La carrera por construir infraestructura para inteligencia artificial ya no consiste únicamente en comprar más aceleradores. Cada vez más compañías están diseñando chips específicos para sus propias cargas de trabajo, y Amazon es uno de los ejemplos más claros con sus familias Graviton y Trainium. El 30 de septiembre de 2026, Amazon y Synopsys anunciaron un acuerdo multianual valorado en más de 920 millones de euros (más de 1.000 millones de dólares) para ampliar su colaboración en diseño de silicio.
Qué aporta Synopsys
Synopsys desarrolla herramientas utilizadas para diseñar, simular, verificar y analizar circuitos integrados. También comercializa bloques de propiedad intelectual que pueden incorporarse a diseños de chips. En lugar de construir cada componente desde cero, un fabricante puede utilizar IP especializada y concentrar sus esfuerzos en la arquitectura que necesita.
El nuevo acuerdo amplía la colaboración de Amazon con Synopsys hacia IP de silicio optimizada para aplicaciones concretas. La empresa tecnológica quiere seguir desarrollando procesadores diseñados alrededor de las necesidades de sus centros de datos.
Amazon lleva años diseñando chips propios
AWS ya utiliza varias familias de silicio personalizado. Graviton está orientada a computación general, mientras que Trainium se centra en cargas de entrenamiento e inferencia de inteligencia artificial. Amazon también desarrolla Nitro para funciones relacionadas con seguridad, redes y almacenamiento en sus servidores.
El motivo para crear chips propios es relativamente sencillo: un proveedor cloud controla enormes cantidades de hardware y puede obtener ventajas si diseña el silicio específicamente para sus servicios.
Un procesador genérico debe funcionar razonablemente bien en multitud de aplicaciones. Un chip diseñado para un centro de datos concreto puede priorizar exactamente las operaciones que ese entorno utiliza con mayor frecuencia.
El diseño de chips se está convirtiendo en un problema de software
Uno de los aspectos más interesantes del acuerdo es que no se limita al hardware. Synopsys también está incorporando herramientas de inteligencia artificial a los flujos de diseño electrónico automatizado, conocidos como EDA.
Diseñar un chip moderno implica explorar enormes cantidades de posibilidades. Hay que decidir cómo organizar bloques, cómo distribuir señales, cómo controlar el consumo, cómo gestionar el calor y cómo verificar que el diseño funciona correctamente. La IA puede ayudar a automatizar parte de esa exploración y a encontrar soluciones que un ingeniero podría tardar mucho más en probar manualmente.
Amazon también utilizará AWS para desarrollar Synopsys
El acuerdo es interesante porque funciona en ambas direcciones. Synopsys utilizará Amazon EC2, almacenamiento cloud y Amazon Bedrock para acelerar su propio desarrollo de productos y construir aplicaciones y agentes basados en IA.
Esto crea un ciclo tecnológico bastante curioso: AWS proporciona infraestructura para que Synopsys desarrolle herramientas destinadas a diseñar chips, mientras que esas herramientas ayudan a AWS a diseñar nuevos chips. La frontera entre fabricante de infraestructura y usuario de infraestructura se vuelve cada vez menos clara.
Por qué los chips personalizados importan para la IA
El entrenamiento y la inferencia de modelos de IA requieren cantidades enormes de cálculo y memoria. Una pequeña mejora en eficiencia puede multiplicarse por miles de servidores. Por eso las grandes compañías cloud tienen incentivos para controlar cada vez más partes de la cadena.
Un chip personalizado puede diseñarse para maximizar el rendimiento de una carga concreta, reducir el consumo energético o disminuir el coste por operación. No significa que las GPU generalistas vayan a desaparecer. Significa que los centros de datos pueden combinar distintos tipos de aceleradores dependiendo de la tarea.
La memoria también importa
El rendimiento de un acelerador no depende únicamente de sus unidades de cálculo. La memoria de alto ancho de banda, las interconexiones y la comunicación entre chips son factores críticos. Un procesador extremadamente rápido puede pasar buena parte del tiempo esperando datos si la arquitectura de memoria no acompaña.
Por eso el diseño moderno de un sistema de IA se parece cada vez más al diseño de un ordenador completo. CPU, aceleradores, memoria, redes, almacenamiento y software deben funcionar como una unidad.
El papel de la IA en la ingeniería electrónica
La parte más profunda de esta noticia es probablemente la utilización de IA para diseñar la propia infraestructura de IA. Si las herramientas pueden reducir el tiempo necesario para explorar arquitecturas, verificar circuitos o optimizar layouts, el ciclo de desarrollo de nuevos chips podría acelerarse.
Eso no elimina a los ingenieros. La automatización necesita objetivos, restricciones y verificación. Un diseño que parece óptimo en una simulación puede fallar por razones físicas o de fabricación. La ventaja está en automatizar partes repetitivas y permitir que los especialistas dediquen más tiempo a decisiones arquitectónicas.
Una carrera que va más allá de NVIDIA
El crecimiento de chips personalizados demuestra que el mercado de IA no depende de una única arquitectura. NVIDIA mantiene una posición enorme, pero Amazon, Google, Microsoft y otros grandes operadores llevan años desarrollando silicio propio.
El acuerdo entre Amazon y Synopsys refuerza esa tendencia. La infraestructura de IA se está convirtiendo en una pila completa en la que las compañías quieren controlar desde el modelo y el software hasta los aceleradores y las herramientas utilizadas para diseñarlos.
El resultado será probablemente una informática más especializada. Para el usuario final, todo seguirá pareciendo una aplicación que responde en segundos. Detrás de esa respuesta habrá cada vez más capas de chips diseñados específicamente para que el cálculo sea viable.
