Top 25+ Fabricantes de Chips de IA: NVIDIA y Sus Competidores
Basándonos en nuestra experiencia ejecutando el benchmark de GPU en la nube de AIMultiple con 10 modelos de GPU diferentes en 4 escenarios distintos, estas son las principales empresas de hardware de IA para cargas de trabajo de centros de datos. Siga los enlaces para ver nuestra justificación detrás de cada selección:
Los más de 25 fabricantes de chips de IA por categoría
*Los modelos seleccionados se basan en los últimos anuncios.
**ACCEL fue desarrollado por científicos chinos en colaboración con Alibaba y la Corporación Internacional de Fabricación de Semiconductores de China (SMIC) 1
Ordenación por categoría. Los proveedores se clasifican por cuota de mercado estimada dentro de las 3 categorías principales (es decir, productor líder, nube pública, nube pública de IA) porque las cifras de ventas o el uso de la nube pueden estimarse. Los proveedores en las tres últimas categorías (es decir, startup de IA, productor próximo, otros productores) se ordenan alfabéticamente.
5 proveedores de chips de IA para móviles
*Se seleccionan los chips más populares y recientes.
5 chips de IA en el borde
La demanda de procesamiento de baja latencia ha impulsado la innovación en chips de IA en el borde. Los procesadores de estos chips están diseñados para realizar cálculos de IA localmente en los dispositivos en lugar de depender de soluciones basadas en la nube:
*Estos son los valores máximos indicados por los proveedores. TOPS significa tera operaciones por segundo.
Entendiendo las arquitecturas de chips de IA: GPUs vs ASICs
No todos los chips de IA son iguales. Si bien los proveedores mencionados compiten en el mismo mercado, utilizan arquitecturas de chip fundamentalmente diferentes:
- GPUs (Unidades de Procesamiento Gráfico) son procesadores de propósito general que pueden manejar tanto el entrenamiento como la inferencia en una amplia gama de cargas de trabajo de IA. NVIDIA y AMD dominan esta categoría.
- ASICs (Circuitos Integrados de Aplicación Específica) están diseñados a medida para tareas específicas. Algunos soportan tanto el entrenamiento como la inferencia (Google TPU, AWS Trainium), mientras que otros son solo de inferencia (Groq LPU, AWS Inferentia).
Perspectiva clave:
No todos los ASICs son solo de inferencia. Google TPU, AWS Trainium, Cerebras y SambaNova soportan tanto el entrenamiento como la inferencia, mientras que Groq LPU y AWS Inferentia se centran exclusivamente en la inferencia.
Esta distinción es importante para los compradores: las GPUs ofrecen flexibilidad en diferentes cargas de trabajo de IA, mientras que los ASICs ofrecen un mejor rendimiento por vatio pero son más difíciles de reprogramar a medida que cambian las arquitecturas de los modelos.
Según TrendForce2 , basándose en las tasas de crecimiento de envíos de servidores de IA, se proyecta que los envíos de ASICs personalizados de los proveedores de la nube crezcan un 44.6% en 2026, mientras que se espera que los envíos de GPUs crezcan un 16.1%. Esto indica un cambio en el panorama del hardware de IA, con los hiperescaladores invirtiendo cada vez más en su propio silicio.
¿Cuáles son los principales productores de chips de IA?
1. NVIDIA
NVIDIA ha estado diseñando unidades de procesamiento gráfico (GPUs) para el sector de los videojuegos desde los años 90. NVIDIA es un fabricante de chips sin fábrica que subcontrata la mayor parte de su fabricación de chips a TSMC. Sus principales negocios incluyen:
Soluciones de IA de escritorio
DGX Spark (anteriormente Project Digits) es un superordenador de IA de escritorio para ingenieros de IA y científicos de datos que cuenta con un Grace Blackwell Superchip con una GPU NVIDIA Blackwell RTX con 6,144 núcleos CUDA y núcleos Tensor de quinta generación con precisión FP4, conectado mediante la interconexión chip a chip NVIDIA NVLink-C2C a una CPU NVIDIA Grace de alto rendimiento de 20 núcleos, con hasta 1 petaflop de cómputo de IA y 128GB de memoria unificada para agentes en el dispositivo.3 4
NVIDIA y Microsoft se están asociando para ofrecer una plataforma Windows segura para agentes en el dispositivo basada en nuevas primitivas de seguridad del SO.5
Soluciones para centros de datos
La empresa fabrica chips de IA siguiendo sus arquitecturas Ampere, Hopper y, más recientemente, Blackwell. Gracias al auge de la IA generativa, NVIDIA tuvo excelentes resultados en los últimos años, alcanzó una valoración de un billón y consolidó su estatus como líder de los mercados de GPU y hardware de IA. El siguiente gráfico muestra cómo han crecido los ingresos de NVIDIA en este segmento a lo largo de los años y cómo se ha convertido en la principal fuente de ingresos de la empresa.
Fuente: informes financieros de NVIDIA Corporation.6
DGX™ A100 y H100 han sido chips de IA insignia exitosos de Nvidia, diseñados para el entrenamiento y la inferencia de IA en centros de datos.7 NVIDIA siguió con estos con
- chips H200, B300 y GB300
- servidores HGX como HGX H200 y HGX B300 que combinan 8 de estos chips
- serie NVL y GB200 SuperPod que combinan aún más chips en grandes clústeres.8
GPUs en la nube
Gracias a la fortaleza de su oferta de centros de datos, NVIDIA casi tiene un monopolio en el mercado de la IA en la nube, y la mayoría de los jugadores de la nube ofrecen solo NVIDIA GPUs como GPUs en la nube.
