Google vende sus propios TPU: la puerta cerrada durante once años se abre

El 29 de abril, no el 15 de septiembre , Alphabet anunció algo inesperado en su llamada de resultados trimestrales. El CEO Sundar Pichai se dirigió a un amplio abanico de compradores, desde laboratorios de IA hasta firmas de mercados de capitales, con una sola frase: dado que la demanda de TPU crece, la empresa empezaría a entregar TPU en configuración de hardware en los centros de datos de un grupo seleccionado de clientes. Durante años, el único camino había sido arrendar capacidad mediante Google Cloud, y el silicio nunca abandonaba los edificios de Google. Pichai presentó el cambio como una forma de ampliar el mercado direccionable. En la llamada del segundo trimestre, la directora financiera Anat Ashkenazi confirmó que Alphabet había reconocido por primera vez ingresos por ventas de sistemas TPU entregados en centros de datos de clientes, con la gran mayoría de los ingresos contratados prevista para 2027. Citó como ejemplo un proyecto con una empresa conjunta respaldada por Blackstone.

La vídeo describe un anuncio en tres partes . Las dos primeras son esencialmente reales; la tercera es en gran medida inventada. La primera es correcta: los sistemas TPU ya salen de los edificios de Google para instalarse en las instalaciones de los clientes. La segunda va en la dirección correcta: Google prueba TorchTPU en vista previa con clientes seleccionados, ofrece compatibilidad nativa de PyTorch en TPU y amplía la cobertura de vLLM. Pero la tercera parte, presentada como una cláusula escondida en la página nueve —que los modelos Gemini podrían ejecutarse en la infraestructura de los clientes, fuera de Google Cloud— no aparece en ninguna comunicación oficial. Lo anunciado fue la venta de un chip, no el traslado de un modelo.

La pregunta por la fecha tiene una respuesta documentada, y es la sección más sólida de la vídeo. La decisión de Google de diseñar su propio chip en 2013 marca el comienzo de la IA empresarial. La historia contada en el blog de Google Cloud es la siguiente: el científico jefe Jeff Dean se dio cuenta de que si cada usuario del mundo hablara con Google tres minutos al día, el número de centros de datos de la compañía tendría que duplicarse. Con el precio de la computación de la época, esa era una factura que nadie podía pagar. Diseñar un ASIC solía tardar años; el TPU pasó del primer diseño al despliegue en producción en quince meses . La retrospectiva de Jouppi publicada en 2023 explica por qué no fue casualidad: un calendario dedicado a un solo objetivo, una frecuencia de reloj de 700 MHz que facilitaba el cierre de temporización y un proceso maduro de 28 nanómetros.

La arquitectura del TPU es el núcleo técnico de la historia. Lo que los ingenieros llaman una matriz sistólica es una cuadrícula de miles de pequeñas células multiplicadoras conectadas directamente entre sí, con los datos fluyendo como agua en una tubería y multiplicándose en cada intersección sin volver a un controlador central. Ese diseño elimina los viajes de ida y vuelta a la memoria que los procesadores de propósito general, y en menor medida las GPU, exigen para las redes neuronales. El artículo sobre TPU v1 publicado en 2017 midió el chip en 80 veces el rendimiento por vatio de los procesadores de la época y 30 veces el de las GPU . Lo que la vídeo omite es un detalle decisivo: el primer TPU realizaba solo inferencia , mientras el entrenamiento permanecía en las GPU. Google luego separó ambas líneas y, en la octava generación, TPU 8t maneja el entrenamiento y TPU 8i la inferencia.

La ventaja de Nvidia que peor se entiende no es el silicio, es el software , y en este punto la tesis central de la vídeo se sostiene. Fabricar tu propio chip solo te protege a ti; no cambia la industria. Durante quince años, los rivales construyeron chips impresionantes sin lograr nada, porque la capa de software CUDA estaba grabada en los reflejos de cada tutorial, cada biblioteca y cada estudiante de posgrado. SemiAnalysis estima que el coste total de propiedad de los sistemas TPU desplegados es aproximadamente 30 a 44 por ciento inferior al de despliegues comparables de Nvidia GB200 y GB300. Ese es exactamente el hueco que ataca Google: TorchTPU busca ofrecer la ventaja del software a quien no arrienda el hardware de Google para obtenerla.

