La disyuntiva entre modelos de inteligencia artificial cerrados y abiertos ya no está relacionada únicamente con el precio de acceso a una interfaz de programación de aplicaciones. La disponibilidad de los pesos entrenados para su descarga permite ejecutar el modelo en el hardware de la organización o modificarlo según sus necesidades, pero al mismo tiempo plantea preguntas complejas a los ingenieros de chips sobre la memoria, el rendimiento sostenido, la seguridad del despliegue y la capacidad del hardware para adaptarse a modelos que cambian en cuestión de semanas, mientras que el diseño de un chip tarda años.
Este es el eje que analiza Semiconductor Engineering, basándose en las opiniones de expertos de Expedera, Arteris, Axiomise, Synopsys, Siemens EDA, Cadence, Rambus y otras empresas. La conclusión principal es que el criterio de éxito ya no es el número de operaciones TOPS en un pico breve, sino la capacidad de la plataforma para ejecutar de forma eficiente, receptiva y segura una combinación cambiante de modelos.
Los pesos abiertos no significan que el código fuente esté completamente abierto
Un modelo con pesos abiertos permite al usuario descargar los parámetros entrenados y ejecutarlos o adaptarlos localmente. Sin embargo, esto no equivale necesariamente a un modelo de código abierto; los datos de entrenamiento, el código y los derechos de uso pueden seguir estando restringidos. Este ámbito incluye modelos como Meta Llama, Alibaba Qwen, DeepSeek, Mistral, Google Gemma, Microsoft Phi y la familia OpenAI gpt-oss.
Las opciones de ejecución van desde modelos grandes que necesitan servidores o aceleradores avanzados hasta modelos más pequeños que pueden ejecutarse en dispositivos con memoria limitada. Según lo indicado en el artículo, gpt-oss-120b puede funcionar en una unidad de procesamiento gráfico con 80 gigabytes de memoria, mientras que gpt-oss-20b está dirigido a dispositivos con 16 gigabytes de memoria mediante cuantización MXFP4. Sin embargo, que el modelo se ajuste a la memoria no demuestra por sí solo que vaya a ofrecer un rendimiento práctico útil.
Flexibilidad frente a la dependencia de un único proveedor
La ejecución local o dentro de un entorno de nube privada permite reducir la dependencia de un único servicio y también ayuda a mantener los datos sensibles dentro de la red de la organización. Esto adquiere especial importancia en el diseño de chips y en los sectores regulados, donde los datos pueden incluir métodos de trabajo, diagramas o información que constituye secretos comerciales.
Las organizaciones también pueden utilizar el enrutamiento de modelos, de modo que las tareas difíciles se asignen a un modelo comercial potente, mientras que las tareas repetitivas o menos complejas se ejecuten mediante un modelo de pesos abiertos de menor coste. No obstante, el análisis señala que los modelos abiertos no garantizan automáticamente un menor rendimiento o un menor coste; el coste depende del tamaño del modelo, de la forma de ejecutarlo y de los requisitos de respuesta, y puede superar los 10.000 dólares cuando se necesita un rendimiento interactivo continuo en un flujo de trabajo diario.
¿Qué cambia en la práctica en el diseño de chips?
Los expertos consideran que la memoria, el ancho de banda y la transferencia de datos pueden convertirse en limitaciones más importantes que la capacidad de cálculo bruta. Los equipos de diseño deben evaluar el número de parámetros activos, la precisión numérica, la longitud del contexto, la multimodalidad, la concurrencia y el tiempo de respuesta, en lugar de asumir un único modelo fijo para el futuro.
- El ancho de banda de la memoria puede convertirse en la principal limitación en lugar de los FLOPS.
- Aumenta la importancia de las activaciones dispersas y la cuantización de baja precisión.
- Los sistemas heterogéneos, que combinan distintos tipos de procesadores, pueden ser una vía práctica para el despliegue.
- Deben probarse la presión sobre la memoria KV, contextos de hasta 128K y la concurrencia de los agentes, no solo las operaciones GEMM densas.
Estos requisitos se derivan de la brecha entre el ciclo de desarrollo de los modelos y el ciclo de fabricación de los chips. Un modelo puede cambiar semanal o mensualmente, mientras que el ciclo del chip puede tardar alrededor de 2,5 años en el mejor de los casos. Por ello, la capacidad de adaptación del software y el hardware adquiere más valor que acelerar un único modelo que puede perder relevancia antes de que termine la fabricación.
La inteligencia artificial en las herramientas de diseño de chips
Los modelos generales no bastan para las tareas de diseño de chips, según lo que el análisis recoge de Synopsys. Los resultados fiables dependen de datos de diseño limpios y documentados, de un contexto claro del flujo de trabajo y de una referencia de verdad confirmada. El ajuste de los pesos por sí solo no resuelve la falta o las contradicciones de los datos especializados.
Por ello, el valor de los modelos abiertos en las herramientas EDA puede estar relacionado con la capacidad de las empresas para mantener sus datos dentro de un entorno protegido y, posteriormente, añadir sus propios datos, flujos de trabajo y capas de conocimiento. En cuanto al aspecto de seguridad, no se limita al modelo en sí, sino que incluye la documentación de los archivos de pesos y las actualizaciones, la protección de la memoria y los canales DMA, el aislamiento de las cargas de trabajo y la compatibilidad con la reversión a una versión segura.
Lectura editorial: el cambio real no es que los modelos con pesos abiertos vayan a sustituir inmediatamente a los modelos proprietary, sino que trasladan la decisión sobre la inteligencia artificial de la elección de un servicio al diseño de un sistema completo. Las organizaciones tendrán que equilibrar el rendimiento, el coste, la privacidad y la capacidad de desarrollo, mientras que los diseñadores de chips se verán obligados a construir plataformas capaces de soportar los cambios en los modelos, en lugar de optimizarlas para un único estándar. La pregunta abierta sigue siendo hasta qué punto los modelos abiertos pueden cerrar la brecha de calidad en las tareas especializadas, especialmente cuando los datos fiables y el flujo de trabajo son más importantes que el tamaño del modelo por sí solo.