NVIDIA también lanzó su oferta DGX Cloud, proporcionando infraestructura de GPU en la nube directamente a las empresas, evitando a los proveedores de nube.
GPUs para gráficos
Xbox utiliza un chipset desarrollado conjuntamente por NVIDIA y Microsoft. Las GPUs de NVIDIA para usuarios minoristas incluyen la serie GeForce.
Desarrollos recientes
DGX Cloud Lepton
Anunciado el 19 de mayo de 2025 en Computex, DGX Cloud Lepton de NVIDIA es un mercado que conecta a los desarrolladores de IA con los proveedores de nube de GPU de NVIDIA, incluidos CoreWeave, Lambda y Crusoe. Permite un acceso flexible a los recursos de GPU para el entrenamiento y la inferencia de modelos de IA, evitando las dependencias tradicionales de los proveedores de nube. Esto fortalece la estrategia de nube centrada en la empresa de NVIDIA.9
NVIDIA Dynamo
NVIDIA Dynamo, anunciado en GTC 2025, es un nuevo marco de inferencia de código abierto diseñado para el despliegue de alto rendimiento y baja latencia de modelos de IA generativa en entornos distribuidos, aumentando el servicio de solicitudes hasta 30 veces en NVIDIA Blackwell como se muestra en la figura siguiente. Este marco, compatible con herramientas populares como PyTorch y TensorRT-LLM, utiliza innovaciones como etapas de inferencia desagregadas y programación dinámica de GPU para optimizar el rendimiento y reducir costos. Disponible en GitHub para desarrolladores e incluido en los microservicios NVIDIA NIM para soluciones empresariales, Dynamo facilita el servicio de IA generativa escalable y rentable, desde sistemas de una sola GPU hasta múltiples GPUs.10
Servidores NVIDIA RTX PRO y Fábrica de IA Empresarial
Anunciados en mayo de 2025 en Computex, NVIDIA presentó los servidores RTX PRO impulsados por GPUs RTX PRO 6000 Blackwell Server Edition, diseñados para fábricas de IA empresariales. Estos servidores ofrecen aceleración universal para aplicaciones de IA, diseño, ingeniería y negocios, admitiendo cargas de trabajo como inferencia de IA multimodal, IA física y gemelos digitales en la plataforma NVIDIA Omniverse.
El diseño validado de NVIDIA Enterprise IA Factory, que incorpora servidores RTX PRO, Ethernet NVIDIA Spectrum-X, DPUs NVIDIA BlueField y el software NVIDIA IA Enterprise, permite a socios como Cadence, Foxconn y Lilly construir infraestructura de IA en las instalaciones. Esta iniciativa acelera la transición de la industria de TI, valorada en billones de dólares, hacia fábricas de IA aceleradas por GPU. 12
Plataforma NVIDIA Vera Rubin
La plataforma de próxima generación de NVIDIA después de Blackwell Ultra, anunciada en CES 2026 y confirmada en producción en Computex 2026, ofrece un entrenamiento 3.5 veces más rápido y una inferencia 5 veces más rápida en comparación con Blackwell y está construida en TSMC 3nm con HBM4.13 14 El rack NVL72 proporciona 260 TB/s de ancho de banda.
DeepSeek
El lanzamiento de DeepSeek R1 demostró que los modelos de vanguardia podían entrenarse con un número relativamente pequeño de GPUs. Esto provocó una reducción en el precio de las acciones de NVIDIA. Aunque esto no es un consejo de inversión, puede ser positivo para NVIDIA, ya que cuanto más poder de cómputo de utilidad se proporcione, más ampliamente debería usarse (es decir, la paradoja de Jevons15 ).
Sin embargo, dado que el rendimiento de los sistemas de GPU mejora varias veces al año debido a los avances en el diseño de chips y la interconexión, los compradores harían bien en no comprar más allá de sus necesidades anuales, ya que esto puede llevar a poseer sistemas obsoletos.
Aranceles y restricciones de exportación
Ahora se permite a NVIDIA exportar procesadores avanzados de IA al mercado chino, lo que marca un cambio con respecto a los requisitos anteriores de vender solo versiones degradadas. Sin embargo, estas exportaciones se enfrentan a nuevos obstáculos logísticos y financieros: los chips fabricados en Taiwán ahora deben desviarse a través de los Estados Unidos para pruebas de terceros, lo que desencadena un nuevo arancel de seguridad nacional del 25%.
A pesar del acceso restaurado al hardware de alta gama, los costos adicionales y las complejidades de la cadena de suministro continúan incentivando al gobierno chino y a la industria de chips a desarrollar alternativas locales competitivas. Si bien los chips chinos actualmente tienen un rendimiento inferior al de la última tecnología de NVIDIA, estas barreras comerciales aseguran que el desarrollo nacional siga siendo una prioridad estratégica, lo que podría desafiar el dominio del mercado de NVIDIA en el futuro.16
Competencia en el Mercado de Inferencia
Si bien NVIDIA domina el mercado de “entrenamiento” de IA, la competencia se está calentando en “inferencia”, el despliegue de modelos de IA para tareas del mundo real. Empresas como AMD y numerosas startups, incluidas Untether IA y Groq, están desarrollando chips que buscan proporcionar soluciones de inferencia más rentables, con un enfoque particular en un menor consumo de energía.
