El 21 de julio de 2026 (hora de Pekín), Alphabet cerró en 351,37 $, con una subida del 1,52 % en la jornada. Ese mismo día, NVIDIA cerró en 203,28 $, con un incremento del 0,23 %.
La causa de esta divergencia de precios fue un informe publicado por el medio tecnológico The Information: Google está desarrollando un nuevo chip para servidores, con el nombre interno Frozen v2, cuyo objetivo es integrar de forma permanente parte de la arquitectura del modelo Gemini en el propio silicio. Esto permitiría una capacidad de procesamiento de tokens entre 6 y 10 veces superior por unidad de energía respecto al actual TPU. El día que se difundió la noticia, las acciones de Alphabet llegaron a subir casi un 3,7 % durante la sesión.
Un chip previsto para su despliegue dentro de dos años llevó al mercado a apostar por un proyecto aún en fase de plano. La lógica detrás de esto va mucho más allá del lanzamiento de otro chip de IA: señala una posible reescritura de las reglas de competencia en la infraestructura de inteligencia artificial.
¿Por qué los gigantes de la computación en la nube pasan de compradores de chips a diseñadores?
Durante la última década, la estructura del mercado de infraestructura de IA ha girado en torno a un único eje principal: las GPU de NVIDIA, el ecosistema de software CUDA y centros de datos cada vez más grandes. Este camino ha sido claro y efectivo: los chips de computación de propósito general se adaptan a cargas de trabajo de IA diversas, y las economías de escala impulsan una reducción continua de costes y mejoras de rendimiento.
Sin embargo, este panorama está cambiando. Los principales proveedores de nube están pivotando hacia el diseño de sus propios chips:
| Empresa | Chip propio | Progreso |
|---|---|---|
| TPU (Tensor Processing Unit) | Séptima generación Ironwood, despliegue en 2026 | |
| Amazon | Trainium / Inferentia | Ingresos anualizados superaron los 20 000 millones $ a principios de 2026 |
| Microsoft | Maia 200 | Lanzado en enero de 2026, utiliza proceso de 3 nm |
| Meta | MTIA (Iris) | Previsto para producción masiva en septiembre de 2026 |
Esta tendencia obedece a varios factores. El primero es el coste. Los TPUs de Google pueden reducir los costes de computación de IA hasta un 30 %. El negocio de chips propios de AWS alcanzó los 20 000 millones $ de ingresos anualizados a principios de 2026. A medida que la inferencia de IA pasa de "¿es posible?" a "¿es rentable?", el coste por token se convierte en la variable central de competencia.
El segundo factor es la seguridad de suministro. La escasez de capacidad de computación se ha convertido en un problema urgente dentro de Google. Los informes muestran que la insuficiencia de recursos intensifica la competencia interna y obliga a Google Cloud a rechazar algunas colaboraciones externas. En junio de 2026, Google acordó pagar a SpaceX casi 1 000 millones $ al mes para cubrir déficits de computación. En el primer trimestre de 2026, Alphabet destinó 35,7 000 millones $ a gastos de capital, y la previsión anual se elevó a 180–190 000 millones $, el doble de los 91,4 000 millones $ invertidos en 2025. En ese mismo trimestre, los ingresos de Google Cloud alcanzaron 20 000 millones $, un aumento del 63 % interanual, y la cartera de contratos pendientes se disparó de 240 000 millones $ en el trimestre anterior a 462 000 millones $. La dirección afirmó en la presentación de resultados que la demanda de IA es inédita y la empresa sigue limitada por la capacidad de computación.
Cuando el crecimiento de la demanda supera sistemáticamente la expansión de la oferta, el desarrollo de chips propios pasa de "opcional" a "obligatorio".
La lógica de "congelación" de Frozen v2: por qué integrar la arquitectura del modelo en el silicio multiplica la eficiencia por diez
Para comprender el valor de Frozen v2, primero hay que entender cómo funcionan los chips de IA tradicionales.
En las arquitecturas convencionales, los modelos de IA se almacenan en memoria. Los chips leen los pesos y parámetros de arquitectura de la memoria, realizan cálculos en las unidades de procesamiento y luego escriben los resultados de nuevo en la memoria. Por cada token generado, este ciclo se repite. Gran parte de la energía se consume moviendo datos, mientras que la computación representa una fracción menor.
Frozen v2 adopta un enfoque distinto: integra la arquitectura de la red neuronal de Gemini—estructura jerárquica, mecanismos de atención múltiple, conexiones residuales y otros componentes clave—directamente en el circuito físico durante el diseño del chip. Aquellas estructuras que normalmente requerirían lecturas y cálculos repetidos pasan a formar parte del propio circuito.
Este concepto se conoce en la industria de semiconductores como ASIC (Application-Specific Integrated Circuit). Los mineros de Bitcoin son ASICs, al igual que los ISP de smartphones: sacrifican versatilidad por eficiencia extrema en una tarea específica. Sin embargo, nadie se ha atrevido a construir un ASIC para modelos grandes hasta ahora, porque las iteraciones de modelos son rápidas, los ciclos de diseño de chips son largos y, cuando el chip está fabricado, el modelo puede estar obsoleto.
Frozen v2 apuesta por que la arquitectura base de Gemini se ha estabilizado lo suficiente como para codificarla en silicio. Desde el lanzamiento de Gemini 1.0 en diciembre de 2023 hasta 3.5 Flash, los componentes fundamentales de la arquitectura Transformer—atención múltiple, redes feed-forward, normalización de capas—no han cambiado de forma sustancial. La innovación real se ha dado en la escala del modelo, los datos de entrenamiento y la optimización posterior, no en la infraestructura.
Frozen v2 fija la arquitectura, pero permite actualizar los pesos. El plan inicial de Frozen v1 intentó integrar tanto la arquitectura como los pesos, pero Google acabó descartándolo porque el chip solo podía ejecutar una versión de Gemini, quedando obsoleto con cada iteración del modelo. Frozen v2 apuesta por "fijar el esqueleto, no la carne".
Desde la perspectiva del flujo de datos, las mejoras de eficiencia de Frozen v2 se desglosan así:
Arquitectura del modelo integrada → menos decodificación de instrucciones y lectura de parámetros → menor movimiento de datos entre chip y memoria → menor consumo energético por token → incremento de 6–10 veces en el procesamiento de tokens por unidad de energía
El informe señala que los chips Frozen serán una rama más especializada dentro del portafolio de chips propios de Google, sin reemplazar los TPUs de propósito general. Actualmente, Google considera Frozen v2 como un proyecto experimental, sin planes de producción masiva al nivel de los TPUs. El despliegue objetivo está previsto para 2028.
De la "carrera por la cantidad de GPUs" a la "competencia por el coste por token"
La importancia de Frozen v2 no reside en su potencial de producción masiva, sino en el cambio de lógica competitiva que representa.
Históricamente, el principal indicador en la competencia de chips de IA ha sido "quién tiene más GPUs". NVIDIA ha construido un liderazgo incontestable en este campo: a principios de 2026, la compañía poseía alrededor del 86 % del mercado de aceleradores de IA y chips para centros de datos. TrendForce estima que su cuota mundial de chips de IA será del 64 % en 2026. En el primer trimestre de 2026 (Q1 fiscal 2027 de NVIDIA), los ingresos de centros de datos de NVIDIA alcanzaron 75,25 000 millones $, un aumento del 92 % interanual.
Pero Frozen v2 apunta a una nueva dimensión competitiva: "quién puede ofrecer más computación de IA al menor coste unitario". A medida que las aplicaciones de IA pasan del entrenamiento a la inferencia a gran escala, el coste de electricidad, chips y operaciones de centros de datos por token determinará la viabilidad de los modelos de negocio.
Aquí, Google tiene una ventaja estructural: los TPUs inactivos pueden absorberse internamente—integrándose directamente en las operaciones de nube de Google—mientras que NVIDIA no dispone de un negocio de nube a escala comparable para aprovechar el hardware sobrante. Esto otorga a Google mayor flexibilidad en la planificación de capacidad y gestión de riesgos para chips propios.
Además, Google está expandiendo el ecosistema de TPUs a mercados externos. Los informes indican que Google ha mantenido conversaciones con varios proveedores de nube profesional "Neo-cloud", animándoles a añadir TPUs a sus servicios. Anthropic, Apple y Meta se han convertido en clientes externos de TPUs. La empresa conjunta de Google con Blackstone está construyendo una capacidad de computación de 500 megavatios en TPUs. Si más empresas tecnológicas migran cargas de trabajo a TPUs de Google o chips propios, no solo se erosionará la cuota de mercado de NVIDIA, sino que también podría reducir su poder de fijación de precios.
Sin embargo, este proceso enfrenta limitaciones reales. TSMC es el cuello de botella por el que deben pasar todos los diseñadores de chips; Google depende de Broadcom como intermediario para asegurar capacidad. La asignación para 2027 se está ultimando, y la cuota de Google reflejará directamente la actitud de TSMC hacia el negocio de TPUs. Al mismo tiempo, Google sigue siendo uno de los mayores clientes de NVIDIA, comprando decenas de miles de GPUs cada año para entrenar sus modelos más grandes. Esta dinámica de "competidor y principal cliente" complica aún más el panorama competitivo.
Los costes y límites de la especialización
La vía técnica de Frozen v2 no está exenta de sacrificios. El informe lo deja claro: el chip solo es compatible con futuros modelos Gemini si Google mantiene la misma arquitectura base. Si la estructura fundamental del modelo cambia, la parte integrada en el silicio puede quedar obsoleta.
A la vez, el negocio de IA de Google enfrenta desafíos más inmediatos. Los informes indican que el lanzamiento de la próxima generación de Gemini Pro se ha retrasado y varios investigadores senior de IA han migrado a la competencia. Los modelos chinos de IA ya representan el 45 % del uso de tokens entre empresas estadounidenses. Aunque los chips especializados siguen en la hoja de ruta para 2028, las prioridades inmediatas de Google son estabilizar el ritmo de iteración de modelos y retener talento.
Además, Alphabet acaba de completar una financiación de capital de 84,75 000 millones $—una de las mayores emisiones secundarias de la historia de EE. UU.—destinada principalmente a construir centros de datos, desplegar TPUs de séptima generación Ironwood y seguir comprando GPUs de NVIDIA. Frozen v2 no llegará hasta 2028; estos fondos se están gastando ahora.
Conclusión
Las acciones de Alphabet subieron un 1,52 % tras el anuncio de Frozen v2, mientras que NVIDIA solo avanzó un 0,23 %. Esta diferencia puede reflejar la valoración que el mercado otorga a dos enfoques competitivos: uno basado en la barrera de escala de chips de computación de propósito general, otro en la revolución de eficiencia de chips especializados.
Frozen v2 sigue siendo un proyecto experimental y, con su despliegue previsto para 2028, no supondrá un desafío sustancial para la posición de mercado de NVIDIA a corto plazo. Sin embargo, la dirección que marca—de "quién tiene más GPUs" a "quién puede ofrecer más computación de IA al menor coste"—se está convirtiendo en una tendencia estructural en toda la industria.
Se estima que el mercado de chips de IA crecerá de unos 61,8 000 millones $ en 2025 a cerca de 84,2 000 millones $ en 2026. En este mercado en rápida expansión, la interacción entre especialización y generalización definirá la estructura de costes y la dinámica competitiva de la infraestructura de IA durante la próxima década. El éxito de Frozen v2 es incierto, pero el enfoque que representa—diseñar chips para modelos, en lugar de adaptar modelos a chips—ya está transformando el debate sobre la computación de IA en la industria.
Preguntas frecuentes
P: ¿Qué mejora de rendimiento ofrece el chip Frozen v2 de Google respecto a los TPUs actuales?
Los ingenieros de Google estiman que Frozen v2 puede alcanzar una capacidad de procesamiento de tokens entre 6 y 10 veces superior por unidad de energía respecto a los TPUs más recientes de la compañía. Esta mejora se debe principalmente a la integración de la arquitectura del modelo Gemini en el chip, lo que reduce el consumo energético por movimiento de datos y cálculos redundantes.
P: ¿Frozen v2 reemplazará las GPUs de NVIDIA?
No a corto plazo. Frozen v2 es un chip especializado diseñado para el modelo Gemini; no sustituirá los TPUs de propósito general, y mucho menos las GPUs de NVIDIA. Google sigue comprando decenas de miles de GPUs de NVIDIA cada año para entrenar sus modelos más grandes.
P: ¿Cuándo se desplegará oficialmente Frozen v2?
Los informes indican que Google prevé su despliegue en 2028. Actualmente es un proyecto experimental, sin planes de producción masiva al nivel de los TPUs.
P: ¿Por qué Alphabet desarrolla sus propios chips de IA?
Los principales motivos son tres: reducir la dependencia de NVIDIA, controlar el aumento de costes de computación y aliviar la grave escasez interna de capacidad. En el primer trimestre de 2026, los ingresos de Google Cloud alcanzaron 20 000 millones $, un aumento del 63 % interanual, pero las limitaciones de computación frenaron el crecimiento adicional.
P: ¿Cuáles son los riesgos del enfoque técnico de Frozen v2?
El mayor riesgo es el coste de la falta de flexibilidad. El chip solo es compatible con versiones posteriores de Gemini que utilicen la misma arquitectura base. Si cambia la estructura del modelo, el diseño integrado en silicio puede quedar obsoleto. Además, los ciclos de diseño de chips son más largos que los de iteración de modelos, razón por la cual nadie se había atrevido antes a construir ASICs para modelos grandes.
