Los 15 principales fabricantes de chips de IA en el borde con casos de uso

La demanda de procesamiento de baja latencia ha impulsado la innovación en chips de IA en el borde. Estos procesadores están diseñados para realizar cálculos de IA localmente en los dispositivos, en lugar de depender de soluciones basadas en la nube.

Basándonos en nuestra experiencia analizando a los fabricantes de chips de IA, identificamos las soluciones líderes para robótica, IoT industrial y sistemas integrados.

*TOPS = tera operaciones por segundo. Estos son los valores máximos indicados por los fabricantes.
**El rendimiento del Kria K26 varía según la configuración de la FPGA.

Análisis de los chips de IA en el borde

1. NVIDIA Jetson AGX Orin

NVIDIA Jetson AGX Orin ofrece 275 TOPS, lo que lo posiciona como el módulo de IA en el borde de mayor rendimiento disponible actualmente. El módulo está construido sobre la arquitectura Ampere de NVIDIA y está diseñado para robótica y sistemas autónomos que requieren una capacidad significativa de procesamiento en el dispositivo.

Especificaciones clave:

• Consumo energético: 10-60W (configurable según la carga de trabajo)
• Memoria: hasta 64 GB LPDDR5
• Software: soporte CUDA completo, compatibilidad con la pila de IA del centro de datos de NVIDIA

El rango de consumo energético de 10-60W ofrece flexibilidad para diferentes escenarios de implementación. Los modos de menor consumo pueden prolongar la duración de la batería en aplicaciones de robótica móvil, mientras que el modo de máximo rendimiento admite múltiples cargas de trabajo de IA simultáneas.

El ecosistema de software de NVIDIA representa una ventaja significativa. Los models desarrollados para las GPUs de centros de datos de NVIDIA se pueden implementar en Jetson con una modificación mínima. Esta compatibilidad reduce el tiempo de desarrollo para los equipos que trabajan dentro del ecosistema de NVIDIA.

2. Axelera Metis IA Platform

La plataforma Metis IA de Axelera ofrece hasta 214 TOPS para cargas de trabajo de inference de visión de alto rendimiento. La plataforma utiliza la arquitectura de computación digital en memoria (D-IMC) para mejorar el rendimiento y la eficiencia.

Especificaciones clave:

• Rendimiento: hasta 214 TOPS
• Consumo energético: 20-40W
• Arquitectura: computación digital en memoria (D-IMC)
• Objetivo: inference de visión por computadora

La arquitectura D-IMC realiza los cálculos directamente dentro de las matrices de memoria, lo que reduce el movimiento de datos entre la memoria y las unidades de procesamiento. Este enfoque aborda el cuello de botella del ancho de banda de memoria que limita el rendimiento en las arquitecturas tradicionales.

Axelera se dirige a aplicaciones que requieren el procesamiento simultáneo de múltiples flujos de video. El alto rendimiento permite el análisis en tiempo real de decenas de transmisiones de cámara desde un solo dispositivo.

Casos de uso:

• Sistemas de vigilancia con múltiples cámaras
• Infraestructura de ciudades inteligentes
• Analítica minorista con implementaciones densas de cámaras
• Sistemas de inspección de calidad industrial

Axelera recibió 61,6 millones de euros en financiación de la Empresa Común EuroHPC en marzo de 2025, lo que respalda el desarrollo de su chiplet Titania para su implementación en 2028.

3. Renesas RZ/V2H

Renesas RZ/V2H ofrece hasta 80 TOPS mediante computación dispersa, u 8 TOPS en INT8, dirigido a robótica y automatización de fábricas que combinan IA de visión con control en tiempo real en un solo chip. El MPU integra el acelerador DRP-AI3 de tercera generación junto con núcleos de procesador de aplicación y de tiempo real.

Especificaciones clave:

• Rendimiento: hasta 80 TOPS (disperso) u 8 TOPS (INT8)
• Eficiencia energética: 10 TOPS/W
• Acelerador de IA: DRP-AI3 (procesador dinámicamente reconfigurable para IA)
• CPU: Quad-core Cortex-A55 a 1,8 GHz, dual-core Cortex-R8 a 800 MHz y un Cortex-M33
• Interfaces: PCIe Gen3, USB 3.2, Gigabit Ethernet

El DRP-AI3 utiliza cuantización INT8 y poda no estructurada asistida por hardware para alcanzar su rendimiento nominal, lo que permite al chip ejecutar el reconocimiento de objetos sin disipador de calor. Un procesador dinámicamente reconfigurable independiente se encarga del procesamiento de imágenes, como las operaciones de OpenCV, descargando ese trabajo de los núcleos de CPU.