Las nuevas técnicas de IA de “razonamiento” exigen más poder de cómputo. NVIDIA cree que el razonamiento favorecerá su arquitectura a largo plazo y espera que el mercado de inferencia eventualmente supere en tamaño al mercado de entrenamiento, incluso si su cuota de mercado es menor. 17
2. AMD
AMD es un fabricante de chips sin fábrica con productos de CPU, GPU y aceleradores de IA.
AMD lanzó el MI300 para cargas de trabajo de entrenamiento de IA en junio de 2023 y está compitiendo con NVIDIA por la cuota de mercado. Hay startups, institutos de investigación, empresas y gigantes tecnológicos que han adoptado hardware de AMD en 2023, ya que el hardware de IA de Nvidia ha sido difícil de adquirir debido al rápido aumento de la demanda, con el auge de la IA generativa desencadenado por el lanzamiento de ChatGPT.18 19 20
En 2025, AMD anunció la adquisición de un talentoso equipo de ingenieros de hardware y software de IA de Untether IA, un desarrollador de chips de inferencia de IA energéticamente eficientes para proveedores de borde y centros de datos empresariales. Este movimiento mejora las capacidades de compilador de IA, desarrollo de kernel y diseño de chips de AMD, fortaleciendo aún más su posición en el mercado de inferencia. Además, AMD adquirió la startup de compiladores Brium para optimizar el rendimiento de IA en sus GPUs Instinct para centros de datos para aplicaciones empresariales.21
AMD lanzará la serie MI350 para reemplazar el MI300 y competir con las NVIDIA H200. AMD afirma que el MI325X, otro chip reciente, tiene un rendimiento de inferencia líder en el mercado. En febrero de 2026, Meta anunció un acuerdo de infraestructura a largo plazo con AMD para desplegar hasta 6 GW de GPUs AMD Instinct, uno de los mayores acuerdos de adquisición de GPUs no NVIDIA en la historia y un respaldo significativo a la hoja de ruta de hardware de IA de AMD.22 23
AMD también está trabajando con empresas de aprendizaje automático como Hugging Face para permitir que los científicos de datos utilicen su hardware de manera más eficiente.24
El ecosistema de software es crítico, ya que el rendimiento del hardware depende en gran medida de la optimización del software. Por ejemplo, AMD y NVIDIA tuvieron un desacuerdo público sobre la evaluación comparativa de H100 y MI300. El enfoque del desacuerdo fue el paquete y el punto flotante a utilizar en el benchmark. Según los últimos benchmarks, parece que el MI300 es mejor o está a la par con el H100 para la inferencia en un LLM de 70B.25
Software
Mientras que el hardware de AMD está alcanzando a NVIDIA, su software se queda atrás en términos de usabilidad. Si bien CUDA funciona de inmediato para la mayoría de las tareas, el software de AMD requiere una configuración significativa. 26
Ecosistema
Al igual que NVIDIA, AMD está invirtiendo selectivamente en usuarios de sus soluciones para impulsar la adopción de su hardware. 27
3. Intel
Intel es el jugador más importante en el mercado de CPU y tiene una larga historia de desarrollo de semiconductores. A diferencia de NVIDIA y AMD, Intel utiliza su propia fundición para construir sus chips.
Gaudi3 es el último procesador acelerador de IA de Intel. 28 Sin embargo, la guía de ventas de Intel para Gaudi3 fue de ~$500M para 2024, lo cual es significativamente menor en comparación con los miles de millones que AMD proyecta ganar en 2024.
Bajo el nuevo CEO Lip-Bu Tan (nombrado en marzo de 2025), la estrategia de IA de Intel se ha clarificado en torno a soluciones a escala de rack.29 Intel canceló su GPU Falcon Shores para pivotar hacia Jaguar Shores, un acelerador de IA de próxima generación a escala de rack construido en el nodo de proceso 18A de Intel, e hizo nuevos anuncios de hardware de IA en Computex 2026, incluido su procesador Xeon 6+ en el nodo 18A y la GPU para centros de datos Crescent Island.30 31
¿Qué proveedores de nube pública producen chips de IA?
4. AWS
AWS produce chips Tranium para el entrenamiento de modelos y chips Inferentia para la inferencia. Aunque AWS es el líder del mercado en la nube pública, comenzó a desarrollar sus propios chips después de Google.
Cientos de miles de chips Tranium2 se utilizan para formar el clúster Project Rainier, que impulsa los modelos del LLM developer Anthropic.
