El dominio de Nvidia en el mundo de la inteligencia artificial ha sido indiscutible durante años, gracias a chips diseñados para entrenar modelos a gran escala y a un ecosistema de software que facilita programarlos. Sin embargo, una nueva generación de herramientas impulsadas por IA está aprendiendo a escribir y optimizar código que interactúa directamente con el hardware, lo que podría reducir la dependencia de ese ecosistema. Empresas emergentes están enseñando a modelos abiertos a producir kernel altamente optimizados y a usar técnicas como agentic harnesses para mejorar la capacidad de los modelos para generar código que aproveche distintos procesadores.
Detrás de estas iniciativas hay dos movimientos simultáneos: primero, la automatización de la optimización de software para chips propietarios de empresas como AMD, Amazon o Google; segundo, la aplicación de IA al propio proceso de diseño de chips. Ambos pueden acortar la curva de entrada para quienes quieran desarrollar silicio personalizado, y así alterar la ventaja competitiva que hoy ofrece el conjunto de librerías y herramientas de Nvidia. El resultado potencial es un mercado de hardware más diverso y una mayor competencia sobre quién define los estándares de rendimiento.
IA que escribe código para silicio
Una startup llamada Wafer trabaja con modelos para enseñarles a generar kernel y código de bajo nivel que aproveche eficientemente cada arquitectura. Su fundador, Emilio Andere, explica que usan reinforcement learning sobre modelos de código abiertos y añaden agentic harnesses a sistemas como Claude y GPT para potenciar la escritura de código que corre directamente sobre el hardware. Wafer colabora con compañías como AMD y Amazon y ha recaudado $4 millones en financiación semilla de figuras como Jeff Dean y Wojciech Zaremba.
Por qué esto mina la ventaja de Nvidia
La fortaleza de Nvidia no es solo su hardware, sino el conjunto de librerías y herramientas que facilitan la programación. Pero los modelos actuales son cada vez más capaces de reescribir y adaptar código para distintos silicios; además, muchos chips de gama alta ofrecen la misma capacidad teórica de cálculo medida en flops. Según Andere, optimizar la relación entre inteligencia y consumo —«intelligence per watt»— es el nuevo objetivo, y la IA puede automatizar tareas para las que hoy se requieren ingenieros de rendimiento muy especializados.
IA que diseña chips
Paralelamente, empresas como Ricursive Intelligence buscan automatizar etapas complejas del diseño de silicio usando IA. Fundada por Azalia Mirhoseini y Anna Goldie, la compañía aplica técnicas que ya transformaron procesos internos en Google para optimizar la disposición física de componentes en un chip y ahora aspira a integrar modelos de lenguaje para permitir que ingenieros describan cambios en lenguaje natural. Este enfoque podría acortar ciclos de diseño y abrir la puerta a más actores que produzcan chips a medida.
Implicaciones y financiación
Ricursive ha mostrado resultados que permiten optimizar más fases del diseño y ha captado la atención del capital: la empresa recaudó $335 millones con una valoración de $4.000 millones. Si la IA consigue codesign —diseñar simultáneamente chips y algoritmos—, podríamos ver una especie de ciclo recursivo donde la mejora del silicio y del software se potencian mutuamente mediante más capacidad de cómputo para diseñar mejores chips.
Qué significa para la industria
La combinación de IA que optimiza kernels y IA que automatiza diseño físico plantea varias consecuencias: más flexibilidad para empresas que quieran salirse del camino de las herramientas dominantes; mayor competencia entre proveedores de hardware; y, potencialmente, una aceleración en la creación de silicio personalizado que se ajuste a modelos y cargas específicas. Ya hay ejemplos: Anthropic tuvo que reescribir su código para correr en Trainium, y empresas como Meta han anunciado despliegues masivos con chips desarrollados con socios como Broadcom.
Retos por delante
Aunque prometedor, el proceso no es trivial. El diseño de chips implica verificación iterativa, pruebas y una logística industrial compleja antes de llegar a la fundición. Además, la transición requiere que las herramientas automáticas alcancen la fiabilidad y eficiencia que hoy aportan equipos humanos especializados. Aun así, si la IA puede reducir el coste y el tiempo de optimización y diseño, la barrera para irrumpir en el mercado de silicio se reducirá notablemente.
Conclusión
El actual liderazgo de Nvidia en IA y hardware sigue siendo sólido, pero el advenimiento de IA que escribe kernels y diseña chips introduce una nueva dinámica competitiva. Startups como Wafer y Ricursive no prometen reemplazar a los grandes de la noche a la mañana, pero sí podrían democratizar capacidades clave: optimizar software para múltiples arquitecturas y automatizar partes del diseño físico. En conjunto, esto podría transformar quién controla el rendimiento y la eficiencia de la próxima generación de sistemas de IA.