La combinación de núcleos de aplicación y núcleos de tiempo real permite que el RZ/V2H procese los resultados del reconocimiento de imágenes y los aplique al control mecánico en el mismo dispositivo. Esto se adapta a aplicaciones en las que la inference de visión y el control de movimiento se ejecutan juntos.

Casos de uso:

• Robots de servicio que requieren control en tiempo real
• Robots móviles autónomos
• Drones industriales
• Automatización de fábricas y visión artificial

4. NVIDIA Jetson Orin Nano Super

NVIDIA Jetson Orin Nano Super ofrece 67 TOPS con operaciones dispersas o 33 TOPS con operaciones densas, lo que lo sitúa por debajo del Jetson AGX Orin como un punto de entrada de menor coste a la misma pila de software.

Especificaciones clave:

• Rendimiento: 67 TOPS (disperso) o 33 TOPS (denso INT8)
• Consumo energético: 7-25W (configurable según la carga de trabajo)
• GPU: arquitectura Ampere con 1.024 núcleos CUDA y 32 núcleos Tensor
• CPU: Arm Cortex-A78AE de 6 núcleos a 1,7 GHz
• Memoria: 8 GB LPDDR5 con 102 GB/s de ancho de banda
• Software: soporte CUDA completo, NVIDIA JetPack SDK

La cifra de 67 TOPS representa un aumento de 1,7 veces con respecto al anterior Jetson Orin Nano, logrado mediante un modo de energía que eleva las frecuencias de la GPU, la CPU y la memoria. Los propietarios actuales de Orin Nano pueden aplicar el aumento mediante una actualización de software en lugar de comprar hardware nuevo.

El ancho de banda de memoria y la compatibilidad de software permiten que el módulo ejecute models de lenguaje pequeños, transformadores de visión y models de visión-lenguaje en el dispositivo. Los models desarrollados para otras plataformas Jetson y de NVIDIA se transfieren con modificaciones mínimas, lo que reduce el tiempo de desarrollo para los equipos que utilizan el ecosistema de NVIDIA.

Casos de uso:

• Navegación y percepción robótica
• Prototipos de IA de visión
• Models de lenguaje y visión-lenguaje en el dispositivo
• Educación e investigación

5. EdgeCortix SAKURA

EdgeCortix SAKURA ofrece 60 TOPS con un consumo energético inferior a 10W, dirigido a servidores de IA en el borde y aplicaciones de visión de alto rendimiento. La plataforma cuenta con una arquitectura reconfigurable que se adapta a diferentes cargas de trabajo de IA.

Especificaciones clave:

• Rendimiento: 60 TOPS
• Consumo energético: <10W
• Arquitectura: Dynamic Neural Accelerator (DNA)
• Software: compilador MERA compatible con TensorFlow, PyTorch y ONNX

La arquitectura reconfigurable de la plataforma SAKURA permite la optimización para diferentes topologías de redes neuronales sin cambios de hardware. Esta flexibilidad permite implementar arquitecturas de models emergentes sin necesidad de reemplazar chips.

Casos de uso:

• Centros de datos perimetrales
• Sistemas distribuidos de inference de IA
• Escenarios de implementación de múltiples models
• Cargas de trabajo de IA de visión que requieren flexibilidad

6. SiMa.ai MLSoC

El MLSoC (sistema en chip de aprendizaje automático) de SiMa.ai ofrece más de 50 TOPS mientras mantiene un consumo energético inferior a 5 W. El chip está dirigido a aplicaciones de visión integrada que requieren un alto rendimiento en entornos con restricciones de energía.

Especificaciones clave:

• Rendimiento: más de 50 TOPS
• Consumo energético: <5W
• Software: SiMa Platform SDK
• Arquitectura: optimizada para transformadores de visión y CNN

SiMa.ai diseñó el MLSoC específicamente para cargas de trabajo de visión por computadora. La envolvente de consumo inferior a 5 W permite su implementación en dispositivos alimentados por batería que requieren una inference sostenida de alto rendimiento.

Casos de uso:

• Robots móviles autónomos
• Sistemas de inspección basados en drones
• Cámaras inteligentes para vigilancia y analítica
• Dispositivos de realidad aumentada

7. Hailo-10H

Hailo-10H ofrece 40 TOPS en INT4, o 20 TOPS en INT8, con un consumo típico de 2,5 W, ampliando el hardware centrado en visión de Hailo a cargas de trabajo de IA generativa. El acelerador utiliza la arquitectura de núcleo neuronal de segunda generación de la compañía en un factor de forma de módulo M.2.