5. Google Cloud Platform
Google Cloud TPU es el chip acelerador de aprendizaje automático diseñado específicamente para impulsar productos de Google como Translate, Photos, Search, Assistant y Gmail. Google anunció las TPU en 2016.32 La última TPU Trillium es la 6ª generación.33
Google ha presentado Ironwood. Esta última generación está diseñada específicamente para complejos “modelos de pensamiento” como los LLMs y MoEs, ofreciendo un procesamiento paralelo masivo (4,614 TFLOPs por chip) y escalando hasta 42.5 Exaflops en pods de 9,216 chips.34
Ironwood ofrece avances significativos sobre Trillium, incluyendo una eficiencia energética 2 veces mejor, 6 veces la capacidad de High Bandwidth Memory (192 GB/chip), 4.5 veces el ancho de banda HBM (7.2 TBps/chip) y 1.5 veces la velocidad de interconexión entre chips (1.2 Tbps). También cuenta con un SparseCore mejorado para grandes embeddings. Google también produce la mucho más pequeña Edge TPU para diferentes necesidades, diseñada para su implementación en dispositivos de borde como smartphones y hardware IoT.
6. Alibaba
Alibaba produce chips como el Hanguang 800 para inferencia. Sin embargo, algunas organizaciones norteamericanas, europeas y australianas (por ejemplo, las de la industria de defensa) pueden preferir no usar Alibaba Cloud por razones geopolíticas.
7. IBM
IBM anunció su último chip de aprendizaje profundo, la unidad de inteligencia artificial (AIU), en 2022.35 . IBM está considerando usar estos chips para impulsar su plataforma de IA generativa Watsonx.36
La AIU de IBM se basa en el procesador IBM Telum, que impulsa las capacidades de procesamiento de IA de los servidores mainframe IBM Z. En el lanzamiento, los casos de uso destacados de los procesadores Telum incluían la detección de fraudes.37
IBM también demostró que fusionar el cómputo y la memoria puede conducir a eficiencias. Estas se demostraron en el prototipo del procesador North Pole.38
8. Huawei
El Ascend 910C de HiSilicon de Huawei forma parte de la familia de chips Ascend 910 introducida en 2019.
Debido a las sanciones, los laboratorios de IA en China no pueden comprar los chips más nuevos y de mayor rendimiento de empresas estadounidenses como NVIDIA o AMD. Por lo tanto, están experimentando con el Ascend 910C.
La nube de Huawei está alojando modelos de DeepSeek, y un investigador de DeepSeek afirma que puede alcanzar el 60% del rendimiento de inferencia de las H100 de NVIDIA. 39
¿Qué proveedores de IA en la nube producen sus propios chips?
Estos proveedores no tienen nubes públicas con capacidades integrales como los hiperescaladores. Ofrecen servicios en la nube limitados, típicamente centrados en la inferencia de IA. Pudimos registrarnos en estos servicios sin hablar con equipos de ventas:
9. Groq
Groq fue fundada por ex empleados de Google. La empresa representa las LPU, un nuevo modelo de arquitectura de chips de IA, que busca facilitar a las empresas la adopción de sus sistemas. La startup ya ha recaudado alrededor de $350 millones y producido sus primeros modelos, como el GroqChip™ Processor, GroqCard™ Accelerator, etc.
La empresa se centra en la inferencia de LLM y publicó benchmarks para Llama-2 70B.40
Recientemente, Groq aseguró un importante compromiso de inversión de $1.5 mil millones de Arabia Saudita para expandir la entrega de sus avanzados chips de IA al país. Esta inversión se utilizará para expandir el centro de datos existente de Groq en Dammam, Arabia Saudita, construido en asociación con Aramco Digital.41
En el primer trimestre de 2024, la empresa compartió que 70k desarrolladores se registraron en su plataforma en la nube y construyeron 19k nuevas aplicaciones.42
El 1 de marzo de 2022, Groq adquirió Maxeler, que tiene soluciones de computación de alto rendimiento (HPC) para servicios financieros.43
10. SambaNova Systems
SambaNova Systems fue fundada en 2017 para desarrollar sistemas de hardware-software de alto rendimiento y alta precisión para cargas de trabajo de IA generativa de alto volumen. La empresa ha recaudado más de 1.5 mil millones de dólares en financiación total, incluida una ronda Serie E de 350 millones de dólares en febrero de 2026.44
En febrero de 2026, SambaNova presentó el chip SN50, su última Unidad de Datos Reconfigurable (RDU), afirmando una velocidad máxima 5 veces más rápida que los chips competitivos y un costo total de propiedad 3 veces menor en comparación con las GPUs para cargas de trabajo de IA agéntica. El SN50 ofrece 5 veces más cómputo por acelerador y 4 veces más ancho de banda de red que el SN40L de la generación anterior, y admite una arquitectura de memoria de tres niveles para modelos de más de 10 billones de parámetros y longitudes de contexto de más de 10 millones de tokens.45
SoftBank Corp. será el primer cliente en desplegar SN50 dentro de sus centros de datos de IA de próxima generación en Japón.
SambaNova también anunció una colaboración estratégica planificada de varios años con Intel para ofrecer soluciones de inferencia de IA, combinando los sistemas de SambaNova con procesadores Intel Xeon, GPUs Intel y redes Intel para impulsar una infraestructura de inferencia escalable como alternativa a las soluciones centradas en GPU.
SambaNova Systems alquila su plataforma a empresas a través de SambaCloud. Este enfoque de plataforma de IA como servicio facilita la adopción de sus sistemas y fomenta la reutilización del hardware para la economía circular.46
¿Cuáles son las principales startups de chips de IA?
También nos gustaría presentar algunas startups en la industria de chips de IA cuyos nombres podríamos escuchar con más frecuencia en un futuro cercano.
