Principales fabricantes de chips de IA: NVIDIA y sus competidores
Según 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:
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
Ordenamiento por categoría. Los proveedores se clasifican según su cuota de mercado estimada dentro de las 3 primeras categorías (es decir, productor líder, nube pública, nube de IA pública) porque se pueden estimar los números de ventas o el uso de la nube. Los proveedores en las últimas tres categorías (es decir, startup de IA, productor próximo, otros productores) se ordenan alfabéticamente.
5 proveedores de chips de IA móviles
*Se seleccionan los chips más populares y recientes.
5 chips de IA de borde
La demanda de procesamiento de baja latencia ha impulsado la innovación en chips de IA de borde. Los procesadores de estos chips están diseñados para realizar cálculos de IA localmente en dispositivos en lugar de depender de soluciones basadas en la nube:
*Estos son los valores máximos citados por los proveedores. TOPS son tera operaciones por segundo.
Comprensión de las arquitecturas de chips de IA: GPUs vs ASICs
No todos los chips de IA son iguales. Aunque los proveedores anteriores compiten en el mismo mercado, utilizan arquitecturas de chips 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 entrenamiento como inferencia (Google TPU, AWS Trainium), mientras que otros son solo de inferencia (Groq LPU, AWS Inferentia).
Insight clave:
No todos los ASICs son solo de inferencia. Google TPU, AWS Trainium, Cerebras y SambaNova soportan tanto entrenamiento como inferencia, mientras que Groq LPU y AWS Inferentia se enfocan 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 , basado en las tasas de crecimiento de envíos de servidores de IA, se proyecta que los envíos de ASICs personalizados de proveedores de la nube crecerán un 44.6% en 2026, mientras que se espera que los envíos de GPU crezcan un 16.1%. Esto señala un cambio en el panorama del hardware de IA, con 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 juegos desde la década de 1990. NVIDIA es un fabricante de chips fabless que subcontrata la mayor parte de su fabricación de chips a TSMC. Sus principales negocios incluyen:
Soluciones de IA de escritorio
DGX Spark (anteriormente Proyecto Digits) es una supercomputadora de IA de escritorio para ingenieros de IA y científicos de datos que:
- Se espera que cueste alrededor de $3k.
- Tiene aproximadamente el mismo tamaño que un Mac mini y está impulsado por el Superchip NVIDIA GB10 Grace Blackwell con 128GB de memoria.
- Capaz de manejar inferencia de LLM y fine-tuning para modelos con hasta 200 mil millones de parámetros, aprovechando NVLink-C2C para comunicación de alta velocidad entre CPU+GPU.
Soluciones de centro 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 un billón en valoración y consolidó su estatus como líder de los mercados de GPU y hardware de IA. El siguiente gráfico muestra cómo ha crecido el ingreso 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.3
Los chipsets de NVIDIA están diseñados para resolver problemas empresariales en diversas industrias. DGX™ A100 y H100 han sido chips de IA insignia exitosos de Nvidia, diseñados para entrenamiento e inferencia de IA en centros de datos.4 NVIDIA continuó 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.5
GPUs en la nube
Gracias a la fortaleza de su oferta de centros de datos, NVIDIA casi tiene un monopolio en el mercado de IA en la nube, con la mayoría de los jugadores en la nube ofreciendo solo NVIDIA GPUs como GPUs en la nube.
NVIDIA también lanzó su oferta de DGX Cloud, proporcionando infraestructura de GPU en la nube directamente a empresas, evitando a los proveedores de la nube.
