Las unidades de procesamiento tensorial de Google ahora se ejecutan dentro de los centros de datos de Meta, según un informe de Tom's Hardware publicado el 22 de octubre de 2026: la primera vez que Google vende sus chips de IA personalizados a un cliente externo como hardware implementado en lugar de a través de su propia nube. La medida marca un cambio histórico en el mercado de hardware de IA, donde las GPU de Nvidia han sido durante mucho tiempo la opción predeterminada para entrenar y dar servicio a modelos grandes.

Durante años, la industria ha supuesto que el ecosistema de software CUDA de Nvidia hacía que sus GPU fueran irremplazables, incluso cuando surgieron alternativas. Esa suposición ahora está siendo puesta a prueba por las dos empresas mejor posicionadas para romperla. El acuerdo, que se suma al enorme gasto en infraestructura de IA de Meta este trimestre, muestra cuán seriamente los hiperescaladores están buscando la independencia informática, una historia que puede seguir con más profundidad con los últimos desarrollos de IA cubiertos diariamente en nuestra página de inicio en aibuzzwire.news.

Del TorchTPU al acero y al silicio

Las bases para este momento se sentaron públicamente apenas dos días antes. El 20 de octubre, Google y Meta abrieron conjuntamente TorchTPU, un backend nativo de PyTorch para las TPU de Google, anunciado en el blog oficial de PyTorch por el equipo de TorchTPU. El proyecto comenzó en Google a mediados de 2025 en colaboración con el equipo PyTorch de Meta, y hace algo que ningún esfuerzo anterior había logrado de manera limpia: permite que las cargas de trabajo de PyTorch existentes se ejecuten en TPU con un cambio de código trivial, esencialmente intercambiando `.to("cuda")` por `.to("tpu")`.

Esto es importante porque el intento anterior de Google, PyTorch/XLA, lanzado en 2020, requirió modificaciones intrusivas del código fuente, sufrió largos tiempos de compilación y careció de soporte para el modo de ejecución entusiasta nativo de PyTorch. Muchos equipos que experimentaron con TPU terminaron regresando a las GPU de Nvidia simplemente porque la experiencia del desarrollador fue demasiado dolorosa. TorchTPU se diseñó explícitamente para solucionar este problema, sin dependencias de JAX en el tiempo de ejecución y con la integración de torch.compile basada en Torch Dynamo en lugar del antiguo enfoque Lazy Tensor.

Lo que Meta obtiene del trato

Son notables los resultados técnicos que Google y Meta han hecho públicos. Según los detalles informados por Yahoo Tech, la pila TorchTPU se ha validado con 5.000 modelos de Hugging Face, y el modo de ejecución DeferAndFuse de Google ofrece ganancias de rendimiento del 50 por ciento o más con respecto a la ejecución estricta y entusiasta. Los estudios de casos de proveedores muestran que el modelo Llama 3 405B de Meta alcanza el 57 por ciento de utilización de FLOP del modelo en grupos de 128 a 1024 TPU Ironwood: cifras que, si bien son autoinformadas, indican que los chips pueden ejecutar cargas de trabajo de capacitación a escala de frontera de manera competente.

La economía es la historia más importante. Durante mucho tiempo se ha rumoreado que las TPU cuestan significativamente menos que las GPU de Nvidia de gama alta, y una empresa con el apetito informático de Meta (que cubre tanto sus ambiciones de investigación de IA como sus sistemas de recomendación) tiene todos los incentivos para diversificarse y alejarse de un solo proveedor. Bloomberg informó ya en noviembre de 2025 que Meta y Google estaban discutiendo la implementación de TPU en los centros de datos de Meta, y Reuters informó sobre la colaboración en TorchTPU en diciembre de 2025. Lo que ha cambiado ahora es que el acuerdo pasó de la discusión a la implementación, y Tom's Hardware informó que los chips están físicamente instalados y funcionando en las instalaciones de Meta.

Una grieta en la armadura de Nvidia

Nvidia todavía domina la abrumadora mayoría del mercado de aceleradores de IA y los ingresos de sus centros de datos siguen siendo el punto de referencia que persiguen todos los competidores. Pero la dinámica está cambiando. Como lo expresó TechCrunch en su cobertura del lanzamiento de TorchTPU, Google se ha unido a Amazon para atacar el bastión de Nvidia en la capa de software que mantiene a los desarrolladores atados a su hardware. Meta, mientras tanto, gana influencia en la negociación: cada bastidor de TPU que instala es un bastidor de GPU que no tuvo que comprar al precio de Nvidia.

La presión proviene de múltiples direcciones a la vez. Amazon tiene sus chips Trainium, Google tiene TPU y una ola de nuevas empresas está construyendo aceleradores específicos de inferencia. Lo que hace que la implementación de Meta sea diferente es la escala y la visibilidad. Meta es uno de los clientes más grandes de Nvidia, y si sus equipos de ingeniería concluyen que las TPU pueden soportar una parte significativa de las cargas de trabajo de capacitación e inferencia, otros grandes compradores prestarán mucha atención.

Las advertencias

Nada de esto significa que la posición de Nvidia se derrumbe de la noche a la mañana. El propio blog de PyTorch advierte que, si bien los modelos pueden funcionar de forma inmediata en las TPU, lograr el máximo rendimiento aún requiere una optimización consciente del hardware, porque las formas de los modelos, las estrategias de fragmentación y las implementaciones del kernel generalmente se ajustan a las arquitecturas de GPU. El conjunto de instrucciones de TPU difiere del de Nvidia y el ecosistema de herramientas, bibliotecas e ingenieros experimentados sigue estando muy centrado en la GPU.

También está la cuestión del suministro. Históricamente, Google ha reservado TPU para sus cargas de trabajo internas y sus clientes de la nube, y la capacidad de fabricación de aceleradores personalizados no es ilimitada. Si Google puede o quiere suministrar TPU a una escala significativa para la huella informática total de Meta, que eclipsa a la de la mayoría de las empresas, sigue siendo una pregunta abierta.

Qué mirar a continuación

Las señales inmediatas a monitorear son si otros hiperescaladores siguen el ejemplo de Meta, cómo responde Nvidia en materia de precios y si el impulso de código abierto de TorchTPU se traduce en una migración genuina de las cargas de trabajo de PyTorch a la infraestructura de TPU. El mercado de hardware de IA lleva años esperando una alternativa creíble a Nvidia en el extremo superior. Ahora que las TPU se ejecutan en los centros de datos de una segunda empresa, es posible que esa espera finalmente haya terminado.

Manténgase por delante de la IA

La carrera del hardware de IA se está acelerando rápidamente y ahora se están decidiendo los ganadores y perdedores de la próxima década. Manténgase a la vanguardia de la IA con cobertura independiente de los chips, modelos y acuerdos que están remodelando la industria.

Leer más noticias sobre IA →