El panorama competitivo muestra una simetría incómoda . Amazon lleva años enviando Trainium e Inferentia y los tarifa en serio. Microsoft tiene un sólido programa de aceleradores propios. Meta diseña aceleradores MTIA con Broadcom para cargas de clasificación y recomendación y planea el despliegue masivo de MTIA 500 a finales de 2027. Google no solo presiona a Nvidia. El mercado coreano lo muestra. S&P Global Ratings espera que Corea del Sur invierta unos 1.200 billones de wones en construcción de centros de datos hasta 2035, lo que la convertiría en el segundo mercado de Asia-Pacífico después de China. El 9 de septiembre, Google se reunió con altos responsables del Comité de Estrategia Nacional de IA, y los analistas del sector leen el encuentro como una señal de que Corea se está convirtiendo en uno de los principales centros de TPU de Google.

En cuanto a las cifras, las estimaciones de los analistas apuntan en la misma dirección que la tesis, aunque no a la misma escala. Morgan Stanley proyecta ventas directas de TPU de 84.000 millones de dólares en 2027 y 108.000 millones en 2028, en consonancia con el supuesto de TF International Securities de 0,3 gigavatios enviados en el segundo semestre de 2026, 3,2 gigavatios en 2027 y 4,2 gigavatios en 2028. TF también modela el negocio con un margen bruto del 30 por ciento, lo que equivale a reconocer que el comercio de hardware es estructuralmente más estrecho que el alquiler de nube. Thomas Kurian, responsable de Google Cloud, dijo que el negocio de TPU es más del doble que el del segundo mayor acelerador de hiperescalador, y que el retorno de la inversión de los servidores es inferior a dos años, con el procesador propio de Google amortizándose en aproximadamente la mitad de tiempo que una GPU. Son estimaciones de la dirección, no datos trimestrales auditados.

Las cifras de caja en las que la vídeo más se apoya también están casi todas mal. La cifra de 93.000 millones de dólares de inversión de capital en 2026 confunde un dato trimestral con uno anual. La cifra real es una previsión de inversión de capital de 180.000 a 190.000 millones de dólares para 2026, elevada desde un rango previo de 175.000 a 185.000 millones. En el segundo trimestre, la inversión de capital alcanzó 44.900 millones de dólares frente a 39.100 millones de flujo de caja operativo, dejando un flujo de caja libre negativo de 5.900 millones de dólares . Un análisis llega más lejos e informa de que Alphabet vendió 80.000 millones de dólares de acciones nuevas por primera vez desde su salida a bolsa de 2004. En sentido contrario, las acciones de Alphabet retrocedieron cerca de un 3,8 por ciento un día en que los ingresos de Google Cloud crecieron un 82 por ciento interanual.

El lado de Nvidia es más complicado. La compañía reportó 215.900 millones de dólares de ingresos fiscales de 2026 , con un crecimiento del 65 por ciento, y unos ingresos trimestrales récord de 62.300 millones en el centro de datos. El margen bruto se sitúa en el 71,1 por ciento para el ejercicio y el 75,0 por ciento en el cuarto trimestre , de modo que la cifra del 70 por ciento resultó casi correcta por casualidad. La acción, sin embargo, ha retrocedido desde un máximo de 236 dólares fijado el 14 de septiembre, cayendo a 225,51 dólares el día 23 y a unos 221 el día 24, lo que la deja cerca de un 15 por ciento por debajo de su pico . El encuadre de la vídeo sobre un primer problema real en tres años apunta en la dirección correcta: la lectura de TechCrunch es que el mercado no está revaluando una demanda débil, sino el precio de la computación en sí.

Para entender la maniobra, conviene saber por qué el chip nunca se vendió durante once años. En 2016, AlphaGo venció al mejor jugador del mundo de go en una emisión en directo, y cientos de artículos atribuyeron la victoria a los algoritmos y a las redes neuronales. Muy pocos se preguntaron sobre qué máquina se ejecutaba. Se ejecutaba sobre el silicio de Google, y la aparición era una demostración, no un lanzamiento. La lógica se sostenía entonces: no hay razón para darle a un rival lo único que no puede comprar. Cada conversación comercial de Google Cloud desde 2018 se apoyaba en la idea de que solo Google tenía aquello. Ese contexto ha cambiado: como Google regala el software, vender el hardware ya no tiene downside competitivo.