GPUs para gráficos
Xbox utiliza un chipset co-desarrollado 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 desarrolladores de IA con proveedores de GPU en la nube de NVIDIA, incluidos CoreWeave, Lambda y Crusoe. Permite un acceso flexible a recursos de GPU para entrenamiento e inferencia de modelos de IA, evitando dependencias de proveedores de la nube tradicionales. Esto fortalece la estrategia en la nube centrada en empresas de NVIDIA.6
NVIDIA Dynamo
NVIDIA Dynamo, anunciado en GTC 2025, es un nuevo framework de inferencia de código abierto diseñado para despliegue de alto rendimiento y baja latencia de modelos de IA generativa en entornos distribuidos, impulsando el servicio de solicitudes hasta 30x en NVIDIA Blackwell como se muestra en la figura a continuación. Este framework, 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 microservicios NVIDIA NIM para soluciones empresariales, Dynamo facilita un servicio de IA generativa escalable y rentable desde sistemas de una sola a múltiples GPU.7
NVIDIA RTX PRO Servers y Enterprise AI Factory
Anunciado en mayo de 2025 en Computex, NVIDIA presentó RTX PRO Servers impulsados por GPUs RTX PRO 6000 Blackwell Server Edition, diseñados para fábricas de IA empresariales. Estos servidores ofrecen aceleración universal para IA, diseño, ingeniería y aplicaciones empresariales, soportando cargas de trabajo como inferencia de IA multimodal, IA física y gemelos digitales en la plataforma NVIDIA Omniverse.
El diseño validado de NVIDIA Enterprise AI Factory, que incorpora RTX PRO Servers, NVIDIA Spectrum-X Ethernet, NVIDIA BlueField DPUs y software NVIDIA AI 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 de un billón de dólares a fábricas de IA aceleradas por GPU. 9
DeepSeek
El lanzamiento de R1 de DeepSeek mostró que los modelos de última generación podían entrenarse con una cantidad relativamente pequeña de GPUs. Esto llevó a una reducción en el precio de las acciones de NVIDIA. Aunque esto no es un consejo de inversión, esto puede ser positivo para NVIDIA ya que cuanto más poder de computación útil proporciona, más ampliamente debería ser utilizado (es decir, paradoja de Jevons10 ).
Sin embargo, dado que el rendimiento de los sistemas de GPU mejora varias veces al año debido a avances en diseño de chips e 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
NVIDIA ahora tiene permiso para exportar procesadores de IA avanzados al mercado chino, marcando un cambio de los requisitos anteriores de vender solo versiones degradadas. Sin embargo, estas exportaciones enfrentan nuevos obstáculos logísticos y financieros: los chips fabricados en Taiwán ahora deben desviarse a través de Estados Unidos para pruebas de terceros, lo que desencadena un arancel de seguridad nacional recién impuesto del 25%.
A pesar del acceso restaurado a 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. Aunque los chips chinos actualmente tienen un rendimiento inferior a la última tecnología de NVIDIA, estas barreras comerciales aseguran que el desarrollo nacional siga siendo una prioridad estratégica, potencialmente desafiando el dominio de mercado de NVIDIA en el futuro.11
Competencia en el mercado de inferencia
Mientras que NVIDIA domina el mercado de "entrenamiento" de IA, la competencia se está intensificando en "inferencia", el despliegue de modelos de IA para tareas del mundo real. Empresas como AMD y numerosas startups, incluidas Untether AI y Groq, están desarrollando chips que buscan proporcionar soluciones de inferencia más rentables, con un enfoque particular en un menor consumo de energía.
Nuevas técnicas de IA de "razonamiento" requieren más poder de computación. NVIDIA cree que el razonamiento favorecerá su arquitectura a largo plazo y espera que el mercado de inferencia eventualmente supere al mercado de entrenamiento en tamaño, incluso si su cuota de mercado es menor. 12
2. AMD
AMD es un fabricante de chips fabless con productos de CPU, GPU y aceleradores de IA.
