OpenTPU: la IA diseñó el chip que ejecuta su propia IA

La industria del silicio se hace la misma pregunta desde hace una década: ¿puede una IA diseñar el chip que después va a ejecutarla? Esta semana la respuesta llegó, y no es un paper — es una placa PCIe que corre 10 modelos reales.

Qué es OpenTPU y por qué rompió Hacker News

OpenTPU es un acelerador de inferencia open-source desarrollado por IA, publicado esta semana en GitHub. No es un dibujo ni una simulación bonita: es hardware que existe.

El repo es un monorepo que puedes leer de punta a punta: diseño en SystemVerilog, el juego de instrucciones, un simulador bit-exacto, un lenguaje de kernels con su compilador y el software que maneja una tarjeta PCIe real. 🔓

La técnica es la misma que ya se usó para diseñar núcleos CPU RISC-V con IAs, aplicada esta vez a un acelerador de inferencia completo. El equipo lo resume en dos preguntas: ¿hasta dónde llegan los agentes de IA en diseño de hardware, y pueden construir el chip que corre su propia inferencia?

Los números: de unos pocos tokens a 85 por segundo

Aquí está lo que incomoda al sector. El diseño empezó produciendo solo unos pocos tokens por segundo y, mediante un bucle de automejora recursiva, llegó a 85 tok/s en los modelos más pequeños. 📊

Corre en una tarjeta FPGA de datacenter desmantelada (Inspur con Xilinx Kintex-7, dos canales DDR3) que los hobbyists consiguen por unos $300, a solo 133 MHz con un solo bitstream para todos los modelos.

Los resultados publicados: LFM2.5-230M a 85.8 tok/s, Qwen3-0.6B a 31.3, Gemma 4 E2B a 12.14 y Phi-4-mini a 4.0. El detalle clave: entre el 82% y el 94% del ancho de banda de DRAM, y la tarjeta produce exactamente los mismos tokens que el simulador, bit por bit.

La polémica: 202 comentarios explicando por qué Nvidia no está asustada

El hilo en Hacker News tiene 167 puntos pero 202 comentarios — ratio de 1.2, señal de debate caliente. Y el debate no es si funciona (funciona), sino por qué los grandes laboratorios no queman sus modelos frontera en chips. ⚡

Las respuestas de los expertos son crueles: los plazos de tapeout son tan largos que el chip puede quedar obsoleto antes de salir de la fábrica; conseguir capacidad de fabricación para algo tan experimental ya es un problema; y si quemas tu modelo en silicio, no puedes mantenerlo cerrado. Etched y el acuerdo OpenAI-Broadcom intentan justo esto, con miles de millones detrás.

Qué significa para Latinoamérica

El ángulo que nadie está contando: esto es un proyecto de aprendizaje que cualquiera con una FPGA barata puede clonar y estudiar. El talento de hardware de la región no necesita un fab de $100 millones para entrenarse — necesita leer un monorepo completo de un acelerador real.

Si la IA va a diseñar chips, alguien tiene que entender qué está diseñando. Ese alguien puede ser tú.

Conclusión: el silicio ya no es territorio exclusivo humano

OpenTPU no mata a Nvidia hoy. Lo que hace es algo peor para el mito: demuestra que el diseño de chips dejó de ser magia inaccesible y empezó a ser un bucle de iteración que una IA puede correr sola. 🚀

Comparte esto con alguien que todavía cree que diseñar hardware requiere un doctorado y una sala limpia.

¿La IA diseñando su propio hardware es el comienzo de la automejora real o solo un proyecto bonito en una FPGA vieja? Déjalo en los comentarios.