El lenguaje que usamos para la tecnología es a menudo engañoso, diseñado para domesticar, para domar. Nos dicen que Google tiene un nuevo «chip». Es una palabra reconfortante y familiar. Un chip es un pequeño e inanimado cuadrado de silicio, algo que puedes sostener en la mano.
Este superordenador tiene una estructura modular. Un único host físico contiene cuatro chips Ironwood, y un rack de estos hosts forma un «cubo» de 64 chips. Para escalar aún más, estos cubos se conectan mediante una red dinámica de conmutación de circuitos ópticos (OCS), que permite al sistema enlazar hasta 144 cubos en el «superpod» de 9.216 chips. Esta arquitectura a escala de pod no es solo por el tamaño; proporciona 42,5 ExaFLOPS de potencia de cálculo FP8 y acceso a 1,77 Petabytes de memoria compartida de gran ancho de banda.
Para entender lo que Google ha construido, primero hay que desechar la idea de un producto discreto e individual. La verdadera unidad de computación ya no es el procesador; es el propio centro de datos. Ironwood, la Unidad de Procesamiento Tensorial (TPU) de séptima generación de Google, existe como un «superpod», un único superordenador cohesivo que interconecta 9.216 de estos nuevos chips. Esta arquitectura colosal no se refrigera con simples ventiladores, sino con una «solución avanzada de refrigeración líquida» a escala industrial, un sistema circulatorio esencial para disipar el inmenso calor residual generado por su consumo de 10 megavatios.
Para ponerlo en contexto, 10 megavatios es el consumo aproximado de una ciudad pequeña o una gran fábrica industrial. Esta es la escala de «fuerza bruta» de la inteligencia artificial moderna. La IA no es una «nube» etérea y abstracta. Es una industria física y pesada que consume materias primas (en este caso, energía a escala planetaria) para producir un nuevo bien invisible: la inteligencia sintética. El pod Ironwood, con su configuración de 9.216 chips, es el nuevo motor de esta industria, un gigante refrigerado por líquido diseñado con un único propósito: pensar a una escala que, hasta ahora, era inimaginable.
Esto presenta de inmediato el conflicto central de la tecnología que define el siglo XXI. Este nivel de consumo de energía, escalado a toda una industria, es intrínsecamente insostenible. Este pod de 10 megavatios es una maravilla tecnológica, pero también es un profundo lastre medioambiental. El resto de la historia de la IA es un intento de lidiar con este hecho fundacional.
La Era de la Inferencia
Durante la última década, el principal desafío de la IA ha sido el «entrenamiento». Este es el proceso costoso y lento de enseñar a un modelo, alimentándolo con la totalidad de Internet para «aprender» lenguaje, lógica y razonamiento. Pero esa era está terminando. La nueva frontera es la «era de la inferencia»: el pensamiento constante, de gran volumen y en tiempo real que el modelo realiza después de haber sido entrenado.
Cada vez que una IA responde a una pregunta, genera una imagen o «recupera y genera datos de forma proactiva», está realizando una inferencia. Ironwood es, según admite la propia Google, su «primer acelerador diseñado específicamente para la inferencia». Esto señala un cambio crítico en el mercado. La batalla ya no es solo por construir los modelos más grandes, sino por ejecutar eficientemente la «inferencia de IA de alto volumen y baja latencia y el servicio de modelos» que impulsarán la próxima ola de «agentes de IA» como el propio Gemini de Google.
Aquí es donde se revela la verdadera estrategia de Google. Ironwood no es un producto para la venta; es un componente fundacional del «AI Hypercomputer» de Google. Esto no es solo hardware, sino un sistema verticalmente integrado donde el hardware (las TPU Ironwood y las nuevas CPU Axion basadas en Arm) está «co-diseñado» con una pila de software (stack) propietaria.
Este stack co-diseñado es el foso estratégico de Google. Aunque ofrece soporte «de serie» para marcos de trabajo de código abierto como PyTorch para atraer a los desarrolladores, el stack está verdaderamente optimizado para el ecosistema JAX de Google.
- El compilador XLA (Accelerated Linear Algebra) actúa como el traductor crucial, convirtiendo el código de alto nivel en instrucciones hipereficientes que se ejecutan directamente en el silicio de la TPU. Proporciona una optimización amplia y «de serie», traduciendo código de marcos como JAX y PyTorch en instrucciones hipereficientes para el silicio de la TPU.