11. Cerebras
Cerebras fue fundada en 2015 y es el único gran fabricante de chips que se centra en chips a escala de oblea. 47 Los chips a escala de oblea tienen ventajas en paralelismo en comparación con las GPUs, gracias a su mayor ancho de banda de memoria. Sin embargo, diseñar y fabricar estos chips es una tecnología emergente.
Los chips de Cerebras incluyen:
- WSE-1 con 1.2 billones de transistores y 400k núcleos de procesamiento.
- WSE-2, con 2.6 billones de transistores y 850k núcleos, se anunció en abril de 2021. Aprovechó el proceso de 7nm de TSMC
- WSE-3, con 4 billones de transistores y 900k núcleos de IA, se anunció en marzo de 2024. Aprovecha el proceso de 5nm de TSMC48
El sistema de Cerebras trabaja con empresas farmacéuticas como AstraZeneca y GlaxoSmithKline y laboratorios de investigación que dependen de él para simulaciones. También se dirige a los creadores de LLM, ya que sus chips pueden reducir los costos de inferencia para modelos de frontera.
Cerebras también ofrece sus chips en su nube a las empresas.
12. d-Matrix
d-Matrix sigue un enfoque novedoso, abandonando la arquitectura tradicional de von Neumann en favor de la computación en memoria. Si bien este enfoque tiene el potencial de resolver el cuello de botella entre la memoria y el cómputo, es nuevo y no está probado. En noviembre de 2025, d-Matrix recaudó $275M en una Serie C co-liderada por Bullhound Capital, Triatomic Capital y Temasek, con la participación de Microsoft M12 como inversor de seguimiento, valorando la empresa en $2 mil millones.49 50
A partir de junio de 2026, d-Matrix entró en producción completa de chips con su plataforma de inferencia de IA Corsair, basada en una arquitectura de chiplet de cómputo en memoria SRAM, con pruebas independientes que demuestran una mejora de velocidad de más de 10 veces en comparación con las alternativas solo de GPU para cargas de trabajo de inferencia de IA.51
13. Rebellions
Una startup con sede en Corea recaudó $124M en 2024 y se centra en la inferencia de LLM.52
Rebellions se fusionó con otra firma coreana de diseño de semiconductores, SAPEON, y alcanzó una valoración de unicornio en 2024.53
En julio de 2025, Rebellions aseguró la inversión del gigante tecnológico Samsung como parte de una ronda de financiación dirigida a recaudar hasta $200 millones, antes de una oferta pública inicial (OPI) planificada. La empresa ha recaudado $220 millones desde su fundación en 2020 y está colaborando con Samsung para llevar al mercado su chip de segunda generación, Rebel-Quad (que comprende cuatro chips Rebel IA), a finales de 2025, aprovechando el proceso de fabricación de 4 nanómetros de Samsung. 54
14. Tenstorrent
El último procesador Blackhole Tensix de Tenstorrent ofrece 664 TFLOPS (BLOCKFP8) de rendimiento, combinado con 32GB de memoria GDDR6 y 512 GB/s de ancho de banda de memoria.
La tarjeta P150a tiene un precio de $1,399 y cuenta con cuatro puertos QSFP-DD 800G para escalado de múltiples tarjetas. El modelo de nivel de entrada P100a comienza en $999.55
Tenstorrent ofrece una pila de software completamente de código abierto. La empresa recaudó $700M con una valoración de más de $2.6 mil millones de inversores, incluido Jeff Bezos, en diciembre de 2024. 56
15. Positron
Positron fue fundada en 2023 y se centra exclusivamente en la inferencia de modelos de transformador. La empresa adopta un enfoque ASIC, construyendo hardware especializado optimizado específicamente para arquitecturas de transformador en lugar de computación de GPU de propósito general.
Productos:
- Atlas (enviándose ahora): Un servidor de inferencia de transformador que cuenta con 8 veces Aceleradores de Transformador Positron Archer con 256 GB de HBM total. La empresa afirma un rendimiento por vatio >4 veces y un rendimiento por dólar >3 veces en comparación con los sistemas NVIDIA Hopper, evaluado en Llama 3.1 8B con cómputo BF16.57
- Titan (próximamente en 2027): Un sistema de próxima generación con más de 8 TB de memoria impulsado por 4 veces chips personalizados Asimov, diseñado para admitir modelos de hasta 16 billones de parámetros y ventanas de contexto de más de 10 millones de tokens en un factor de forma 4U refrigerado por aire.58
- Asimov (próximamente en 2027): Silicio acelerador de inferencia personalizado con más de 2 TB de memoria por chip.
Positron recaudó una ronda Serie B de más de 230M a principios de 2026 con inversores como QIA, Arm Holdings, Arena y Jump Trading59
Atlas es utilizado actualmente por empresas de redes, juegos, moderación de contenido, CDN y Token-as-a-Service. Positron afirma que su sistema Atlas demostró una latencia de extremo a extremo 3 veces menor para cargas de trabajo de inferencia comercial en comparación con sistemas H100 comparables, consumiendo un tercio de la energía.
Los chips de Positron están diseñados, fabricados y ensamblados en los Estados Unidos.
16. _etched
Su enfoque sacrifica la flexibilidad por la eficiencia al grabar la arquitectura del transformador en sus chips.
