La industria de los chips para inteligencia artificial ya no se limita a fabricar una GPU más rápida. Una nueva generación de empresas intenta cambiar la arquitectura completa del sistema para reducir el movimiento de datos, el consumo energético y la dependencia de la memoria de alto ancho de banda. Cerebras, Groq, Etched, d-Matrix, Tenstorrent y otras compañías parten de ideas diferentes, pero comparten un mismo objetivo: encontrar una alternativa viable al modelo que ha convertido a Nvidia en la principal referencia del mercado.

Las claves de las nuevas empresas de chips de IA en 30 segundos

• Cerebras, Groq, Etched y otras firmas están alcanzando valoraciones de miles de millones de dólares.
• Cada arquitectura intenta reducir un cuello de botella distinto, desde la memoria hasta la comunicación entre chips.
• Cerebras utiliza un procesador del tamaño de una oblea; Groq prioriza la SRAM y una ejecución predecible.
• Etched y Taalas apuestan por chips muy especializados, mientras d-Matrix acerca el cálculo a la memoria.
• Las valoraciones reflejan expectativas elevadas, pero muchas tecnologías todavía deben demostrar escala, costes y adopción comercial.

La imagen que deja el mercado en julio de 2026 es la de una industria en plena búsqueda. Ya existen varias compañías valoradas por encima de los 1.000 millones de dólares y algunas han alcanzado cifras mucho mayores, aunque conviene distinguir entre capitalización bursátil, valoración de una ronda privada, rumores de mercado y operaciones que no equivalen a una adquisición completa.

El caso de Groq es un buen ejemplo. El acuerdo anunciado con Nvidia en diciembre de 2025 se presentó en algunos análisis como una compra valorada en 20.000 millones de dólares. Sin embargo, ambas empresas lo describieron como una licencia no exclusiva sobre tecnología de inferencia acompañada por la contratación de parte del equipo. Nvidia confirmó posteriormente que no había comprado los productos, los contratos ni las participaciones de Groq. La compañía siguió operando de forma independiente y captó otros 650 millones de dólares en junio de 2026.

Cerebras sí protagonizó una salida a bolsa. La empresa comenzó a cotizar en el Nasdaq en mayo de 2026 después de fijar sus acciones en 185 dólares, por encima del intervalo planteado inicialmente. Su capitalización ha variado desde entonces, así que una cifra concreta como los 48.000 millones mostrados en algunas comparativas representa una fotografía del mercado, no una valoración permanente.

El problema común: mover los datos cuesta demasiado

La mayor parte del trabajo de un acelerador de inteligencia artificial consiste en realizar operaciones matemáticas sobre enormes matrices. Sin embargo, la capacidad de cálculo no es el único límite. Los datos deben desplazarse continuamente entre la memoria, el procesador y otros chips del sistema.

Ese movimiento consume tiempo y energía. También obliga a utilizar memorias de alto ancho de banda, redes internas muy rápidas y sistemas avanzados de empaquetado. Cuando un modelo se distribuye entre muchas GPU, parte del rendimiento potencial se pierde esperando que pesos, activaciones y resultados lleguen al lugar adecuado.

La mayoría de las empresas emergentes intenta atacar esa dificultad desde una dirección concreta. No todas compiten directamente con Nvidia en los mismos mercados ni ofrecen productos intercambiables, pero casi todas cuestionan alguna parte de la arquitectura convencional.

Cerebras busca reducir la comunicación entre chips al fabricar un procesador que ocupa prácticamente una oblea completa. Groq sustituye parte de la dependencia de la memoria externa por grandes cantidades de SRAM integradas y una planificación estática. d-Matrix lleva ciertas operaciones al interior o a las proximidades de la memoria. Etched restringe la flexibilidad del procesador para centrarse en los modelos basados en transformadores.

La idea compartida es sencilla: si mover los datos se ha convertido en uno de los principales costes de la IA, una arquitectura que reduzca esos movimientos puede ganar en latencia, eficiencia o precio.

Cerebras elimina muchas fronteras entre chips

Cerebras ha construido su propuesta alrededor del Wafer-Scale Engine, un procesador fabricado sobre una oblea de silicio completa. Su WSE-3 ocupa 46.225 milímetros cuadrados, integra cuatro billones de transistores y reúne 900.000 núcleos orientados a cargas de inteligencia artificial, según las especificaciones de la compañía.

Un procesador tradicional se obtiene cortando una oblea en numerosos chips más pequeños. Cerebras mantiene la mayor parte de la superficie unida y utiliza mecanismos propios para gestionar defectos, alimentación, refrigeración y comunicación interna.

Esta solución reduce la necesidad de repartir determinadas cargas entre decenas o cientos de encapsulados. La empresa sostiene que también simplifica el entrenamiento de grandes modelos y disminuye el movimiento de datos entre dispositivos.