Especificaciones clave:

• Rendimiento: 40 TOPS (INT4) o 20 TOPS (INT8)
• Consumo energético: 2,5 W típico
• Factor de forma: módulo M.2
• Memoria: LPDDR4/4X en el módulo
• Software: compatible con TensorFlow, PyTorch, ONNX y Keras

Una interfaz DDR directa, de la que carece el Hailo-8, permite que el Hailo-10H cargue models más grandes para la inference de lenguaje y visión-lenguaje. Hailo informa de que el chip ejecuta models de 2 mil millones de parámetros a unos 10 tokens por segundo, genera imágenes con Stable Diffusion 2.1 en menos de cinco segundos y ejecuta la detección de objetos en una transmisión de vídeo 4K para tareas de visión convencionales. Estas cifras son indicadas por el fabricante y no se miden de forma independiente.¹

El Hailo-10H está cualificado para el Grado 2 de AEC-Q100 para uso en automoción, con la producción de vehículos prevista para 2026. Estuvo disponible para pedidos a mediados de 2025 como módulos M.2 independientes.

Casos de uso:

• pipelines híbridas que combinan visión e IA generativa
• Models de lenguaje grandes y de visión-lenguaje en el dispositivo
• Cámaras inteligentes con comprensión de escenas
• Infoentretenimiento en el vehículo y monitorización del conductor

8. Acelerador de IA Hailo-8

Hailo-8 ofrece 26 TOPS con un consumo de 2,5-3 W, lo que representa una de las mayores relaciones rendimiento por vatio entre los chips de IA en el borde.

Especificaciones clave:

• Rendimiento: 26 TOPS
• Consumo energético: 2,5-3W
• Factores de forma: módulo M.2, tarjeta PCIe
• Software: Hailo SDK con colección de models

El chip admite capas de redes neuronales estándar y puede ejecutar models desarrollados en TensorFlow, PyTorch y ONNX. Compilador de Hailo.

9. Ambarella CV5

El sistema en chip CV5 de Ambarella ofrece más de 20 TOPS optimizados específicamente para visión por computadora en aplicaciones automotrices y de cámaras. El chip combina procesamiento de IA con capacidades avanzadas de procesamiento de señales de imagen (ISP).

Especificaciones clave:

• Rendimiento: más de 20 TOPS
• Consumo energético: 2,5-5W
• Arquitectura: motor de IA CVflow
• Integrado: codificación de vídeo 4K/8K, ISP avanzado

El ISP integrado del CV5 se encarga del preprocesamiento complejo de imágenes, lo que reduce la carga computacional del motor de IA. Esta integración mejora la eficiencia general del sistema para aplicaciones basadas en visión.

Casos de uso:

• Cámaras para ADAS y conducción autónoma
• Sistemas de vigilancia profesionales
• Dashcams con IA
• Sistemas de imagen para drones

10. Qualcomm Robotics RB5 Plataforma

La plataforma Robotics RB5 de Qualcomm integra conectividad 5G con procesamiento de IA en el borde y ofrece aproximadamente 15 TOPS a través de su Qualcomm IA Engine. La plataforma está dirigida a robots autónomos y drones que requieren tanto conectividad de gran ancho de banda como procesamiento de IA en el dispositivo.

Especificaciones clave:

• Rendimiento de IA: 15 TOPS
• Conectividad: 5G, Wi-Fi 6, Bluetooth 5.1
• Procesamiento: Qualcomm Kryo 585 CPU, Adreno 650 GPU, Hexagon 698 DSP
• Consumo energético: 5-15W

La integración de 5G ofrece conectividad de gran ancho de banda y baja latencia para aplicaciones que requieren comunicación en tiempo real con la nube.

La plataforma RB5 admite hasta 7 entradas de cámara simultáneas. Esta capacidad multicámara permite sistemas de percepción de 360 grados para robots móviles autónomos.

Casos de uso:

• Robots de reparto autónomos
• Drones de inspección industrial
• Sistemas de automatización de almacenes
• Vehículos conectados

11. Kneron KL730

El SoC de IA KL730 de Kneron ofrece 7 TOPS con un consumo de energía ultrabajo, dirigido a aplicaciones de IoT y hogar inteligente. El chip prioriza el procesamiento en el borde para aplicaciones sensibles a la privacidad.