El equipo afirma
- Sohu ha construido el primer ASIC de transformador del mundo.
- Esos 8 chips Sohu pueden generar >500,000 tokens/segundo. Esto es un orden de magnitud más de lo que pueden lograr 8 NVIDIA B200.
Actualmente, estos se basan en mediciones internas del equipo. Los equipos de AIMultiple aún no han encontrado benchmarks ni referencias de clientes. Tenemos curiosidad sobre:
- ¿Qué sucede cuando el modelo queda obsoleto? ¿Los usuarios necesitan comprar un nuevo chip, o se puede reconfigurar el chip antiguo con el siguiente modelo?
- ¿Cómo ejecutaron su benchmark? ¿Qué cuantificación y modelo se utilizaron?
Actualizaremos esto tan pronto como el equipo de _etched publique más detalles. Será interesante ver si grabar modelos en chips será sostenible, dado el lanzamiento de nuevos modelos cada pocos meses.
17. Taalas
Taalas fue fundada a principios de 2023 y adopta el enfoque más extremo para la especialización de chips de IA: cablear modelos individuales directamente en silicio personalizado, produciendo lo que la empresa llama “Hardcore Models”.60 La empresa afirma que puede transformar cualquier modelo de IA no visto previamente en silicio personalizado en dos meses.
La arquitectura de Taalas unifica el almacenamiento y el cómputo en un solo chip a densidad de nivel DRAM, eliminando la necesidad de HBM, empaquetado avanzado, apilamiento 3D, refrigeración líquida o E/S de alta velocidad. La empresa describe esto como una simplificación radical de la pila de hardware.
Productos:
- HC1 (disponible ahora): Un demostrador de tecnología cableado con Llama 3.1 8B, construido en TSMC 6nm con 53 mil millones de transistores. Taalas afirma 17,000 tokens por segundo por usuario, lo que dice es casi 10 veces más rápido que el estado del arte actual, mientras cuesta 20 veces menos de construir y consume 10 veces menos energía en un servidor refrigerado por aire de 2.5 kW. Sin embargo, el modelo utiliza una agresiva cuantificación personalizada de 3 y 6 bits, lo que introduce degradaciones de calidad en comparación con las líneas base de GPU.61
- HC2 (planificado): Una plataforma de segunda generación con mayor densidad, ejecución más rápida y formatos estándar de punto flotante de 4 bits para abordar las limitaciones de cuantificación del HC1.
Taalas ha recaudado más de 200 millones de dólares, pero informa haber gastado solo 30 millones de dólares para llevar su primer producto al mercado con un equipo de 24 personas.
18. Extropic
Extropic recaudó una ronda de $14M a finales de 2023 para utilizar la termodinámica para la computación. La empresa aún no ha lanzado un chip.
19. Vaire
Vaire es una startup con sede en el Reino Unido pionera en computación reversible, un enfoque innovador que busca crear chips de energía casi nula. A diferencia de la computación tradicional, donde la energía se pierde como calor, la computación reversible recicla una porción significativa de energía para cálculos posteriores.
Vaire ha demostrado un chip de prueba que puede recuperar el 50% de su energía, mostrando el potencial de la tecnología para reducir el consumo de energía de las cargas de trabajo de IA y eludir las limitaciones físicas, o muro térmico, que desafían la fabricación moderna de semiconductores. 62
20. Fractile
Fractile es una startup de chips de inferencia de IA con sede en el Reino Unido que salió del sigilo en julio de 2024 con $15 millones en financiación para desafiar a NVIDIA en la inferencia de modelos de frontera.63
La empresa está construyendo procesadores que entrelazan físicamente la memoria y el cómputo en el mismo dado, lo que, según afirma, resuelve el requisito simultáneo de baja latencia y alto rendimiento que las GPUs no pueden cumplir para la inferencia de modelos de frontera. Fractile afirma que su diseño puede ejecutar modelos de frontera hasta 25 veces más rápido y a 1/10 del costo de las soluciones existentes, con el objetivo de servir miles de tokens por segundo a miles de usuarios concurrentes.
Fractile tiene su sede en Londres, con ingeniería de hardware en Bristol, y fue perfilada por el Financial Times en marzo de 2025 como parte de una ola de startups centradas en la inferencia que desafían el dominio de NVIDIA.64
¿Cuáles son los próximos productores de hardware de IA?
Aunque estas son soluciones de hardware de IA atractivas, actualmente hay benchmarks limitados sobre su efectividad, ya que son recién llegados al mercado.
21. Apple
Se informa que el Proyecto ACDC de Apple se centra en la construcción de chips para inferencia de IA en centros de datos, con producción en masa esperada en el segundo semestre de 2026.65 Apple ya es un importante diseñador de chips con sus semiconductores diseñados internamente utilizados en iPhones, iPads y MacBooks. Apple está fortaleciendo su estrategia de IA en el dispositivo con el marco Core IA, que ejecuta modelos completamente en silicio de Apple sin dependencias del servidor, respaldado por un repositorio de modelos Core IA de código abierto en GitHub.66 67
22. Meta
Meta Training and Inference Accelerator (MTIA) es una familia de procesadores para cargas de trabajo de IA como el entrenamiento de los modelos LLaMa de Meta.
