Meta Google TPU en lugar de Nvidia: Explicación
La noticia de que Meta está negociando el uso de las Unidades de Procesamiento Tensorial (TPU) de Google ha afectado a los precios de las acciones de Nvidia, Alphabet y Meta. Esto sugiere un cambio en el mercado de aceleradores de IA, ya que Google está cerrando la brecha frente a Nvidia en la competencia.
Fuente: Representación propia
Acuerdo Meta y Google TPU
Meta está negociando con Google un paquete multimillonario de Unidades de Procesamiento Tensorial (TPU) plurianual, que también podrían ejecutarse en los centros de datos propios de Meta a partir de 2027. Esto se desprende de un informe de Reuters Hasta ahora, las TPU de Google estaban disponibles principalmente a través de Google Cloud como capacidad alquilada. Ahora se contempla que Google lleve sus chips de IA por primera vez como "Hardware en las instalaciones del cliente" a centros de datos hiperscala de terceros, como SwingTradeBot informar. Investor’s Business Daily añade que Google está hablando con Meta y otros clientes sobre el uso de sus chips tensoriales, lo que ejerció presión sobre Nvidia y AMD en las operaciones posteriores al cierre del mercado.
Si Meta, un gran comprador de GPUs de Nvidia para modelos como Llama, traslada parte de su capacidad futura a las TPU de Google, Nvidia perderá parte de su estatus en el segmento de IA de alta gama, según datacentremagazine.com. Paralelamente, Meta ya cerró un contrato cloud de seis años por más de 10 mil millones de dólares con Google Cloud para obtener infraestructura de IA adicional ( datacentremagazine.com). Pocas semanas después, Meta anunció que invertiría al menos 600 mil millones de dólares hasta 2028 en centros de datos optimizados para IA, proyectos de energía y programas locales ( datacentremagazine.com). Meta no quiere basar su masivo programa de inversión en IA en un único proveedor de chips, y Google aprovecha la oportunidad para introducir sus TPU en el mercado.
TPUs vs. GPUs
Nvidia domina actualmente el entrenamiento de grandes modelos de lenguaje con GPUs como las series A100 y H100 ( Google Cloud Documentation). Google persigue un enfoque propio con las Unidades de Procesamiento Tensorial (TPU). Las TPU son chips ASIC especializados optimizados exclusivamente para cálculos tensoriales en cargas de trabajo de aprendizaje automático ( Google Cloud Documentation). La documentación oficial de Google describe las TPU como aceleradores personalizados que son especialmente adecuados para operaciones de matrices grandes en modelos como las redes Transformer (
Una entrada reciente del blog de Google resume la diferencia: las CPU son todoterrenos universales, las GPU son aceleradores masivamente paralelos para gráficos e IA, y las TPU están aún más enfocadas en los cálculos de IA y se ejecutan en centros de datos de Google para servicios como búsqueda, YouTube y modelos de DeepMind ( blog.google). Técnicamente, los benchmarks muestran que los pods de TPU de Google logran una alta eficiencia por vatio y por dólar en ciertas cargas de trabajo de entrenamiento ( YouTube). Estas métricas son cruciales para actores como Meta, que necesitan escalar una flota de sistemas de IA para miles de millones de usuarios ( datacentremagazine.com).
Fuente: note.com
Las TPU (Tensor Processing Units) de Google y las GPU (Graphics Processing Units) de NVIDIA son las arquitecturas líderes para cargas de trabajo de IA, cada una con fortalezas específicas.
La generación de alta gama actual de Google para entrenamiento, Cloud TPU v5p, está diseñada como un clúster de hasta 8.960 chips por pod y ofrece significativamente más memoria de alto ancho de banda por chip que la generación anterior (95 GB HBM frente a 32 GB en la v4), como describe Google en su documentación cloud ( Google Cloud Documentation). Un TechRadar-Artikel concluye que la TPU v5p entrena hasta 2,8 veces más rápido que la TPU v4 y podría estar a la par o superar a la H100 de Nvidia en comparaciones aproximadas. Según la empresa, la H100 de Nvidia es hasta cuatro veces más rápida que la generación A100 en entrenamiento y ofrece hasta 80 GB de memoria HBM3 por GPU para cargas de trabajo de IA ( Google Cloud Documentation).
La pregunta de qué chip de IA es mejor depende del contexto. Para las empresas que dependen en gran medida del ecosistema Nvidia, la H100 sigue siendo la elección obvia ( Google Cloud Documentation). Para cargas de trabajo adaptadas a TensorFlow y JAX que se ejecutan en Google Cloud, la TPU v5p puede ofrecer ventajas en rendimiento y coste por época de entrenamiento ( Wikipedia). Google optimiza centros de datos completos en torno a los pods de TPU, incluyendo red, almacenamiento y planificación, lo que subraya el concepto general de "superordenador de IA" ( YouTube).