Especificaciones clave:

• Rendimiento: 7 TOPS
• Consumo energético: 0,5-2W
• Arquitectura: NPU de Kneron con ARM Cortex-M4
• Software: Kneron PLUS SDK

El bajo consumo del KL730 permite el procesamiento de IA siempre activo en dispositivos alimentados por batería. El chip admite reconocimiento facial, detección de objetos y reconocimiento de gestos con un consumo mínimo de energía.

Casos de uso:

• Timbres inteligentes y cámaras de seguridad
• Concentradores de hogar inteligente
• Dispositivos portátiles
• Sensores IoT con capacidades de IA

12. Rockchip RK3588 SoC

El RK3588 es un SoC de 8 núcleos que incorpora una unidad de procesamiento neuronal de 6 TOPS. El chip está dirigido a computadoras de placa única y dispositivos perimetrales que requieren un rendimiento de IA moderado junto con capacidades de computación de propósito general.

Especificaciones clave:

• CPU: Quad-core Cortex-A76 + Quad-core Cortex-A55
• NPU: 6 TOPS
• GPU: Mali-G610 MP4
• Consumo energético: 8-15W
• Memoria: soporte para hasta 32 GB LPDDR4/5

La NPU de 6 TOPS gestiona la inference de redes neuronales para tareas de visión por computadora, procesamiento de lenguaje natural y procesamiento de audio.

Casos de uso:

• Señalización digital con reconocimiento de contenido
• Pasarelas perimetrales con preprocesamiento de IA
• Concentradores de hogar inteligente
• Paneles HMI industriales

Las capacidades de computación de propósito general del RK3588 lo hacen adecuado para aplicaciones en las que la inference de IA es un componente de un sistema más amplio. Las organizaciones que crean dispositivos perimetrales que combinan IA con servidores web, bases de datos u otros servicios de software han adoptado este SoC.

13. NXP i.MX 8M Plus

El iMX 8M Plus de NXP cuenta con una unidad de procesamiento neuronal de 2,3 TOPS, diseñada específicamente para aplicaciones de IoT industrial. El procesador prioriza la fiabilidad, la seguridad y la disponibilidad a largo plazo por encima del máximo rendimiento.

Especificaciones clave:

• NPU: 2,3 TOPS
• CPU: Quad-core Cortex-A53, núcleo de tiempo real Cortex-M7
• Consumo energético: 3-8W
• Seguridad: enclave seguro EdgeLock

La inclusión de un núcleo de tiempo real Cortex-M7 permite un procesamiento determinista para bucles de control críticos en el tiempo. Esta arquitectura admite aplicaciones que combinan la toma de decisiones basada en IA con el control en tiempo real, como robots industriales y equipos de fabricación automatizados.

Las funciones de seguridad EdgeLock de NXP proporcionan arranque seguro basado en hardware, almacenamiento cifrado y gestión segura de claves.

Casos de uso:

• Automatización industrial
• Dispositivos médicos
• Automatización de edificios
• Agricultura inteligente

14. Renesas RZ/V2L

Renesas RZ/V2L ofrece 1,0 TOPS optimizados para aplicaciones de visión industrial con un consumo de energía extremadamente bajo. El chip está dirigido a la automatización de fábricas y a los sistemas de inspección de calidad.

Especificaciones clave:

• Rendimiento: 1,0 TOPS
• Consumo energético: 1,5-3W
• Arquitectura: DRP-IA (procesador dinámicamente reconfigurable para IA)
• CPU: Dual-core Cortex-A55

La arquitectura DRP-IA proporciona flexibilidad para diferentes algoritmos de visión y mantiene un bajo consumo de energía. Este diseño se adapta a entornos industriales que requieren fiabilidad a largo plazo y un rendimiento determinista.

Casos de uso:

• Inspección de calidad en fábrica
• Cámaras industriales
• Sistemas de monitorización de procesos
• Sistemas de clasificación automatizados

15. AMD Xilinx Kria K26 SOM

El módulo de sistema Kria K26 combina un MPSoC Zynq UltraScale+ con tejido FPGA, lo que permite soluciones de IA en el borde adaptables. La arquitectura FPGA permite personalizar el pipeline de procesamiento para cargas de trabajo específicas de visión por computadora y de sensor-fusion.