Dos cuellos de botella: memoria y energía

La observación más concreta de la vídeo se confirma aquí: el límite real del hardware de IA no es el diseño sino la memoria de alto ancho de banda. La HBM apila capas finas de silicio unas sobre otras y perfora miles de canales verticales, conectados con una precisión medida en fracciones de micrómetro. Si una sola capa falla, toda la pila queda sin valor. Según NetworkWorld, Samsung, tras desviar capacidad hacia la HBM y la DRAM de gama alta, elevó el precio de un módulo DDR5 de 32 GB de 149 a 239 dólares en 2026, una subida del 60 por ciento. SK Hynix declaró que su capacidad de HBM, DRAM y NAND estaba "esencialmente agotada" para 2026. Micron abandonó por completo el mercado de memoria de consumo. Según un ejecutivo de Micron, la HBM consume unas tres veces la capacidad en obleas de la DRAM estándar por gigabyte.

La magnitud de esa restricción merece enunciarse con claridad. Nvidia ha asegurado compromisos que cubren alrededor del 37 por ciento de la producción mundial de HBM para 2027 , y en la memoria trimestral publicada en agosto sus compromisos de suministro y capacidad pasaron de 119.000 a 279.000 millones de dólares en un solo trimestre. Morgan Stanley estima que Nvidia, Alphabet y AMD suman en conjunto cerca del 85 por ciento de la producción de HBM prevista para 2027 , dejando un 15 por ciento para el resto de desarrolladores de hardware de IA. Estimaciones independientes sitúan las unidades enviadas entre 2,76 millones en 2024 y hasta 8,8 millones en 2027. La asignación, y no el diseño, se ha convertido en la competencia. El objetivo de Micron de 100.000 obleas de HBM al mes antes de fin de año no cambia esa realidad: las estimaciones del sector sitúan a Samsung y SK Hynix entre 150.000 y 200.000 obleas cada una.

El segundo cuello de botella es la energía y la interconexión a la red , y quizá sea el más difícil de resolver. Los datos de seguimiento de Accuris sitúan la demanda energética de los centros de datos estadounidenses en 80 gigavatios en 2025, con proyección de 150 gigavatios para 2028, y un consumo mundial de electricidad de centros de datos que se acerca a 1.050 teravatios-hora , comparable a una red nacional de tamaño medio. Se espera que los centros de datos consuman el 70 por ciento de la producción de memoria, y el mismo informe señala que entre el 30 y el 50 por ciento de la capacidad de centros de datos de IA prevista para 2026 se retrasa hasta 2028 por culpa de las colas de interconexión y los cuellos de construcción. Comisiones locales en Virginia, Georgia y Alabama aún deliberan sobre si deben permitir la conexión de centros de datos mientras suben las tarifas residenciales. Así que el instinto final de la vídeo acierta: el factor limitante de esta carrera quizá no sean los chips, sino el permiso para usar terreno y conectarse a la red.

Cinco señales que vale la pena seguir

La sección más útil de la vídeo es su lista de seguimiento, aunque las cifras sean erróneas. La primera señal es la confirmación pública de un tercero de que se ejecutan cargas de producción sobre ese hardware en sus propias instalaciones, porque los anuncios por sí solos tienen un mal historial frente a los calendarios de entrega. La segunda es que un cliente publique su coste por unidad de trabajo frente a lo que pagaba antes. Cuando aparezca ese número, una comparación económica real sustituirá al marketing. La tercera es la reacción del actor establecido: bajar precios, agrupar más o acelerar la arquitectura. Una bajada de precio rápida indica inquietud; el silencio indica confianza. La cuarta señal es la postura de Amazon y Microsoft. Ambos producen su propio silicio, lo que convierte al TPU de Google en un rival. Pero la capa de software de Google es gratuita y funciona en cualquier cosa, incluidos sus propios chips. Adopta el paquete abierto de un rival es una elección difícil sin cobertura gubernamental. La quinta son los acuerdos de suministro a largo plazo: quien asegure capacidad de HBM hasta 2029 ya ha ganado batallas que ni siquiera han empezado. Morgan Stanley ofrece una referencia concreta: el plan de Anthropic de ampliar su despliegue de TPU de 1 gigavatio este año a 5 gigavatios el año que viene debe leerse como señal de tensión en la oferta, no de debilidad en la demanda.

El error de la vídeo no está en la existencia del anuncio, sino en su fecha y su alcance. Lo que ocurrió de verdad es suficientemente interesante: un chip al que seCommittee había rechazado vender en 2015 se abrió en mitad del mayor cambio de infraestructura de una generación, y lo hizo rompiendo su propio modelo de margen para convertirse en un estándar. Para medir qué tan audaz es la maniobra, basta con pensar quién más podría hacer lo mismo. El objetivo final de la competencia no es superar a un rival, sino convertirse en aquello sin lo cual un rival no puede trabajar. Tras once años, la preferencia por mantener la herramienta antigua dentro de los muros ha desaparecido.