El planteamiento tiene contrapartidas. Fabricar, alimentar y refrigerar un procesador de estas dimensiones requiere una ingeniería compleja. También crea una plataforma muy distinta de los clústeres convencionales basados en GPU, lo que obliga a los clientes a trabajar con el software y los sistemas de Cerebras.

La compañía ha conseguido convertir la arquitectura en productos y servicios de computación comercial, algo que muchas startups de semiconductores no llegan a lograr. Su salida a bolsa ha reforzado además la percepción de que existe un mercado para aceleradores alternativos, aunque su evolución dependerá de los ingresos, la utilización y la capacidad para atraer clientes más allá de grandes acuerdos puntuales.

Groq apuesta por la SRAM y la ejecución predecible

Groq diseñó su unidad de procesamiento de lenguaje, conocida como LPU, con un enfoque diferente. Su arquitectura utiliza cientos de megabytes de SRAM dentro del propio chip como almacenamiento principal para determinados datos, en lugar de tratarla únicamente como una memoria caché.

La SRAM es rápida y ofrece una latencia muy baja, pero ocupa más superficie y resulta más cara que otras memorias. Esto limita la cantidad que puede integrarse en cada procesador, así que Groq distribuye los modelos entre varios chips conectados.

La otra diferencia está en la ejecución. Su compilador programa las operaciones de forma estática para que el comportamiento sea predecible. Esta decisión busca evitar parte de la complejidad de las GPU, diseñadas para ejecutar cargas muy variadas y tomar numerosas decisiones durante el procesamiento.

Groq se ha centrado especialmente en la inferencia, es decir, en ejecutar modelos ya entrenados para generar respuestas. La latencia baja puede ser valiosa en asistentes, agentes y aplicaciones interactivas donde el usuario espera recibir tokens rápidamente.

La licencia concedida a Nvidia valida parte de su propiedad intelectual, pero no supone que Groq haya desaparecido. Su continuidad como proveedor de GroqCloud demuestra además que estas operaciones pueden permitir a una gran compañía obtener tecnología y talento sin integrar formalmente toda la empresa.

Etched elimina flexibilidad para centrarse en los transformadores

Etched representa una apuesta más arriesgada: construir un circuito integrado de aplicación específica, o ASIC, pensado casi exclusivamente para ejecutar modelos basados en transformadores.

Las GPU ofrecen flexibilidad porque pueden trabajar con numerosos tipos de cálculo. Esa versatilidad requiere hardware, instrucciones y software que no siempre se utilizan al ejecutar un modelo concreto.

Etched defiende que eliminar buena parte de esa generalidad permite dedicar más superficie del chip a las operaciones que realmente necesitan los transformadores. La ventaja potencial sería un mayor rendimiento por dólar y por vatio. El riesgo es evidente: si la arquitectura dominante de los modelos cambia, un procesador demasiado especializado puede perder utilidad.

La compañía anunció en julio de 2026 una financiación Serie C que la situó en una valoración de 10.300 millones de dólares y señaló que había captado alrededor de 800 millones en varias operaciones. La cifra procede de la propia empresa y no equivale todavía a ingresos, pedidos entregados o cuota de mercado.

Su ascenso muestra hasta qué punto los inversores están dispuestos a financiar diseños especializados. También recuerda la distancia que puede existir entre una valoración privada y la capacidad de fabricar chips en volumen, completar el software y competir con una plataforma consolidada.

d-Matrix acerca el cálculo a la memoria

d-Matrix parte de otro diagnóstico: el procesador pasa demasiado tiempo esperando a que lleguen los datos. Su arquitectura de computación digital en memoria integra operaciones matemáticas cerca de las celdas donde se almacena la información.

La plataforma Corsair utiliza chiplets con SRAM para ejecutar inferencia de modelos generativos. La empresa asegura que este enfoque puede mejorar la latencia, la eficiencia energética y la relación entre coste y rendimiento, aunque sus comparaciones se basan en configuraciones y modelos concretos.

La computación en memoria no elimina por completo la transferencia de información, pero reduce algunos recorridos entre el procesador y la memoria. Su dificultad está en mantener precisión, capacidad, programabilidad y producción a escala.

d-Matrix anunció en junio de 2026 que Corsair había entrado en producción completa. Este paso resulta relevante porque separa una arquitectura experimental de un producto que puede llegar a clientes, aunque su éxito todavía dependerá de despliegues reales y del soporte de modelos utilizados en producción.

Tenstorrent quiere competir también mediante propiedad intelectual

Tenstorrent combina aceleradores de IA, procesadores RISC-V y un negocio de licencias de propiedad intelectual. Su estrategia no consiste únicamente en vender tarjetas o sistemas terminados.

La compañía ofrece núcleos de CPU, chiplets y bloques de aceleración que otros fabricantes pueden integrar en sus propios diseños. Este modelo puede abrir mercados en centros de datos, automoción, electrónica de consumo y sistemas especializados.

RISC-V es una arquitectura de conjunto de instrucciones abierta que permite diseñar procesadores sin depender de las licencias tradicionales de Arm o x86. Tenstorrent la combina con sus núcleos Tensix para construir plataformas heterogéneas.

La ventaja es la flexibilidad comercial. Una empresa puede utilizar la tecnología de Tenstorrent sin comprar necesariamente un sistema completo. La dificultad está en construir un entorno de software suficientemente maduro y convencer a los fabricantes de que adopten una arquitectura nueva.

No todas las compañías de la lista fabrican el mismo tipo de producto

Las comparativas de startups de chips suelen mezclar negocios diferentes. Cerebras, Groq, Etched y d-Matrix desarrollan aceleradores para ejecutar inteligencia artificial, pero Substrate trabaja en la fabricación de semiconductores.

Esta empresa intenta desarrollar una alternativa a las herramientas de litografía más avanzadas mediante una nueva forma de litografía de rayos X. Su objetivo declarado es construir fábricas estadounidenses capaces de producir chips avanzados con equipos potencialmente menos costosos que las máquinas más complejas utilizadas actualmente.

El proyecto no compite directamente con una GPU de Nvidia. Trata de modificar otra parte de la cadena: cómo se imprimen los transistores y las interconexiones sobre las obleas.

Algo parecido sucede con las compañías dedicadas a fotónica, redes, refrigeración, superconductores o empaquetado. Todas forman parte de la carrera de la infraestructura de IA, pero resuelven problemas diferentes.

Por eso no existe una lista definitiva de “todas” las startups de chips. El mercado incluye aceleradores, memorias, interconexiones, propiedad intelectual, fabricación, óptica y sistemas completos.

Las valoraciones crecen más rápido que los productos

Las cifras del sector reflejan un enorme interés inversor. Cerebras ha alcanzado decenas de miles de millones de dólares en bolsa, Etched se ha situado en 10.300 millones en una ronda privada y SambaNova habría alcanzado una valoración de 11.000 millones tras una nueva financiación.

Estas cantidades no permiten comparar directamente las compañías. Una capitalización pública cambia cada día. Una valoración privada procede del precio acordado en una ronda y puede incluir condiciones especiales. Una licencia de propiedad intelectual tampoco equivale a la compra de una empresa.

Además, el desarrollo de semiconductores exige mucho capital. Diseñar un chip avanzado, fabricar las primeras obleas, construir sistemas, crear compiladores y prestar soporte puede consumir cientos de millones antes de generar ventas relevantes.

Nvidia no domina únicamente por la potencia de sus GPU. Cuenta con CUDA, bibliotecas, redes, sistemas, relaciones con fabricantes y una comunidad de desarrolladores construida durante años. Un acelerador puede ofrecer mejores resultados en una prueba concreta y seguir encontrando dificultades para sustituir toda esa plataforma.

Un estudio académico publicado en 2026 comparó varios aceleradores y encontró que la mejor opción cambiaba según el tamaño del modelo, la longitud del contexto y el volumen de solicitudes. También señaló diferencias en consumo en reposo y madurez del software. El resultado cuestiona la idea de que exista una arquitectura ganadora para todas las cargas.

La competencia real probablemente no producirá un único sustituto de Nvidia. Puede generar un mercado más fragmentado, con GPU para cargas generales y aceleradores especializados para inferencia de baja latencia, modelos concretos, dispositivos de borde o instalaciones con límites energéticos.

Preguntas frecuentes

¿Qué startup de chips de IA tiene mayor valoración?

Cerebras es una empresa cotizada y su capitalización ha llegado a superar ampliamente los 40.000 millones de dólares. Las cifras cambian con el mercado y no deben compararse directamente con valoraciones privadas como la de Etched.

¿Nvidia compró Groq por 20.000 millones de dólares?

No adquirió formalmente toda la empresa. Nvidia firmó una licencia no exclusiva sobre su tecnología de inferencia y contrató a parte del equipo. Groq continuó operando como compañía independiente.

¿Por qué tantas empresas intentan reducir el movimiento de datos?

Porque trasladar información entre memoria, procesadores y distintos chips consume energía y aumenta la latencia. En los grandes modelos, ese movimiento puede limitar más el rendimiento que la capacidad matemática disponible.

¿Puede una startup sustituir a Nvidia?

Puede competir en cargas concretas, pero desplazar a Nvidia en todo el mercado resulta más difícil. Además del hardware, tendría que igualar su software, herramientas, redes, soporte y base de desarrolladores.