Especificaciones clave:

• Procesamiento: Quad-core Arm Cortex-A53, dual-core Arm Cortex-R5F
• FPGA: lógica programable UltraScale+
• Consumo energético: 5-15W
• Memoria: 4 GB DDR4

AMD ofrece aplicaciones de IA de visión predefinidas a través del kit de inicio Kria KV260 Vision IA. Estas aplicaciones incluyen implementaciones de cámaras inteligentes con capacidades de detección, clasificación y seguimiento de objetos.

Ventajas:

• Pipeline de procesamiento personalizable
• Interfaces de sensores de baja latencia
• Adaptable a nuevas arquitecturas de models de IA

Limitaciones:

• Requiere experiencia en desarrollo FPGA para implementaciones personalizadas
• El rendimiento depende de la configuración de la FPGA
• Mayor complejidad de desarrollo en comparación con los aceleradores de función fija

Análisis de rendimiento frente a consumo energético

Los chips de IA en el borde se enfrentan a un equilibrio entre rendimiento y consumo energético.

Alto rendimiento (>50 TOPS):

• NVIDIA Jetson AGX Orin (275 TOPS, 10-60W)
• Axelera Metis (214 TOPS, 20-40W)
• EdgeCortix SAKURA (60 TOPS, <10W)
• SiMa.ai MLSoC (50+ TOPS, <5W)

Estas soluciones están dirigidas a aplicaciones en las que el rendimiento de IA es el requisito principal. Los casos de uso incluyen vehículos autónomos, robótica industrial y sistemas de analítica de vídeo con múltiples cámaras.

Rendimiento equilibrado (15-30 TOPS):

• Hailo-8 (26 TOPS, 2,5-3W)
• Ambarella CV5 (20+ TOPS, 2,5-5W)
• Qualcomm RB5 (15 TOPS, 5-15W)

Las soluciones equilibradas optimizan la relación rendimiento por vatio. Estos chips son adecuados para aplicaciones en las que tanto el rendimiento como el consumo energético están restringidos, como robots alimentados por batería y cámaras inteligentes.

Bajo consumo (<10 TOPS):

• Kneron KL730 (7 TOPS, 0,5-2W)
• Rockchip RK3588 (6 TOPS, 8-15W)
• Intel Movidius Myriad X (4 TOPS, 5W)
• Google Edge TPU (4 TOPS, 2W)
• NXP i.MX 8M Plus (2,3 TOPS, 3-8W)
• Renesas RZ/V2L (1,0 TOPS, 1,5-3W)

Las soluciones de bajo consumo priorizan la eficiencia energética sobre el rendimiento bruto. Los dispositivos IoT, las cámaras alimentadas por batería y los sistemas integrados con presupuestos térmicos limitados suelen utilizar estos chips.

La selección del hardware adecuado depende de:

1. Rendimiento de inference requerido (fotogramas por segundo, inference por segundo)
2. Presupuesto energético (requisitos de duración de la batería, restricciones térmicas)
3. Requisitos de latencia (procesamiento en tiempo real frente a casi en tiempo real)
4. Complejidad del model (número de parámetros, operaciones por inference)

Ecosistema de software

El soporte de software tiene un impacto significativo en el rendimiento práctico y el tiempo de desarrollo de las implementaciones de IA en el borde.

NVIDIA Jetson admite todo el ecosistema CUDA. Los models desarrollados para las GPUs de centros de datos de NVIDIA se pueden implementar con una modificación mínima. Esta compatibilidad reduce el tiempo de desarrollo para los equipos que utilizan hardware de NVIDIA.

Google Edge TPU requiere models de TensorFlow Lite con cuantización int8. Si bien esta limitación garantiza un rendimiento óptimo en la TPU, requiere pasos de conversión y validación del model. Las organizaciones que no utilizan TensorFlow pueden enfrentarse a un trabajo de desarrollo adicional.

Intel Movidius se integra con el kit de herramientas OpenVINO, que admite múltiples frameworks de models. Las capacidades de optimización del kit pueden mejorar significativamente el rendimiento de la inference, pero requieren aprender herramientas específicas de Intel.

AMD Xilinx Kria exige experiencia en desarrollo FPGA para implementaciones personalizadas. Si bien las pilas de IA de visión predefinidas reducen este requisito, las organizaciones que buscan pipelines de procesamiento personalizados necesitan habilidades especializadas.

Qualcomm, Hailo y otros fabricantes ofrecen sus propios SDK y compiladores de models. Los equipos de desarrollo deben evaluar estas herramientas durante el proceso de selección para comprender el esfuerzo necesario para la implementación y optimización de models.