- El nuevo «Cluster Director» para Google Kubernetes Engine (GKE) es el orquestador, una pieza de software que puede gestionar el superpod de 9.216 chips como una única unidad resiliente. Este software proporciona conciencia de la topología para una programación inteligente, simplificando la gestión de clústeres a escala masiva y permitiendo operaciones resilientes y de autorreparación que pueden sortear las interrupciones.
- Y el soporte nativo para vLLM maximiza el rendimiento de la inferencia, un componente crítico para servir modelos en la «era de la inferencia». Este soporte es crucial, ya que vLLM utiliza técnicas de gestión de memoria altamente eficientes para maximizar el rendimiento y permite a los equipos de desarrollo cambiar las cargas de trabajo entre GPU y TPU con cambios mínimos.
Durante la última década, el dominio de NVIDIA se ha construido no solo en sus GPU, sino en su plataforma de software propietaria CUDA, un «foso» en el que los desarrolladores están encerrados. El AI Hypercomputer de Google es un intento directo de construir un jardín amurallado rival. Al ofrecer un rendimiento por dólar superior solo a aquellos que se comprometen con su stack, Google se está posicionando para convertirse en el servicio fundamental de la economía de la IA. No vende los coches (como NVIDIA); su objetivo es vender la electricidad que los alimenta.
El Hacedor de Reyes y la Guerra Multi-Nube
La validación definitiva de esta estrategia llegó a finales de 2025. Anthropic, un laboratorio de IA líder y principal rival de OpenAI, anunció una expansión histórica de su asociación con Google, comprometiéndose a usar su infraestructura de TPU, incluido el nuevo Ironwood, a una escala asombrosa: «hasta un millón de TPUs».
No es una inversión casual. Es un acuerdo de «decenas de miles de millones de dólares» que proporcionará «más de un gigavatio de capacidad» para Anthropic en 2026. Este único acuerdo sirve como la justificación definitiva para la apuesta de una década y multimillonaria de Google por el silicio personalizado. La justificación declarada de Anthropic para este compromiso masivo fue el «precio-rendimiento y la eficiencia», una señal clara de que el stack verticalmente integrado y co-diseñado de Google puede ofrecer una alternativa económica convincente al dominio de NVIDIA.
Pero esta historia tiene un giro crítico, uno que revela la verdadera dinámica de poder de la industria de la IA. Anthropic no es exclusiva de Google. En su propio anuncio, Anthropic tuvo cuidado de señalar que Amazon Web Services (AWS) sigue siendo su «principal socio de entrenamiento y proveedor de nube». Esta asociación con AWS se basa en el «Proyecto Rainier», un clúster masivo que utiliza cientos de miles de los aceleradores Trainium2 de Amazon. La compañía está siguiendo un «enfoque diversificado», jugando estratégicamente con las TPU de Google, los chips Trainium de Amazon y las GPU de NVIDIA.
No se trata de indecisión, sino de un brillante acto de supervivencia. Datos filtrados revelan que los costes de computación de Anthropic solo en AWS consumían hasta el 88,9% de sus ingresos. La propia existencia de los laboratorios de IA depende de reducir este coste astronómico. Al forzar esta guerra de ofertas, los analistas estiman que Anthropic probablemente esté asegurando su computación (la parte más cara de su negocio) con un descuento masivo del 30-50%. Al asociarse públicamente con ambos, Google y Amazon, Anthropic se ha convertido en el «hacedor de reyes» (kingmaker). Está forzando a los gigantes de la nube a una guerra de pujas, aprovechando su estatus como laboratorio de IA «premio» para que los hiperescalares subvencionen eficazmente sus enormes facturas de computación.
Esta dinámica ha cambiado fundamentalmente el mercado. El ganador final no será el que tenga el chip más rápido, sino el que tenga la mejor relación entre computación, potencia y coste. El «rendimiento por vatio» ya no es un simple eslogan medioambiental; es el principal campo de batalla estratégico y económico de toda la industria.
Los Nuevos Titanes del Silicio: Una Oligarquía Incierta
El lanzamiento de Ironwood es un golpe directo a NVIDIA, pero el campo de batalla está abarrotado. La carrera armamentística de la IA se libra entre una nueva oligarquía de titanes del silicio, un pequeño puñado de corporaciones con el capital y la experiencia técnica para construir las «palas» de esta nueva fiebre del oro.
