Google suma TPU 8tx y TPU 8i Max a su octava generación

¿Qué anunció Google exactamente?

Google presentó el lunes dos nuevas variantes de sus tensor processing units (TPU), los chips que la compañía desarrolla internamente para cargas de trabajo de IA. Se llaman TPU 8tx y TPU 8i Max y amplían el portafolio hacia dos casos de uso que hasta ahora quedaban fuera: la inferencia confidencial y el manejo de contextos mucho más grandes.

Ambas piezas forman parte de la octava generación de TPUs que Google presentó en abril de 2026, y construyen sobre lo que esa generación ya ofrecía: más capacidad de inferencia y soporte para entrenamientos de gran escala. El movimiento responde a una estrategia clara: reducir la dependencia de chips fabricados por terceros para su negocio de cloud computing.

Hay un matiz que suele pasar desapercibido y que cambia cómo se lee el anuncio. Según DataCenterDynamics, Google ya no describe estas piezas como chips sueltos sino como «sistemas TPU»: reconfiguró cómputo, red, almacenamiento y empaquetado alrededor de dos silicios base, el TPU 8t (entrenamiento) y el TPU 8i (inferencia). Es decir, vende una arquitectura completa, no un componente.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué hace el TPU 8tx y por qué se diseñó con AMD?

El TPU 8tx está orientado a entrenar y ejecutar modelos de IA de forma confidencial. Se apoya en el mismo silicio que el TPU 8t, pero se combina con hosts de CPU de AMD; Business Standard reporta que se trata de procesadores EPYC de quinta generación.

El problema que ataca es concreto: los datos se cifran cuando se almacenan o viajan por la red, pero hay que descifrarlos en memoria para poder procesarlos. Ese es el hueco por el que se filtra información sensible. Google afirma que el TPU 8tx «construye la seguridad directamente en la capa de hardware», manteniendo los datos sensibles y los pesos del modelo protegidos y aislados incluso mientras están en uso activo.

El sistema incorpora además una red de inferencia personalizada y la red Boardfly de Google. Según la compañía, eso permite hasta 2x menos latencia frente al TPU 8t con una penalización de rendimiento casi nula, lo que habilita razonamiento en tiempo real y agentes que ejecutan varios pasos sin detenerse.

Para equipos de producto hay una capacidad especialmente relevante: el TPU 8tx permite ajustar modelos con datos privados, destilar modelos grandes en versiones más pequeñas y entrenar agentes con aprendizaje por refuerzo, todo sin mover datos sensibles entre clústeres separados. En la práctica, elimina el paso más incómodo de cualquier pipeline con información regulada.

¿Qué resuelve el TPU 8i Max?

El TPU 8i Max ataca el llamado «muro de memoria»: la brecha entre la velocidad del procesador y el ancho de banda disponible. La solución es de empaquetado: combina dos chips TPU 8i en un solo paquete, con el doble de cómputo, el doble de SRAM y el doble de ancho de banda HBM.

El caso de uso es fácil de reconocer para cualquiera que haya construido agentes. Cuando un agente recorre una base de código completa o analiza horas de video de forma simultánea, el ancho de banda se convierte en el cuello de botella real, no la capacidad de cómputo. Google sostiene que, al meter el doble de silicio en el mismo espacio de rack, los data centers pueden desplegar más capacidad por pie cuadrado y por vatio.

Amin Vahdat, chief technologist y SVP de AI e Infraestructura de Google, resumió la lógica del portafolio en su blog: los cuatro sistemas de la octava generación cubren «un acelerador hecho a medida para cada etapa del ciclo de vida agéntico» — el TPU 8t para entrenamiento a escala, el TPU 8i para razonamiento de baja latencia, el TPU 8tx para cómputo confidencial y el TPU 8i Max para ventanas de contexto masivas.

¿Qué significa esto para tu startup?

La lectura útil no está en la ficha técnica sino en lo que deja de ser tu problema. Si tu producto maneja datos regulados —salud, fintech, sector público— la inferencia confidencial deja de ser un requisito que te obliga a montar y certificar tu propia infraestructura. Puedes procesar información sensible en un entorno donde el propio hardware la aísla.

Dos acciones concretas que puedes tomar esta semana:

Revisa tu cuello de botella real antes de migrar nada. Si tus agentes se frenan por contexto largo y no por cómputo, el problema es memoria y ancho de banda. Ese es exactamente el eje que ataca el TPU 8i Max, así que vale la pena medir tokens de contexto por consulta antes de decidir arquitectura.
Chequea la compatibilidad de tu stack. Business Standard reporta que, junto al hardware, Google sumó soporte para PyTorch, modelos de Hugging Face y motores de inferencia open source, con foco declarado en reducir costos de infraestructura de IA. Si tu equipo ya usa ese stack, el costo de evaluar TPUs bajó de forma notable.

Un tercer punto, más estratégico: si tu startup depende de un único proveedor de cómputo, este anuncio es una señal de que la oferta se está diversificando por tipo de carga. Negociar con esa carta en la mano es distinto a negociar cuando solo hay una opción.

¿Por qué importa en el contexto de Nvidia?

El anuncio llega en un momento de presión competitiva intensa. Microsoft, Amazon y laboratorios como OpenAI y Anthropic trabajan en sus propias líneas de semiconductores para IA y el software que las acompaña, con el mismo objetivo: reducir su dependencia del dominio de Nvidia.

El tamaño del mercado explica la urgencia. Según el informe de ResearchAndMarkets difundido por Yahoo Finance, el mercado global de chips de inferencia de IA estaba valorado en USD 92.000 millones en 2025 y se estima en USD 128.000 millones para 2026, con proyección de USD 589.500 millones hacia 2036 y una tasa de crecimiento anual compuesta del 16,5% entre 2026 y 2036. El mismo informe señala que Nvidia reportó que la inferencia representó cerca del 40% de sus ventas de data center en el ejercicio fiscal 2024, y que OpenAI planea 10 gigavatios de aceleradores co-desarrollados con Broadcom y 6 gigavatios de GPUs de AMD.

Hay un factor que suele quedar fuera de la conversación y que conviene tener en el radar: la energía. Según la Agencia Internacional de la Energía, el consumo eléctrico global de los data centers pasaría de aproximadamente 415 teravatios-hora en 2024 a unos 945 teravatios-hora en 2030. Eso empuja la competencia hacia chips más eficientes por vatio, que es justamente el argumento de densidad que Google usa para el TPU 8i Max.

En el plano reputacional, TechCrunch señala que la noticia llega en un momento delicado para Nvidia, después de que su CEO, Jensen Huang, reconociera una relación extramatrimonial con una persona señalada como espía china.

Conclusión

Google no está compitiendo por el chip más rápido, sino por cubrir cada etapa del ciclo de vida de los agentes de IA con hardware especializado. Para un founder, la consecuencia práctica es que la infraestructura de IA deja de ser una decisión binaria entre «GPU de Nvidia» y «lo que haya» y se convierte en una decisión de arquitectura por tipo de carga: seguridad, latencia o contexto.

La pregunta que conviene hacerse ahora no es si conviene migrar, sino cuál de esos tres ejes es el que hoy te está costando dinero. Ahí es donde este tipo de anuncios se traduce en margen.