AMD lanzó MI300 para cargas de trabajo de entrenamiento de IA en junio de 2023 y está compitiendo con NVIDIA por 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 obtener debido a la creciente demanda, con el auge de la IA generativa desencadenado por el lanzamiento de ChatGPT.13 14 15
En 2025, AMD anunció la adquisición de un equipo talentoso de ingenieros de hardware y software de IA de Untether AI, un desarrollador de chips de inferencia de IA eficientes en energía para proveedores de borde y centros de datos empresariales. Este movimiento mejora el compilador de IA de AMD, el desarrollo de kernels y las capacidades de diseño de chips, 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 de centro de datos para aplicaciones empresariales.16
AMD lanzará la serie MI350 para reemplazar la MI300 y competir con la H200 de NVIDIA. AMD afirma que MI325X, otro chip reciente, tiene un rendimiento de inferencia líder en el mercado.17
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.18
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 el benchmarking de H100 y MI300. El foco del desacuerdo fue el paquete y el punto flotante a usar en el benchmark. Según los últimos benchmarks, parece que MI300 es mejor o está a la par con H100 para inferencia en un LLM de 70B.19
Software
Mientras que el hardware de AMD está catching up a NVIDIA, su software se queda atrás en términos de usabilidad. Mientras que CUDA funciona fuera de la caja para la mayoría de las tareas, el software de AMD requiere una configuración significativa. 20
Ecosistema
Al igual que NVIDIA, AMD está invirtiendo selectivamente en usuarios de sus soluciones para impulsar la adopción de su hardware. 21
3. Intel
Intel es el jugador más significativo 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. 22 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.
Intel está experimentando problemas de gobernanza, como lo demuestra la salida de su CEO Pat Gelsinger en diciembre de 2024. Una parte significativa de los miembros de la junta directiva de Intel carece de experiencia en liderar una empresa de semiconductores de manera operativa.23 Tras la salida de su CEO, la estrategia de Intel en los mercados de IA y fundición sigue siendo poco clara.
¿Qué proveedores de nube pública producen chips de IA?
4. AWS
AWS produce chips Tranium para entrenamiento de modelos y chips Inferentia para inferencia. Aunque AWS es el líder del mercado en nube pública, comenzó a desarrollar sus propios chips después de Google.
Miles de chips Tranium2 se utilizan para formar el clúster Project Rainier, que impulsa los modelos de LLM developer Anthropic.
5. Google Cloud Platform
Google Cloud TPU es el chip acelerador de aprendizaje automático diseñado específicamente que impulsa productos de Google como Translate, Photos, Search, Assistant y Gmail. También se puede usar a través de Google Cloud. Google anunció TPUs en 2016.24 El último Trillium TPU es la 6ª generación.25
Google ha presentado Ironwood. Esta última generación está diseñada específicamente para complejos "modelos de pensamiento" como LLMs y MoEs, ofreciendo procesamiento paralelo masivo (4,614 TFLOPs por chip) y escalando hasta 42.5 Exaflops en pods de 9,216 chips.26
Ironwood ofrece avances significativos sobre Trillium, incluyendo 2x mejor eficiencia energética, 6x la capacidad de memoria de ancho de banda alto (192 GB/chip), 4.5x el ancho de banda HBM (7.2 TBps/chip) y 1.5x la velocidad de interconexión entre chips (1.2 Tbps). También cuenta con un SparseCore mejorado para grandes embeddings. Google también produce el mucho más pequeño Edge TPU para diferentes necesidades, diseñado para implementación en dispositivos de borde como teléfonos inteligentes y hardware de IoT.
6. Alibaba
Alibaba produce chips como Hanguang 800 para inferencia. Sin embargo, algunas organizaciones norteamericanas, europeas y australianas (por ejemplo, aquellas en la industria de defensa) pueden no preferir usar Alibaba Cloud por razones geopolíticas.
7. IBM
IBM anunció su último chip de aprendizaje profundo, la unidad de inteligencia artificial (AIU), en 2022.27 . IBM está considerando usar estos chips para impulsar su plataforma de IA generativa Watsonx.28
El 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 detección de fraude.29
IBM también demostró que fusionar computación y memoria puede llevar a eficiencias. Estas se demostraron en el prototipo del procesador North Pole.30
8. Huawei
HiSilicon Ascend 910C de Huawei es parte de la familia de chips Ascend 910 presentada 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 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 NVIDIA H100. 31
¿Qué proveedores de IA en la nube producen sus propios chips?
Estos proveedores no tienen nubes públicas con capacidades integrales como los hiperescaladores. Proporcionan servicios limitados en la nube, generalmente enfocados en inferencia de IA. Pudimos registrarnos para estos servicios sin hablar con equipos de ventas:
9. Groq
Groq fue fundada por ex empleados de Google. La empresa representa LPUs, un nuevo modelo para 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 ha producido sus primeros modelos, como GroqChip™ Processor, GroqCard™ Accelerator, etc.
La empresa se centra en la inferencia de LLM y lanzó benchmarks para Llama-2 70B.32
Recientemente, Groq aseguró un compromiso de inversión significativo de $1.5 mil millones de Arabia Saudita para expandir la entrega de sus chips de IA avanzados 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.33
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.34
El 1 de marzo de 2022, Groq adquirió Maxeler, que tiene soluciones de computación de alto rendimiento (HPC) para servicios financieros.35
10. SambaNova Systems
SambaNova Systems fue fundada en 2017 para desarrollar sistemas de hardware y 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 financiamiento total, incluida una ronda Serie E de 350 millones de dólares en febrero de 2026.36
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 3 veces menor costo total de propiedad en comparación con GPUs para cargas de trabajo de IA agéntica. El SN50 ofrece 5 veces más computación por acelerador y 4 veces más ancho de banda de red que la generación anterior SN40L, y soporta 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.37
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 sistemas de SambaNova con procesadores Intel Xeon, Intel GPUs y redes Intel para impulsar infraestructura de inferencia escalable como alternativa a soluciones centradas en GPU.
Es importante notar que SambaNova Systems también 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 de hardware para la economía circular.38
¿Cuáles son las principales startups de chips de IA?
También nos gustaría presentar algunas startups en la industria de chips de IA cuyos nombres podemos escuchar con más frecuencia en el futuro cercano. Aunque estas empresas fueron fundadas recientemente, ya han recaudado millones de dólares.
11. Cerebras
Cerebras fue fundada en 2015 y es el único fabricante de chips importante que se enfoca en chips a escala de oblea. 39 Los chips a escala de oblea tienen ventajas en paralelismo en comparación con GPUs, gracias a su mayor ancho de banda de memoria. Sin embargo, diseñar y fabricar tales 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, fue anunciado en abril de 2021. Aprovechó el proceso de 7nm de TSMC
- WSE-3, con 4 billones de transistores y 900k núcleos de IA, fue anunciado en marzo de 2024. Aprovecha el proceso de 5nm de TSMC40
El sistema de Celebra trabaja con empresas farmacéuticas como AstraZeneca y GlaxoSmithKline y laboratorios de investigación que dependen de él para simulaciones. También apunta a fabricantes de LLM ya que sus chips pueden reducir los costos de inferencia para modelos de vanguardia.
Cerebras también ofrece sus chips en su nube a empresas.
12. d-Matrix
d-Matrix sigue un enfoque novedoso, abandonando la arquitectura tradicional de von Neumann a favor de la computación en memoria. Aunque este enfoque tiene el potencial de resolver el cuello de botella entre memoria y computación, es un enfoque nuevo y aún no probado.41
13. Rebellions
Una startup con sede en Corea recaudó $124M en 2024 y se centra en la inferencia de LLM.42
Rebellions se fusionó con otra firma de diseño de semiconductores coreana, SAPEON, y alcanzó una valoración de unicornio en 2024.43
En julio de 2025, Rebellions aseguró inversión del gigante tecnológico Samsung como parte de una ronda de financiamiento que apunta a hasta $200 millones, antes de una oferta pública inicial (IPO) planificada. La empresa ha recaudado $220 millones desde su fundación en 2020 y está colaborando con Samsung para llevar su chip de segunda generación, Rebel-Quad (compuesto por cuatro chips de IA Rebel), al mercado más tarde en 2025, aprovechando el proceso de fabricación de 4 nanómetros de Samsung. 44
14. Tenstorrent
El último procesador Blackhole Tensix de Tenstorrent ofrece 664 TFLOPS (BLOCKFP8) de rendimiento, acompañado de 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 $999.45
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. 46
15. Positron
Positron fue fundada en 2023 y se enfoca exclusivamente en la inferencia de modelos transformer. La empresa adopta un enfoque ASIC, construyendo hardware diseñado específicamente optimizado para arquitecturas transformer en lugar de computación de GPU de propósito general.
Productos:
- Atlas (envío ahora): Un servidor de inferencia transformer con 8x Aceleradores Transformer Positron Archer con 256 GB de HBM total. La empresa afirma >4x rendimiento por vatio y >3x rendimiento por dólar en comparación con sistemas NVIDIA Hopper, benchmarked en Llama 3.1 8B con computación BF16.47
- Titan (próximamente 2027): Un sistema de próxima generación con más de 8 TB de memoria impulsado por 4x chips personalizados Asimov, diseñado para soportar modelos de hasta 16 billones de parámetros y ventanas de contexto de más de 10 millones de tokens en un factor de forma de 4U enfriado por aire.48
- Asimov (próximamente 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 que incluyen QIA, Arm Holdings, Arena y Jump Trading49
Atlas es actualmente utilizado 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 de trading 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 flexibilidad por eficiencia al quemar la arquitectura transformer en sus chips.
El equipo afirma
- Sohu ha construido el primer ASIC transformer del mundo.
- Esos 8 chips Sohu pueden generar >500,000 tokens/segundo. Esto es un orden de magnitud más de lo que 8 NVIDIA B200s pueden lograr.
Actualmente, estos se basan en mediciones internas del equipo. Los equipos de AIMultiple aún no han encontrado benchmarks o referencias de clientes. Estamos curiosos sobre:
- ¿Qué sucede cuando el modelo queda obsoleto? ¿Los usuarios necesitan comprar un chip nuevo o el chip antiguo puede reconfigurarse con el siguiente modelo?
- ¿Cómo ejecutaron su benchmark? ¿Qué cuantización y modelo se utilizaron?
Actualizaremos esto tan pronto como el equipo de _etched publique más detalles. Será interesante ver si quemar 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 de especialización de chips de IA: cablear modelos individuales directamente en silicio personalizado, produciendo lo que la empresa llama "Hardcore Models".50 La empresa afirma que puede transformar cualquier modelo de IA previamente no visto en silicio personalizado en dos meses.
La arquitectura de Taalas unifica almacenamiento y computación 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 tecnológico 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 actual del arte, mientras cuesta 20 veces menos de construir y consume 10 veces menos de energía en un servidor enfriado por aire de 2.5 kW. Sin embargo, el modelo utiliza cuantización personalizada agresiva de 3 bits y 6 bits, lo que introduce degradaciones de calidad en comparación con las líneas base de GPU.51
- HC2 (planificado): Una plataforma de segunda generación con mayor densidad, ejecución más rápida y formatos de punto flotante estándar de 4 bits para abordar las limitaciones de cuantización de HC1.
Taalas ha recaudado más de 200 millones de dólares pero reporta 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 usar termodinámica para la computación. La empresa aún no ha lanzado un chip.
19. Vaire
Vaire es una startup con sede en el Reino Unido que está pionera en computación reversible, un enfoque innovador que busca crear chips de energía casi cero. A diferencia de la computación tradicional, donde la energía se pierde como calor, la computación reversible recicla una parte significativa de la 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 pared térmica, que desafían la fabricación moderna de semiconductores. 52
20. Fractile
Fractile es una startup de chips de inferencia de IA con sede en el Reino Unido que emergió del sigilo en julio de 2024 con $15 millones en financiamiento para desafiar a NVIDIA en la inferencia de modelos de vanguardia.53
La empresa está construyendo procesadores que entrelazan físicamente memoria y computación en el mismo chip, lo que afirma resuelve el requisito simultáneo de baja latencia y alto rendimiento que las GPUs no pueden cumplir para la inferencia de modelos de vanguardia. Fractile afirma que su diseño puede ejecutar modelos de vanguardia 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 ha sido perfilada por el Financial Times en marzo de 2025 como parte de una ola de startups enfocadas en inferencia que desafían el dominio de NVIDIA.54
Añadir como fuente preferida¿Cuáles son los productores de hardware de IA próximos?
Aunque estas son soluciones de hardware de IA convincentes, actualmente hay benchmarks limitados sobre su efectividad ya que son nuevos en el mercado.
21. Apple
Se informa que el proyecto ACDC de Apple se centra en construir chips para inferencia de IA.55 Apple ya es un diseñador de chips importante con sus semiconductores diseñados internamente utilizados en iPhones, iPads y MacBooks.
22. Meta
El Acelerador de Entrenamiento e Inferencia de Meta (MTIA) es una familia de procesadores para cargas de trabajo de IA como el entrenamiento de 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.56
MTIA es actualmente para uso interno de Meta. Sin embargo, en el futuro, si Meta lanza 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 co-optimización de hardware y software. Construido en el proceso N5 de TSMC con tecnología avanzada de memoria e interconexión, Maia 100 apunta a alto rendimiento y formatos de datos diversos, ofreciendo flexibilidad a los desarrolladores a través de su SDK para un despliegue rápido de modelos PyTorch y Triton. Sin embargo, el chip de IA de próxima generación de Microsoft, con nombre en clave Braga, enfrenta retrasos de 2025 a 2026 debido a cambios de diseño, restricciones de personal y alta rotación, potencialmente quedando atrás del chip Blackwell de Nvidia en eficiencia energética.
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 equipo de chips de OpenAI tiene experiencia en el diseño de TPUs en Google, y esperan tener su chip producido en masa en 2026. 57
¿Qué otros productores de chips de IA hay?
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 Instituto Oxford-Man de Finanzas Cuantitativas, la Universidad de Bristol y la Universidad de California en Berkeley.
La viabilidad a largo plazo de la empresa estaba en riesgo ya que estaba perdiendo ~$200M por año.58 Graphcore fue adquirida por SoftBank por más de $600 millones en octubre de 2024.59
26. Mythic
Mythic fue fundada en 2012 y se centra en IA de borde. Mythic sigue un camino poco convencional, una arquitectura de computación analógica, que busca ofrecer computación de IA de borde eficiente en energía.
Ha desarrollado productos como M1076 AMP y MM1076 key card, y ya ha recaudado alrededor de $165 millones en financiamiento.60
Mythic despidió a la mayoría de su personal y reestructuró su negocio con su ronda de financiamiento en marzo de 2023.61
27. Speedata
Fundada en 2019 en Tel Aviv, Speedata desarrolla una Unidad de Procesamiento Analítico (APU) diseñada para acelerar análisis de big data y cargas de trabajo de IA. Es una APU que apunta a cargas de trabajo de Apache Spark, con planes para soportar otras plataformas principales de análisis de datos.
Speedata recaudó $44M en una ronda Serie B en junio de 2025, liderada por Walden Catalyst Ventures, 83North y otros, llevando su financiamiento total a $114M. La empresa afirma que su APU supera a los procesadores de propósito general y GPUs al reemplazar racks de servidores con un solo chip, ofreciendo un rendimiento y eficiencia energética superiores para el procesamiento de datos.62
28. Axelera AI
Fundada en julio de 2021 en Eindhoven, Países Bajos, Axelera AI se especializa en tecnología de aceleración de hardware de IA para visión por computadora e IA generativa. La empresa está desarrollando Titania, un chiplet de inferencia de IA basado en su arquitectura de Computación en Memoria Digital (D-IMC), diseñado para acelerar cargas de trabajo de IA desde el borde hasta la nube.