- El Rey Titular (NVIDIA): Las GPU de la generación Blackwell de NVIDIA, la B100 y B200, y su predecesora, la H100, siguen siendo el estándar de la industria. Su dominio está protegido por el profundo foso de software de CUDA, en el que están formados la mayoría de los investigadores y desarrolladores de IA.
- Los Aspirantes (Los Hiperescalares y AMD):
- Amazon (AWS): La operación de silicio personalizado más madura entre los proveedores de nube, AWS emplea una estrategia de doble chip: «Trainium» para el entrenamiento rentable e «Inferentia» para la inferencia de alta velocidad y bajo coste. Esta estrategia está unida por el AWS Neuron SDK, la capa de software diseñada para optimizar las cargas de trabajo de PyTorch y TensorFlow para su silicio personalizado.
- Microsoft (Azure): Para satisfacer las necesidades masivas de su socio clave, OpenAI, Microsoft ha desarrollado su propio acelerador «Maia 100», co-diseñándolo para las cargas de trabajo de ChatGPT y GPT-4. Uno de los procesadores más grandes construidos en el nodo de 5nm de TSMC, Maia 100 es un chip de 500W-700W que, al igual que sus rivales, está co-diseñado con su propio stack de software para portar modelos desde marcos como PyTorch.
- AMD: El rival tradicional de NVIDIA, AMD, compite directamente en rendimiento con su acelerador Instinct MI300X, que iguala a los chips de nueva generación en métricas clave como la capacidad de memoria (192 GB).
Esta carrera armamentística corporativa está impulsada por tres factores simples:
- Coste: Diseñar tu propio chip es la única forma de escapar de los márgenes de beneficio de NVIDIA (superiores al 70%) y sus precios premium.
- Suministro: Proporciona independencia estratégica frente a la escasez crónica de GPU de NVIDIA que ha estrangulado a toda la industria.
- Optimización: Permite el tipo de ventaja de «rendimiento por vatio» que busca Google: un chip perfectamente «co-diseñado» para su software específico y cargas de trabajo en la nube.
Los gigantes de la nube no necesitan matar a NVIDIA. Simplemente necesitan crear una alternativa interna viable que sea suficientemente buena. Esto comoditiza el mercado, da a los clientes una opción y obliga a NVIDIA a bajar sus precios, ahorrando a los hiperescalares miles de millones en sus propios gastos de capital.
La escala de esta consolidación es difícil de comprender. Los principales gigantes tecnológicos, incluidos Google, Meta, Amazon y Microsoft, prevén gastar hasta 375.000 millones de dólares en un solo año en la construcción de estos centros de datos y el hardware de IA para llenarlos. La barrera de entrada a este nuevo mercado es asombrosa. La revolución de la IA no la decidirá un algoritmo inteligente en un garaje; la decidirán las cinco corporaciones que pueden permitirse construir estos cerebros de 10 megavatios.
El Enfrentamiento de Aceleradores de IA de 2025
Google Ironwood (TPU v7): Tipo: ASIC. HBM Máx. (Memoria): 192 GB HBM3e. Ancho de Banda Mem. Máx.: 7,4 TB/s. Arquitectura Clave de Escalado: Superpod de 9.216 chips (9,6 Tb/s ICI). Caso de Uso Principal: Inferencia y Entrenamiento.
NVIDIA Blackwell B200: Tipo: GPU. HBM Máx. (Memoria): 192 GB HBM3e. Ancho de Banda Mem. Máx.: 8 TB/s. Arquitectura Clave de Escalado: NVLink 5 (1,8 TB/s). Caso de Uso Principal: Entrenamiento e Inferencia de Propósito General.
AMD Instinct MI300X: Tipo: GPU. HBM Máx. (Memoria): 192 GB HBM3. Ancho de Banda Mem. Máx.: 5,3 TB/s. Arquitectura Clave de Escalado: Anillo de 8 GPU. Caso de Uso Principal: Entrenamiento e Inferencia de Propósito General.
AWS Trainium / Inferentia 2: Tipo: ASIC. HBM Máx. (Memoria): (Trn) N/A / (Inf2) 32 GB HBM. Ancho de Banda Mem. Máx.: (Inf2) N/A. Arquitectura Clave de Escalado: AWS Neuron SDK / Clúster. Caso de Uso Principal: Dividido: Entrenamiento (Trn) / Inferencia (Inf).
Microsoft Maia 100: Tipo: ASIC. HBM Máx. (Memoria): 64 GB HBM2E. Ancho de Banda Mem. Máx.: N/A. Arquitectura Clave de Escalado: Red basada en Ethernet. Caso de Uso Principal: Entrenamiento e Inferencia Internos (OpenAI).