Fuente: YouTube
Escasez de chips de IA
Un informe de Bain & Company advierte que el auge de la IA podría volver a desequilibrar las cadenas de suministro de semiconductores. Sourceability describe cómo la "demanda descontrolada de IA", junto con una capacidad de producción limitada y nuevas barreras comerciales, está provocando que ciertos componentes relevantes para la IA se vuelvan escasos de forma permanente y eleven los precios. Para los operadores de centros de datos, esto significa que la capacidad no es solo una cuestión de presupuesto, sino también de plazos de entrega, aranceles y riesgos geopolíticos ( sourceability.com).
Meta planea invertir al menos 600 mil millones de dólares en centros de datos de IA hasta 2028, pero también está vendiendo activos de centros de datos por un valor de aproximadamente 2 mil millones de dólares para utilizar modelos de financiación más flexibles para la infraestructura de IA ( datacentremagazine.com). La razón: las construcciones de centros de datos de IA consumen tanto capital que incluso los gigantes tecnológicos deben recurrir más al arrendamiento, la colocalización y las asociaciones en la nube ( datacentremagazine.com). Un acuerdo de Meta para las TPU de Google encaja en este panorama. En lugar de comprar exclusivamente GPUs de Nvidia, Meta puede asegurar capacidad adicional en el futuro a través de las TPU de Google y así mitigar picos de suministro y precios ( Investors).
Impacto en las empresas
Para las empresas que consideran su propia infraestructura de IA, el movimiento de Meta-Google cambia los parámetros. Una gran corporación que hasta ahora se basaba exclusivamente en GPUs de Nvidia en una región hiperscalable, puede planificar en el futuro un modelo de múltiples fuentes: entrenamiento de grandes modelos en TPU en Google Cloud, inferencia en GPUs en otra nube o on-premise, combinado con cálculo CPU clásico para cargas de trabajo menos críticas en cuanto al tiempo ( Google Cloud Documentation). Especialmente para industrias fuertemente reguladas, las TPU on-premise se convertirán en una opción adicional si Google implementa los planes ( Reuters).
Fuente: gigazine.net
La decisión de OpenAI de utilizar las TPU de Google subraya la creciente importancia de las alternativas a las GPU de NVIDIA y la diversificación de las cadenas de suministro de hardware de IA.
Las startups sufren especialmente la escasez de GPU. Una mayor competencia entre las GPU de Nvidia, las TPU de Google y otros chips especializados como AWS Trainium o AMD Instinct puede reducir la presión sobre los precios a medio plazo ( Medium). Para la práctica de desarrollo, el paso de Meta-Google a las TPU también significa que más equipos se verán obligados a mantener su stack portátil. Quienes construyan modelos y pipelines de forma coherente a través de frameworks como PyTorch/XLA, JAX o capas de serving bien abstraídas, podrán cambiar entre los backends de GPU y TPU sin tener que reescribir todo ( Google Cloud Documentation).
Dimensión estratégica
El vídeo "AI Hypercomputer with Cloud TPU v5p | Google Gemini" aclara cómo Google concentra su propia energía de IA en las TPU y ahora abre gradualmente esta plataforma a los clientes ( YouTube). Paralelamente, formatos como "NVIDIA vs Big Tech: Who Wins The AI Chip War?" analizan la creciente competencia de los hiperscaladores, que desarrollan sus propios chips y, por lo tanto, pretenden arrebatar cuota de mercado a Nvidia a largo plazo ( YouTube).
Fuente: user-added
El hardware de IA moderno como las TPU y las GPU requiere sofisticados sistemas de refrigeración para disipar el enorme calor residual de los chips de alto rendimiento.
Desde la perspectiva de todo el ecosistema de IA, el acuerdo de Meta-Google sobre las TPU es otro paso para alejarse de un mundo en el que un fabricante determina unilateralmente las reglas de hardware, precios y hojas de ruta. Google fortalece su papel como proveedor integral de infraestructura, Meta aumenta su poder de negociación y reduce dependencias, y otros actores como AWS, AMD o fabricantes de ASIC especializados tendrán que medirse con esta nueva realidad ( Medium).
La combinación de las inversiones de Meta de cientos de miles de millones de dólares en centros de datos de IA y el movimiento estratégico de Google de no utilizar las TPU exclusivamente para su propio uso marca un punto de inflexión en la carrera de los chips de IA ( datacentremagazine.com). Para Nvidia, esto no significa el fin, pero sí el fin de la cómoda fase de monopolio. Para Google, se abre la oportunidad de establecer su propio hardware de IA como una alternativa real en el mercado. Para Meta y otros hiperscaladores, es una palanca para gestionar mejor la escasez de chips, la demanda de energía y los costes de capital ( CIO).
Para empresas, startups y desarrolladores, esto significa que la pregunta de qué chip de IA es mejor se responderá cada vez menos con un nombre y cada vez más con una elección de arquitectura y estrategia. Quienes configuren de forma temprana un entorno híbrido y portátil tendrán muchas más opciones en este mundo de hardware de IA multipolar de las que sugiere la realidad actual dominada por la H100.