Axelera AI aseguró hasta €61.6 millones en financiamiento de la Empresa Conjunta EuroHPC (JU) y estados miembros bajo el Proyecto DARE en marzo de 2025, tras una ronda de financiamiento Serie B anterior de $68 millones. Esto lleva su financiamiento total a más de $200 millones en tres años. Axelera AI apunta a 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 en la nube tradicionales.63
Socios de fundición y el papel de TSMC
Como la fundición pura líder del mundo, TSMC fabrica semiconductores basados en diseños de clientes en lugar de crear sus propios chips, distinguiéndola de empresas como NVIDIA y AMD. Mientras que Samsung Foundry y Intel Foundry Services compiten en este espacio, TSMC mantiene una ventaja tecnológica.
Sus tecnologías de proceso avanzadas, particularmente sus nodos pioneros de 5nm y 3nm, proporcionan la combinación esencial de rendimiento y eficiencia energética requerida para aplicaciones de IA de vanguardia, como se muestra en sus asociaciones de fabricación con los diseñadores de chips de IA listados a continuación:
Planes de expansión
TSMC está buscando que Nvidia, AMD, Broadcom y Qualcomm inviertan en una empresa conjunta para operar la división de fundición de Intel, reteniendo el control operativo pero menos del 50% de propiedad. Esta iniciativa, respaldada por la administración Trump, llega después de que TSMC anunciara planes para una inversión significativa en EE. UU. y busca revivir a Intel y fortalecer la fabricación de chips en EE. UU. El acuerdo enfrenta desafíos debido a diferencias de proceso, pero se basa en las fortalezas de TSMC como una fundición líder.64 65
¿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 de productores locales.
Además de Huawei y Alibaba cubiertos anteriormente, estos son los principales productores de chips de IA en China:
- Cambricon se enfoca en hardware de IA y espera ~$150M en ventas en su último año de operaciones. 66
- Baidu está usando chips Kunlun en su nube y está diseñando el chip de 3ª generación. Kunlun 2 fue comparable a NVIDIA A100.
- Biren, fundada por ex empleados de NVIDIA, produce chips GPU BR106 & 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, nos enfocamos en diseñadores de chips como NVIDIA en este artículo.
La mayoría de los diseñadores de chips subcontratan la fabricación de chips a fundiciones como TSMC. Las fundiciones utilizan equipo de litografía producido 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, tamaño de conjunto de datos y computación llevó a los modelos de IA generativa a ser más precisos. Para construir mejores modelos de aprendizaje profundo e impulsar aplicaciones de IA generativa, las organizaciones requieren mayor poder de computación y ancho de banda de memoria.
Los chips de propósito general potentes (como CPUs) no pueden soportar modelos de aprendizaje profundo altamente paralelizados. Por lo tanto, los chips de IA (por ejemplo, GPUs) que habilitan capacidades de computación paralela están cada vez más en demanda.
Los hiperescaladores están respondiendo a esto diseñando sus propios chips, un proceso que toma 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 a los principales proveedores de chips de IA listados en este artículo.
El hardware de IA también se llama unidades de procesamiento neuronal (NPU), aceleradores de IA o procesadores de aprendizaje profundo (DLP).
Lectura adicional
Para comparaciones de rendimiento prácticas de los chips cubiertos en este artículo, consulte nuestros benchmarks:
- Benchmark de GPU múltiple: Cómo escalan B200, H200, H100 de NVIDIA y MI300X de AMD a través de configuraciones de 1, 2, 4 y 8 GPU para inferencia de LLM, con análisis de rendimiento, latencia y costo por token.
- Benchmark de concurrencia de GPU: Cómo manejan B200, H200, H100 de NVIDIA y MI300X de AMD de 1 a 512 solicitudes concurrentes, incluido el rendimiento del sistema, velocidad por consulta, latencia de extremo a extremo y 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 = {{Principales 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!