El crecimiento de la inteligencia artificial está generando miles de millones en nuevos ingresos para los proveedores de servicios en la nube. Amazon, Google y Microsoft quieren reducir su dependencia de los costosos chips de NVIDIA. En particular, el rápido crecimiento de la inferencia de IA está haciendo que el desarrollo de chips propios resulte cada vez más atractivo.

Microsoft, Meta, Oracle, CoreWeave y xAI operan casi exclusivamente con chips de NVIDIA. Según datos de Epoch AI recopilados por The Economist, Amazon obtiene casi la mitad de su capacidad de computación de chips propios, mientras que Google obtiene la mayor parte de su capacidad de computación para IA de chips diseñados internamente.

De entrenar modelos a ejecutar inferencias

La primera fase de la ola de la IA se centró principalmente en entrenar modelos cada vez más grandes. Las GPU de NVIDIA están especialmente bien adaptadas a esta tarea: son potentes, flexibles y cuentan con el respaldo de CUDA, la plataforma de software sobre la que numerosos desarrolladores de IA construyen sus aplicaciones.

Una vez entrenados, los modelos se utilizan, un proceso conocido como inferencia. Cada pregunta formulada a un chatbot y cada tarea realizada por un modelo de IA requiere este tipo de computación.

La inferencia está adquiriendo una importancia creciente. Los agentes de IA, en particular, podrían incrementar considerablemente la demanda. Estos sistemas ejecutan múltiples pasos de manera autónoma, utilizan herramientas y comprueban sus propios resultados.

Esta evolución también está modificando la economía de los chips. Al entrenar los modelos más avanzados, lo que más importa es disponer del máximo rendimiento y flexibilidad. Sin embargo, cuando se trata de ejecutar miles de millones de tareas de IA a diario, el coste por operación adquiere una relevancia cada vez mayor. Esta tendencia abre oportunidades para los denominados ASIC, chips diseñados específicamente para determinadas tareas.

Amazon internaliza los márgenes de los chips

Amazon detectó pronto esta evolución. En 2015 adquirió el diseñador de chips Annapurna Labs por una cifra estimada de 350 millones de dólares. Actualmente, AWS desarrolla varios chips propios, entre ellos los procesadores Graviton y los chips Trainium destinados a aplicaciones de IA.

Según Amazon, la venta y utilización de sus propios chips generan ya más de 25.000 millones de dólares de ingresos anualizados, una cifra que actualmente crece a un ritmo superior al 100% interanual.

La lógica detrás del diseño interno de chips es sencilla. Cada vez que Amazon compra una GPU de NVIDIA, contribuye a financiar los elevados márgenes de beneficio de NVIDIA. Al utilizar chips propios, Amazon puede retener una mayor parte de ese valor económico dentro de su división AWS.

La escala de AWS constituye una ventaja fundamental. Diseñar un chip avanzado cuesta miles de millones, pero Amazon puede distribuir esos costes entre el enorme volumen de cargas de computación generado tanto por sus propios servicios como por sus clientes en la nube.

Esto no significa que NVIDIA vaya a desaparecer de AWS. Muchos clientes utilizan software desarrollado para NVIDIA y quieren seguir teniendo acceso a las GPU más rápidas. Por tanto, es probable que termine imponiéndose un modelo mixto: chips propietarios para cargas de trabajo grandes y predecibles, y NVIDIA para aquellas aplicaciones en las que la flexibilidad y el máximo rendimiento sean prioritarios.

Google ya demuestra que este modelo puede funcionar. La compañía lleva aproximadamente una década desarrollando sus propios chips TPU y los utiliza a gran escala en sus centros de datos.

Microsoft empieza a recuperar terreno

Microsoft todavía se encuentra en las primeras fases de este proceso. Así lo refleja también el gráfico de The Economist: prácticamente toda la capacidad estimada de computación de IA de Microsoft entre 2022 y 2025 procedía de NVIDIA.

Con Maia, Microsoft pretende cambiar esta situación. Maia 200 está diseñado específicamente para tareas de inferencia y se utiliza, entre otros, en Microsoft Foundry, Microsoft 365 Copilot y modelos de OpenAI. Según Microsoft, el chip ofrece un 30% más de rendimiento por dólar que el hardware utilizado anteriormente por la compañía.

El siguiente paso será Maia 300. Microsoft pretende utilizarlo para ejecutar una proporción mayor de sus cargas de trabajo de IA con chips propios.

Microsoft se encuentra por detrás de Google y Amazon, pero cuenta con una ventaja importante: su escala. Azure, Copilot y otros servicios de IA generan conjuntamente enormes volúmenes de carga computacional. Si Maia ofrece un rendimiento suficientemente competitivo, Microsoft podría desplegar sus propios chips a gran escala con relativa rapidez.

NVIDIA ya se ha enfrentado antes a este desafío

El auge de los chips propietarios supone un claro desafío para NVIDIA. Su cuota en el mercado de aceleradores de IA podría reducirse si Google, Amazon y Microsoft aumentan el uso de sus propios procesadores.

Sin embargo, NVIDIA cuenta con una fortaleza importante que a menudo se subestima en este debate: la velocidad con la que lleva nuevas tecnologías al mercado.

La compañía ha acelerado el ritmo de lanzamiento de sus productos durante los últimos años. Las nuevas arquitecturas para centros de datos aparecen ahora aproximadamente con una periodicidad anual. A Hopper le siguieron Blackwell y Blackwell Ultra, mientras que Vera Rubin representa el próximo gran salto tecnológico.

Esta velocidad es fundamental para su modelo de negocio. NVIDIA ha conseguido convertir históricamente su liderazgo tecnológico en precios elevados y altos márgenes. Durante su último ejercicio fiscal, su margen bruto se situó ligeramente por encima del 71%.

Con Vera Rubin, NVIDIA está poniendo un énfasis considerable en reducir el coste por token, precisamente el ámbito en el que los chips propietarios destinados a inferencia resultan más atractivos.

Al mismo tiempo, la compañía está ampliando su campo de actuación. Además de GPU, NVIDIA suministra un número creciente de componentes destinados al centro de datos de IA completo: CPU, chips de red, interconexiones entre chips, switches, software y racks completos de servidores.

NVLink Fusion ilustra claramente esta estrategia. Esta tecnología permite que otras compañías conecten sus propios chips de IA a la infraestructura de NVIDIA. Amazon, por ejemplo, pretende utilizar NVLink Fusion en una futura generación de Trainium.

De esta manera, NVIDIA puede seguir obteniendo ingresos de un sistema de IA incluso cuando el acelerador utilizado haya sido diseñado por la propia Amazon.

La próxima fecha clave: 26 de agosto

El 26 de agosto esta pugna alcanzará un nuevo punto de referencia con la publicación de los resultados trimestrales de NVIDIA.

El fuerte crecimiento reciente de AWS y Azure demuestra que la demanda de capacidad de computación para IA continúa siendo elevada. La cuestión fundamental para los próximos años será quién conseguirá retener la mayor parte de los beneficios generados por ese crecimiento.