Opciones de factor de forma

Los chips de IA en el borde están disponibles en múltiples factores de forma para abordar diferentes requisitos de integración:

Módulo de sistema (SoM):

• NVIDIA Jetson AGX Orin
• AMD Xilinx Kria K26
• Qualcomm RB5

El SoM proporciona un módulo de computación completo que se puede integrar en placas portadoras personalizadas. Este enfoque reduce la complejidad del diseño de hardware y permite personalizar las interfaces de E/S.

Tarjetas M.2 y PCIe:

• Hailo-8
• Google Coral
• Intel Movidius (mediante adaptador M.2)

Los factores de forma M.2 y PCIe permiten añadir aceleración de IA a los sistemas existentes. Este enfoque es adecuado para aplicaciones que actualizan plataformas de hardware existentes con capacidades de IA.

Aceleradores USB:

• Google Coral USB Accelerator
• Intel Neural Compute Stick 2

Los aceleradores USB ofrecen la ruta de integración más sencilla. Estos dispositivos son adecuados para la creación de prototipos, el desarrollo y aplicaciones en las que el sistema host dispone de puertos USB disponibles y ancho de banda suficiente.

SoC integrado:

• Rockchip RK3588
• NXP i.MX 8M Plus
• Ambarella CV5
• Kneron KL730
• Renesas RZ/V2L

Los SoC integrados combinan CPU, GPU y NPU en un solo chip. Esta integración reduce la complejidad y el coste de la placa para productos diseñados en torno al SoC específico.

Recomendaciones específicas por aplicación

Robótica y sistemas autónomos: NVIDIA Jetson AGX Orin o Qualcomm RB5 ofrecen el rendimiento necesario para la navegación en tiempo real, la detección de objetos y la planificación de rutas. La elección depende de si la conectividad 5G es un requisito.

IoT industrial y automatización de fábricas: NXP i.MX 8M Plus o AMD Xilinx Kria K26 abordan los requisitos de seguridad y procesamiento en tiempo real habituales en aplicaciones industriales. La plataforma Kria se adapta a aplicaciones que requieren interfaces de sensores personalizadas o latencia determinista.

Cámaras inteligentes y analítica de vídeo: Hailo-8 o Axelera Metis ofrecen la relación rendimiento por vatio necesaria para el procesamiento de vídeo siempre activo. Hailo-8 se adapta a implementaciones de una o pocas cámaras, mientras que Axelera Metis está dirigido a sistemas con múltiples cámaras.

Dispositivos IoT alimentados por batería: Google Edge TPU ofrece el menor consumo de energía para aplicaciones en las que la duración de la batería es la principal limitación. El consumo de 2 W permite un funcionamiento prolongado con baterías pequeñas.

Drones y dispositivos de realidad aumentada: Intel Movidius Myriad X o SiMa.ai MLSoC equilibran el rendimiento con el consumo de energía para dispositivos aéreos y vestibles. Las restricciones de peso y térmicas de estas aplicaciones favorecen soluciones eficientes.

Aplicaciones de automoción: Ambarella CV5 o las plataformas de Qualcomm ofrecen las certificaciones de grado automotriz y el rendimiento necesarios para aplicaciones de ADAS y conducción autónoma.

Desarrollo y creación de prototipos: Intel Neural Compute Stick 2 o Google Coral USB Accelerator permiten una evaluación rápida de las capacidades de IA en el borde sin modificaciones de hardware. Estos dispositivos USB son adecuados para proyectos de prueba de concepto y desarrollo de algoritmos.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Preguntas frecuentes

Lecturas adicionales

• Los 30 principales proveedores de GPU en la nube y sus GPUs
• GPU Software para IA: CUDA frente a ROCm
• Los más de 20 principales fabricantes de chips de IA: NVIDIA y sus competidores
• Benchmark multi-GPU: B200 frente a H200 frente a H100 frente a MI300X

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  = {{Los 15 principales fabricantes de chips de IA en el borde con casos de uso}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/edge-ai-chips}},
  note   = {AIMultiple. Recuperado el 4 de junio de 2026}
}

Registro de cambios

2 actualizaciones

2026

1. 4 de jun

   Se sustituyeron GrAI Matter, Google Coral e Intel Neural Compute Stick 2 por Renesas RZ/V2H, Jetson Orin Nano Super y Hailo-10H.

2. 22 de ene

   Se reemplazó la Google Coral Dev Board por la Axelera Metis AI Platform en la lista de fabricantes de chips de IA de borde.

Enlaces de referencia

1.

Edge AI for Consumer Enterprise & Automotive Devices | Hailo AI

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017.

El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]

A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario