Aunque la inteligencia artificial (IA) ha avanzado de forma espectacular en los últimos años, la arquitectura del hardware que la sustenta sigue suponiendo un obstáculo importante. La mayoría de los dispositivos actuales —desde ordenadores hasta móviles— siguen usando una arquitectura von Neumann. Este modelo, propuesto por John von Neumann en 1946, separa la memoria del procesador y obliga a transferir datos por un bus, lo que genera cuellos de botella que limitan la velocidad de ejecución de algoritmos complejos.
El cuello de botella de von Neumann
Esta arquitectura, aunque modular y flexible, tiene serias deficiencias: los buses de datos limitan la velocidad, hay puntos únicos de fallo y se impide la multitarea eficiente. En tareas de IA, que requieren gran capacidad de procesamiento en paralelo, estas limitaciones se hacen evidentes. Incluso con múltiples núcleos, el hardware actual no puede ejecutar simultáneamente múltiples instrucciones como lo haría un cerebro humano.
Algunas soluciones como la arquitectura Harvard, utilizada en microcontroladores y dispositivos móviles, permiten separar buses para datos e instrucciones. Esto mejora el rendimiento, pero introduce otros problemas, como una menor fiabilidad.
La carrera por un nuevo hardware
Para superar estas barreras, los investigadores han desarrollado procesadores especializados como las GPUs, DLPs, NPUs y TPUs. Las GPUs, por ejemplo, destacan por su capacidad de cálculo en paralelo: una sola GPU puede tener miles de núcleos frente a los pocos de una CPU. Esta potencia las ha convertido en una herramienta esencial para entrenar modelos de deep learning.
Aún en 2025, las soluciones basadas en GPUs continúan siendo la referencia para el entrenamiento de modelos complejos. Investigadores como Bryan Catanzaro y Andrew Ng demostraron que 12 GPUs podían igualar el rendimiento de 2.000 CPUs en tareas de reconocimiento de imágenes, un hito que sigue vigente.
Procesadores diseñados para la IA
Aún más especializados son los Deep Learning Processors (DLPs), como los NPUs de Huawei, Samsung o Apple, o los TPUs de Google, que solo funcionan con TensorFlow. Estos chips incluyen memorias independientes para datos e instrucciones, grandes buffers y juegos de instrucciones optimizados para tareas de IA. También hay alternativas como las FPGAs, chips reprogramables que usan empresas como Microsoft en su proyecto Brainwave.
Un ejemplo fascinante sigue siendo Neural Magic, que permite ejecutar modelos de visión por ordenador en CPUs comunes mediante compresión de datos. También destaca SLIDE, un motor de aprendizaje profundo que sustituye matrices por tablas hash y funciona en procesadores convencionales hasta 15 veces más rápido que en GPU. Ambas soluciones siguen siendo referentes en 2025 para optimizar el rendimiento sin recurrir a hardware costoso.
El experimento neuromórfico de IBM
Otra vía prometedora es la de los procesadores neuromórficos, como el proyecto SyNAPSE de DARPA. IBM desarrolló una versión comercial, TrueNorth, muy eficiente y rápida, pero su elevado coste y la falta de software compatible han frenado su adopción. Esta situación no ha cambiado en 2025: TrueNorth sigue sin despegar comercialmente, pese a sus virtudes técnicas.
Sensores especializados: sentir el mundo como un humano
Además del procesamiento, una IA avanzada necesita sensores. Por eso, cada vez más dispositivos integran micrófonos, cámaras, sensores térmicos o químicos. Alexa, por ejemplo, utiliza varios micrófonos para simular una interacción conversacional. Pero más allá de copiar los sentidos humanos, los investigadores exploran sensores alternativos: cámaras infrarrojas para robots nocturnos, “narices” electrónicas para detectar gases peligrosos, o pies robóticos que ajustan su empuje según el terreno, como los diseñados por Hugh Herr en el MIT.
¿El futuro? Hardware y software hechos el uno para el otro
En 2025, los chips que hacen posible la inteligencia artificial han evolucionado enormemente respecto a los procesadores tradicionales. A diferencia de los antiguos sistemas, que se centraban en ejecutar una tarea tras otra y usaban una única memoria para todo, los nuevos chips incluyen varias memorias independientes, grandes cachés internas y son capaces de procesar y almacenar datos al mismo tiempo. Esto reduce enormemente los tiempos de espera, conocidos como latencia. Además, ya no trabajan de forma secuencial: ahora pueden gestionar miles de tareas en paralelo, lo que los hace muchísimo más rápidos y eficientes, especialmente en tareas como traducir idiomas, analizar imágenes o simular el lenguaje humano.
La evolución del hardware especializado en inteligencia artificial ha alcanzado nuevas cotas, y NVIDIA se mantiene a la vanguardia. Su chip Blackwell Ultra ha marcado un hito al alcanzar más de 1.000 tokens por segundo por usuario al ejecutar modelos como Llama 4 Maverick de Meta. Esta cifra supone un aumento del 31% respecto al récord anterior, y consolida a NVIDIA como líder en rendimiento de inferencia de IA. A esto se suma su nueva arquitectura Rubin, pensada para centros de datos a gran escala, con mejoras en eficiencia energética y escalabilidad que verán la luz en 2026.
No obstante, la competencia también se ha intensificado. AMD continúa apostando por su línea MI de aceleradores de IA, mientras que Intel ha presentado los Gaudi 3, centrados en IA generativa, y los procesadores Xeon 6, que incorporan optimizaciones específicas para tareas de IA. Por su parte, Huawei ha lanzado el Ascend 920, que alcanza hasta 900 TFLOPs por tarjeta, rivalizando con el rendimiento del H20 de NVIDIA. En paralelo, Google presentó su nueva versión de TPU, la v7 (Ironwood), capaz de alcanzar 4.614 TFLOPs, orientada a tareas de IA a gran escala.
La conclusión ya no es que el hardware esté por detrás del software, sino que ambos evolucionan ahora en una carrera de mejora mutua. El año 2025 marca un momento decisivo, donde los fabricantes de chips y desarrolladores de modelos de IA trabajan codo a codo para maximizar el rendimiento y reducir los costes. NVIDIA lidera este cambio, pero no está sola, y la diversidad de arquitecturas disponibles ofrece múltiples caminos hacia una IA más eficiente, potente y accesible. El futuro de la inteligencia artificial dependerá tanto del algoritmo como del silicio que lo ejecuta.
La fotografía de representación de esta noticia es propiedad de NVidia y representa al CEO de NVidia, Jensen Huang, durante su presentación en el NVIDIA GTC 2024.