El último modelo MTIA, Next Gen MTIA, se basa en la tecnología TSMC 5nm y se afirma que ofrece 3 veces el rendimiento de MTIA v1. MTIA se alojará en racks que contienen hasta 72 aceleradores.68
MTIA es actualmente para uso interno de Meta. Sin embargo, en el futuro, si Meta lanzara una oferta de IA generativa empresarial basada en LLaMa, estos chips podrían impulsar dicha oferta.
23. Microsoft Azure
En Hot Chips 2024, Microsoft presentó Maia 100, su primer acelerador de IA personalizado diseñado para optimizar cargas de trabajo de IA a gran escala en Azure mediante la co-optimización de hardware y software. Construido en el proceso N5 de TSMC con tecnología avanzada de memoria e interconexión, Maia 100 apunta a un alto rendimiento y diversos formatos de datos, ofreciendo a los desarrolladores flexibilidad a través de su SDK para un despliegue rápido de modelos PyTorch y Triton. Microsoft lanzó Maia 200 (con nombre en clave Braga) el 26 de enero de 2026, como un acelerador de IA centrado en la inferencia para Azure, diseñado para reducir los costos de tokens de IA y ofrecer un 30% mejor rendimiento por dólar en comparación con los sistemas existentes.69
24. OpenAI
OpenAI está finalizando el diseño de su primer chip de IA con Broadcom y TSMC utilizando la tecnología de 3 nanómetros de TSMC. El liderazgo del equipo de chips de OpenAI tiene experiencia en el diseño de TPUs en Google, y su objetivo es que su chip se produzca en masa en 2026. El chip OpenAI Project Titan, co-desarrollado con Broadcom y fabricado en el proceso de 3nm de TSMC, está en camino para la producción en masa en el segundo semestre de 2026.70 71
Samsung ha asegurado un acuerdo para suministrar memoria HBM4 para el chip Titan, según se informa asignando más del 50% de su capacidad de fundición de Pyeongtaek a los troqueles base HBM4 para este fin.72 OpenAI y Broadcom han anunciado el chip de inferencia Jalapeño, una colaboración estratégica de ~$10 mil millones con el objetivo de 10 GW de cómputo de IA desplegado para 2029 para reducir la dependencia de OpenAI de NVIDIA.73
Añadir como fuente preferida¿Cuáles son otros productores de chips de IA?
25. Graphcore
Graphcore es una empresa británica fundada en 2016. La empresa anunció su chip de IA insignia como IPU-POD256. Graphcore ya ha sido financiada con alrededor de $700 millones.
La empresa tiene asociaciones estratégicas con corporaciones de almacenamiento de datos como DDN, Pure Storage y Vast Data. Los chips de IA de Graphcore sirven a institutos de investigación como el Oxford-Man Institute of Quantitative Finance, la Universidad de Bristol y la Universidad de California en Berkeley.
La viabilidad a largo plazo de la empresa estaba en riesgo ya que perdía ~$200M al año.74 Graphcore fue adquirida por SoftBank por más de $600 millones en octubre de 2024.75
26. Mythic
Mythic fue fundada en 2012 y se centra en la IA en el borde. Mythic sigue un camino no convencional, una arquitectura de cómputo analógico, que busca ofrecer computación de IA en el borde eficiente en energía.
Ha desarrollado productos como M1076 AMP y la tarjeta clave MM1076, y ya ha recaudado alrededor de $165 millones en financiación.76
Mythic despidió a la mayor parte de su personal y reestructuró su negocio con su ronda de financiación en marzo de 2023.77
27. Speedata
Fundada en 2019 en Tel Aviv, Speedata desarrolla una Unidad de Procesamiento Analítico (APU) diseñada para acelerar el análisis de big data y las cargas de trabajo de IA. Es una APU que apunta a las cargas de trabajo de Apache Spark, con planes de admitir otras plataformas importantes de análisis de datos.
Speedata recaudó $44M en una ronda Serie B en junio de 2025, liderada por Walden Catalyst Ventures, 83North y otros, elevando su financiación total a $114M. La empresa afirma que su APU supera a los procesadores de propósito general y a las GPUs al reemplazar racks de servidores con un solo chip, ofreciendo un rendimiento y una eficiencia energética superiores para el procesamiento de datos.78
28. Axelera IA
Fundada en julio de 2021 en Eindhoven, Países Bajos, Axelera IA se especializa en tecnología de aceleración de hardware de IA para visión artificial e IA generativa. La empresa está desarrollando Titania, un chiplet de inferencia de IA basado en su arquitectura de Computación Digital en Memoria (D-IMC), diseñado para acelerar las cargas de trabajo de IA desde el borde hasta la nube.
Axelera IA aseguró hasta €61.6 millones en financiación de la Empresa Común EuroHPC (JU) y los estados miembros bajo el Proyecto DARE en marzo de 2025, después de una ronda de financiación Serie B anterior de $68 millones. Esto eleva su financiación total a más de $200 millones en tres años. Axelera IA tiene como objetivo desplegar Titania para 2028 para abordar la creciente demanda de soluciones de IA de alto rendimiento, rentables y sostenibles, enfatizando su capacidad para mejorar el rendimiento y la eficiencia en comparación con las soluciones tradicionales en la nube.79
Socios de fundición y el papel de TSMC
Como la fundición pura líder mundial, TSMC fabrica semiconductores basados en diseños de clientes en lugar de crear sus propios chips, lo que la distingue de empresas como NVIDIA y AMD. Si bien Samsung Foundry e Intel Foundry Services compiten en este espacio, TSMC mantiene una ventaja tecnológica.