La Sombra de la Guerra de los Chips
La batalla corporativa entre Google, NVIDIA y Amazon se libra a la sombra de un conflicto mucho mayor y de mayores consecuencias: la «Guerra de los Chips» geopolítica entre Estados Unidos y China.
El mundo moderno al completo, desde nuestros smartphones hasta nuestros sistemas militares más avanzados, se construye sobre una cadena de suministro asombrosamente frágil. El «Escudo de Silicio» de Taiwán, sede de TSMC, produce «aproximadamente el 90% de los semiconductores más avanzados del mundo». Esta concentración de fabricación en el Estrecho de Taiwán, un «punto crítico geopolítico», es la mayor vulnerabilidad de la economía global.
En los últimos años, EE. UU. ha utilizado esta dependencia como un arma, implementando «controles de exportación exhaustivos» para «privar a China de… chips avanzados» en un intento de frenar su ascenso tecnológico y militar. En respuesta, China está «invirtiendo miles de millones en sus ambiciones de fabricación de chips», acelerando su «estrategia de fusión militar-civil» en una búsqueda desesperada de «autosuficiencia en semiconductores».
Esta búsqueda está personificada por empresas impulsadas por el estado como Huawei. Su trabajo en el desarrollo de chips de IA autóctonos, como el Ascend 910C, plantea un desafío directo al dominio de NVIDIA dentro de China. Esta integración vertical, combinada con la «estrategia de fusión militar-civil» de China, hace cada vez más difícil para las naciones aliadas de Occidente identificar con qué partes de la cadena de suministro china es seguro interactuar.
Esta inestabilidad global crea un riesgo existencial para las grandes tecnológicas. Un conflicto militar en Taiwán podría paralizar la industria de la IA de la noche a la mañana. La escasez crónica de GPU de NVIDIA es un inconveniente menor en comparación con un cataclismo en la cadena de suministro.
Visto desde esta óptica, Ironwood de Google es más que un producto competitivo; es un acto de «soberanía corporativa». Al diseñar su propio silicio personalizado, empresas como Google, Amazon y Microsoft «mitigan los riesgos de la cadena de suministro» y «reducen la dependencia de proveedores terceros». Poseen la propiedad intelectual. Ya no dependen de una sola empresa (NVIDIA) ni de una única región vulnerable (Taiwán). Pueden diversificar sus socios de fabricación, asegurando que su modelo de negocio sobreviva a un shock geopolítico.
La carrera armamentística corporativa y la geopolítica son ahora las dos caras de la misma moneda. Las inversiones masivas de Google y Amazon están, en efecto, implementando la política industrial de EE. UU. Están creando la columna vertebral industrial de una esfera tecnológica aliada de Occidente (la alianza «Chip 4») y estableciendo una «distancia tecnológica» que las soluciones autóctonas de China, como el Ascend 910C de Huawei, se apresuran a cerrar.
El Inaguantable Peso de la Computación
Esto nos devuelve al pod de 10 megavatios. La carrera armamentística de la IA, alimentada por la ambición corporativa y geopolítica, se enfrenta ahora a sus propios límites físicos. El precio medioambiental de la escala a «fuerza bruta» es asombroso.
El acuerdo de Anthropic por las TPU de Google es por «más de un gigavatio» de potencia. Eso es el equivalente a 100 pods de Ironwood funcionando simultáneamente, o la producción total de una central nuclear a gran escala, dedicada a una sola empresa. Y esa empresa es solo una de muchas.
La huella de carbono de un solo «pensamiento» se está volviendo alarmantemente clara.
- Entrenar un solo modelo de IA grande puede emitir más de 626.000 libras de CO2, «aproximadamente el equivalente a las emisiones de por vida de cinco coches estadounidenses».
- Una sola consulta a una IA como ChatGPT utiliza «unas 100 veces más energía que una búsqueda típica en Google».
- La huella energética total de la industria de la IA generativa está «creciendo exponencialmente» y ya es «equivalente a la de un país de bajos ingresos».
No es solo energía. Los centros de datos también están «devorando» un recurso más finito: el agua. Requieren «enormes cantidades de agua para refrigeración», ejerciendo una presión enorme sobre los recursos locales, a menudo en regiones que ya sufren escasez de agua. Las estimaciones de la industria sugieren que el centro de datos promedio ya utiliza 1,7 litros de agua por cada kilovatio-hora de energía consumida.
