtica (tensiones en Taiw\u00e1n) o los cuellos de botella en la cadena de suministro pueden cortar el flujo de GPUs, la independencia de Google es un seguro de vida. No compiten por el mismo stock que Meta o xAI. Tienen su propia l\u00ednea de suministro garantizada con los fabricantes.<\/p>\n\n\n\n La batalla por la IA se ha narrado como una carrera de velocidad, donde OpenAI sali\u00f3 disparado primero con ChatGPT. Pero la historia de la tecnolog\u00eda nos ense\u00f1a que estas no son carreras de 100 metros; son maratones de log\u00edstica.<\/p>\n\n\n\n NVIDIA es, sin duda, la ganadora actual del mercado burs\u00e1til. Pero para las empresas que construyen la IA, NVIDIA es un impuesto existencial.<\/p>\n\n\n\n La ventaja de Google es silenciosa pero tect\u00f3nica. Mientras sus competidores queman capital de riesgo y reservas de efectivo pagando m\u00e1rgenes exorbitantes a un tercero, Google reinvierte en una arquitectura que posee al 100%.<\/p>\n\n\n\n En el ajedrez de la inteligencia artificial, los modelos (GPT, Gemini, Claude) son las piezas que se mueven en el tablero y capturan la atenci\u00f3n del p\u00fablico. Pero el hardware (TPUs vs GPUs) es el tablero mismo. Y en este momento, Google es el \u00fanico jugador que ha tra\u00eddo su propio tablero a la partida, mientras los dem\u00e1s tienen que pagar alquiler por usar el de alguien m\u00e1s.<\/p>\n\n\n\n A medida que la IA se integre en cada aspecto de la econom\u00eda global, la eficiencia de costos dictar\u00e1 qui\u00e9n sobrevive. La capacidad de pensar es importante, pero la capacidad de permitirse pensar a escala planetaria sin arruinarse es lo que determinar\u00e1 al vencedor. Y en esa hoja de balance, las TPUs son el arma secreta que podr\u00eda asegurar que, a largo plazo, la casa (Google) siempre gane. Aunque, como todo en la vida, nada est\u00e1 dicho todav\u00eda.<\/p>\n\n\n\n![\"Banner](\"https:\/\/i0.wp.com\/elinversordebolsillo.com.ar\/wp-content\/uploads\/2024\/10\/banner2.webp?ssl=1\" "\\"\\"")
<\/a><\/figure>\n\n\n\nCap\u00edtulo 1: La Tiran\u00eda de la GPU y el \u00abImpuesto NVIDIA\u00bb<\/h2>\n\n\n\n
El Costo de la Dependencia<\/h3>\n\n\n\n
![\"\"](\"https:\/\/i0.wp.com\/elinversordebolsillo.com.ar\/wp-content\/uploads\/2025\/11\/image-2.webp?ssl=1\" "\\"\\"")
<\/figure>\n\n\n\nEl Margen de NVIDIA es la P\u00e9rdida del Resto<\/h3>\n\n\n\n
![\"Los](\"https:\/\/i0.wp.com\/elinversordebolsillo.com.ar\/wp-content\/uploads\/2024\/09\/pagebrin1-e1733496172286.webp?resize=650%2C433&ssl=1\" "\\"\\"")
Cap\u00edtulo 2: La Visi\u00f3n de Google – El Nacimiento de la TPU<\/h2>\n\n\n\n
\u00bfQu\u00e9 es una TPU? (Tensor Processing Unit)<\/h3>\n\n\n\n
Cap\u00edtulo 3: Integraci\u00f3n Vertical – La Estrategia \u00abApple\u00bb a Escala de Centro de Datos<\/h2>\n\n\n\n
El Rompecabezas Completo<\/h3>\n\n\n\n
El Superordenador de IA (AI Hypercomputer)<\/h3>\n\n\n\n
Cap\u00edtulo 4: La Econom\u00eda de la Inferencia – Donde se Ganan las Guerras<\/h2>\n\n\n\n
El Costo Marginal Cero<\/h3>\n\n\n\n
Cap\u00edtulo 5: Implicaciones T\u00e9cnicas – La Ventana de Contexto y la Multimodalidad<\/h2>\n\n\n\n
![\"Libros](\"https:\/\/i0.wp.com\/elinversordebolsillo.com.ar\/wp-content\/uploads\/2024\/10\/image.webp?resize=1024%2C479&ssl=1\" "\\"\\"")
<\/a><\/figure>\n\n\n\nCap\u00edtulo 6: El Futuro – \u00bfPueden los dem\u00e1s ponerse al d\u00eda?<\/h2>\n\n\n\n
El factor escasez<\/h3>\n\n\n\n
Conclusi\u00f3n: El que r\u00ede \u00faltimo…<\/h2>\n\n\n\n
You might also be interested in:<\/h3>\n\n\n\n