Sus tecnologías de proceso avanzadas, particularmente sus pioneros nodos de 5nm y 3nm, proporcionan la combinación esencial de rendimiento y eficiencia energética requerida para las aplicaciones de IA de vanguardia, como se muestra en sus asociaciones de fabricación con los diseñadores de chips de IA enumerados a continuación:
Planes de expansión
TSMC está buscando que Nvidia, AMD, Broadcom y Qualcomm inviertan en una empresa conjunta para gestionar la división de fundición de Intel, reteniendo el control operativo pero menos del 50% de la propiedad. Esta iniciativa, respaldada por la administración Trump, se produce después de que TSMC anunciara planes para una importante inversión en EE. UU. y tiene como objetivo revivir a Intel y fortalecer la fabricación de chips en EE. UU. El acuerdo enfrenta desafíos debido a las diferencias de proceso, pero se basa en las fortalezas de TSMC como fundición líder.80 81
¿Cuáles son los fabricantes de chips de IA en China?
Debido a las sanciones de EE. UU. que impiden a muchas empresas chinas adquirir los chips de IA más avanzados de AMD y NVIDIA, los compradores chinos han aumentado sus compras a productores locales.
Además de Huawei y Alibaba mencionados anteriormente, estos son los principales productores de chips de IA en China:
- Cambricon se centra en hardware de IA y espera ~$150M en ventas en su último año de operaciones. 82
- Baidu está utilizando chips Kunlun en su nube y está diseñando el chip de 3ª generación. Kunlun 2 era comparable al NVIDIA A100.
- Biren, fundada por ex alumnos de NVIDIA, produce chips GPU BR106 y BR110.
- Moore Threads produce GPUs MTT S2000.
Preguntas frecuentes
Los chips y el equipo que los construye son las máquinas más complejas jamás construidas por los humanos. Aunque hay muchas empresas en el ecosistema de semiconductores, en este artículo nos centramos en los diseñadores de chips como NVIDIA.
La mayoría de los diseñadores de chips subcontratan la fabricación de chips a fundiciones como TSMC. Las fundiciones utilizan equipos de litografía producidos por empresas como ASML para fabricar estos chips. El ecosistema está respaldado por proveedores como Arm y Synopsys que suministran IP y herramientas de diseño.
Como se vio anteriormente, un número creciente de parámetros, el tamaño del conjunto de datos y el cómputo llevaron a que los modelos de IA generativa se volvieran más precisos. Para construir mejores modelos de aprendizaje profundo e impulsar aplicaciones de IA generativa, las organizaciones requieren un mayor poder de cómputo y ancho de banda de memoria.
Los chips de propósito general potentes (como las CPUs) no pueden soportar modelos de aprendizaje profundo altamente paralelizados. Por lo tanto, los chips de IA (por ejemplo, GPUs) que permiten capacidades de computación paralela tienen una demanda cada vez mayor.
Los hiperescaladores están respondiendo a esto diseñando sus propios chips, un proceso que lleva años. El resto necesita seguir una de estas rutas para construir sus propios modelos de IA: alquilar capacidad de proveedores de GPU en la nube o comprar hardware de los principales proveedores de chips de IA enumerados en este artículo.
El hardware de IA también se llama unidades de procesamiento neuronal (NPUs), aceleradores de IA o procesadores de aprendizaje profundo (DLPs).
Lecturas adicionales
Para obtener comparaciones prácticas de rendimiento de los chips cubiertos en este artículo, consulte nuestros benchmarks:
- Benchmark multi-GPU: Cómo escalan las NVIDIA B200, H200, H100 y las AMD MI300X en configuraciones de 1, 2, 4 y 8 GPUs para la inferencia de LLM, con análisis de rendimiento, latencia y costo por token.
- Benchmark de concurrencia de GPU: Cómo gestionan las NVIDIA B200, H200, H100 y las AMD MI300X de 1 a 512 solicitudes simultáneas, incluyendo el rendimiento del sistema, la velocidad por consulta, la latencia de extremo a extremo y los tokens por dólar en cada nivel de concurrencia.
Referencias
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Top 25+ Fabricantes de Chips de IA: NVIDIA y Sus Competidores}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ai-chip-makers}},
note = {AIMultiple. Recuperado el 25 de Junio de 2026}
}Enlaces de referencia
Comentarios 2
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
You forgot to include Tesla with their DOJO supercomputer. From the ground-up, the supercomputer was specifically designed for machine learning and image recognition - which means that every component was designed for it including, but not limited to, PCI board design, CPU, RAM, cooling, power, scalable hardware design and software. If I'm not mistaken, the AI is also the second most widely tested and used in the "wild", just below that of Google due to Google using it in their Search.
Thank you for your feedback, Dave! Here we are only covering companies that sell the chips that they produce. Therefore, companies like Tesla that build supercomputers for their own use or companies that embed chips in their products are out of our scope.
surprised that brainchip (akida) missing in this report. any reasons?
All included companies here raised $100+M. Last time we collected the data, that wasn't the case for akida. Why don't you reach out to us at info@aimultiple.com and let's discuss why it should be included. Thank you!