La industria, incluida Google, intenta desviar esta crisis presumiendo de ganancias de «eficiencia». Google afirma que Ironwood es «casi 30 veces más eficiente energéticamente que nuestra primera Cloud TPU de 2018». Esto, sin embargo, es una pista falsa. Es un claro ejemplo de la Paradoja de Jevons: las ganancias de eficiencia tecnológica, cuando se aplican a un recurso deseable, no disminuyen el consumo. Lo aumentan al hacer que ese recurso sea más barato y accesible.
La eficiencia de Ironwood no resuelve el problema medioambiental; lo acelera. Hace que sea económica y técnicamente viable construir modelos aún más grandes y manejar aún más consultas, impulsando el consumo total de energía cada vez más alto. La carrera de la industria por «priorizar la velocidad sobre la seguridad y la ética» —una prisa que ha llevado a fracasos documentados como los propios resultados sesgados de Gemini de Google— está creando una crisis ética a escala planetaria, con el daño medioambiental como una externalidad masiva fuera de balance.
Esta crisis ética se deriva del potencial de los sistemas de IA para incrustar y amplificar sesgos humanos, amenazar los derechos humanos y manipular la opinión pública a través de la desinformación. La Oficina de Responsabilidad del Gobierno de EE. UU. ha señalado que, incluso con monitorización, estos sistemas, cuando se lanzan al mercado apresuradamente, siguen siendo susceptibles a ataques que generan contenido objetivamente incorrecto o sesgado. Esta dinámica de «carrera armamentística», donde los objetivos corporativos de despliegue rápido anulan los protocolos de seguridad, crea una tensión fundamental entre innovación y responsabilidad.
Coda: El Suncatcher en el Cielo
Los ingenieros de Google no están ciegos a esta paradoja. Ven los gráficos de consumo de energía. Entienden que la escala a «fuerza bruta» de la IA tiene un techo terrestre. Su solución propuesta es la metáfora perfecta y surrealista de toda la industria.
Se trata de un «proyecto de investigación a largo plazo» (moonshot) llamado «Proyecto Suncatcher».
El plan es lanzar centros de datos de IA al espacio. Estas «constelaciones compactas de satélites alimentados por energía solar», equipadas con las TPU de Google y conectadas por «enlaces ópticos de espacio libre», se colocarían en una «órbita terrestre baja heliosíncrona amanecer-anochecer». Allí, recibirían «luz solar casi continua», resolviendo el problema de la energía, mientras que el vacío del espacio ofrecería una solución para la refrigeración sin agua.
Esto no es fantasía. Google ya ha probado sus TPU de generación Trillium en un acelerador de partículas para simular la radiación de la órbita terrestre baja, y los chips «sobrevivieron sin daños». Se planea un lanzamiento de prototipo en asociación con Planet Labs para principios de 2027.
El Proyecto Suncatcher es una admisión tácita de fracaso terrestre. Es una confesión de que el camino elegido por la industria —el camino impulsado por cerebros de 10 megavatios como Ironwood— es insostenible en el planeta Tierra. El objetivo del proyecto, en palabras de Google, es «minimizar el impacto en los recursos terrestres» porque la «carga medioambiental» de su propia hoja de ruta se está volviendo demasiado alta para soportarla.
Esta es la máxima expresión de lo sublime tecnológico. La carrera armamentística de la IA, en su búsqueda de una inteligencia divina, está creando un futuro en el que el coste computacional de nuestra propia curiosidad es tan grande que debemos, literalmente, escapar de nuestro propio planeta para sostenerlo. El chip Ironwood es el motor. El Hiperordenador es la fábrica. La Guerra de los Chips es la sombra. Y el Proyecto Suncatcher es la vía de escape: un salto desesperado, brillante y aterradoramente lógico hacia el vacío.
Esta lógica, sin embargo, no está exenta de sus propios y profundos desafíos técnicos y económicos. Los escépticos se apresuran a señalar que el espacio no es una solución mágica para la refrigeración; es el «mejor aislante térmico que existe». Un centro de datos espacial no se enfriaría pasivamente, sino que requeriría radiadores masivos y complejos de tamaño comparable a sus paneles solares. Estos sistemas también tendrían que lidiar con el coste extremo del mantenimiento y el bombardeo constante de radiación que arruina los procesadores, obstáculos que hacen de esta «vía de escape» una apuesta de proporciones verdaderamente astronómicas.
