Google suma TPU 8i Max y 8tx y presiona a Nvidia

¿Qué anunció Google con los TPU 8tx y 8i Max?

Google sumó dos sistemas nuevos a su familia de chips de IA, los TPU, y ya son cuatro en doce meses: nunca había mantenido un ritmo así. Los TPU 8tx y TPU 8i Max llegarán a los clientes en 2027 y, según la compañía, no hay ni un solo circuito inédito dentro: reutilizan el silicio de los TPU 8t y 8i presentados en abril.

Para un founder que paga facturas de cómputo, el detalle importa más de lo que parece. Diseñar un procesador nuevo lleva años; rehacer la carcasa, la memoria y la red alrededor de un circuito que ya existe se resuelve en unos pocos meses. Google no está compitiendo por el chip más potente: está compitiendo por el costo por hora de un agente que trabaja solo durante horas.

The Next Web reportó que es la primera vez que Google presenta cuatro sistemas TPU en un mismo año, y que la compañía no divulgó precios ni fechas exactas de disponibilidad.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

TPU 8i Max: el chip pensado para agentes de IA con contextos enormes

El 8i Max mete dos chips 8i en una sola carcasa. El resultado: el doble de potencia de cálculo, el doble de memoria integrada y el doble de ancho de banda de memoria, sin ocupar un centímetro más en los racks de los centros de datos.

ServeTheHome detalla las cifras: 384 GB de memoria HBM, alrededor de un tercio más que un 8i, ancho de banda HBM de 17,2 TB/s y 768 MB de SRAM en chip. Cuando varios agentes trabajan sobre una base de código completa o analizan horas de video al mismo tiempo, el cuello de botella aparece en la memoria antes que en el cálculo.

Google apunta a contextos de un millón de tokens, suficientes para tragarse un repositorio entero. Y suma dos piezas de software: Agent Compute Engine, que pone en reposo a los agentes que esperan una respuesta, y TPU Sync, publicado en código abierto, que convierte la memoria del chip, la del servidor, el almacenamiento y la red en un único depósito. Google afirma que con él la espera se reduce más de un 90%.

TPU 8tx: cifrar los datos mientras se calculan

El segundo sistema juega otro partido. El 8tx está respaldado por procesadores AMD EPYC de quinta generación y mantiene los datos cifrados durante todo el cálculo, cuando lo normal es que se descifren en memoria para poder procesarlos.

Es el argumento para bancos, aseguradoras y gobiernos: se puede hacer fine-tuning sobre datos sensibles sin sacarlos del entorno seguro. The Next Web señala que el 8tx reduce la latencia hasta un 50% frente al TPU 8t, y que permite entrenar modelos pequeños y hacer aprendizaje por refuerzo sin mover datos entre clústeres.

¿Por qué Google no pelea contra Nvidia en potencia bruta?

Porque la pelea que le conviene es la de la factura. Un agente autónomo que pasa horas dándole vueltas a un problema consume cálculo como si no hubiera mañana, y ahí el precio por token pesa más que el benchmark.

Amin Vahdat, jefe de tecnología de IA e infraestructura de Google, escribió en el blog que el negocio de TPU ya tiene cerca de 100 clientes, entre laboratorios de IA de frontera, firmas de trading, retailers y universidades. A partir de ahora esos clientes podrán instalar las máquinas en sus propios centros de datos, ejecutar su código PyTorch sin reescribirlo gracias a TorchTPU y conectar módulos todavía en preversión a Claude Code o Cursor, los entornos donde le confías tu código a una IA.

Digital Market Reports añade que Google Cloud amplió el soporte de software para sus chips, con PyTorch, modelos de Hugging Face y frameworks de inferencia open source como vLLM y SGLang.

Queda el hueco obvio: no hay precios. Y para 2027, cuando estos sistemas lleguen a los clientes, Nvidia habrá tenido tiempo de sobra para sacar sus chips Rubin.

Anthropic ya reservó capacidad: qué dice eso del mercado

La fuente original apunta que Anthropic encargó estos TPU en cantidades enormes y que el precio pesó en su decisión. El research lo dimensiona: según Crypto Briefing, el acuerdo anunciado en abril de 2026 le da acceso a unos 3,5 gigavatios de capacidad TPU de próxima generación a partir de 2027, con Broadcom diseñando el silicio y un acuerdo de suministro que se extiende hasta 2031.

El mismo medio reporta que Broadcom ejecutó una financiación estructurada de US$63.000 millones, conocida como Project North Star y respaldada por Bank of America, Citigroup y Blackstone, para financiar esas compras, y que el S-1 de Anthropic proyecta un gasto superior a US$114.000 millones con Google.

La traducción para el resto del mercado es incómoda: los grandes laboratorios están cerrando capacidad a largo plazo. Las acciones de Alphabet subieron alrededor de un 3% tras el anuncio, según la fuente original.

¿Qué significa esto para tu startup?

Tres movimientos concretos:

Modela el costo por token antes de escalar agentes. Si tu producto tiene agentes que corren durante horas con contextos largos, el gasto no está en el entrenamiento sino en la inferencia. Pide a tu proveedor de nube el precio por millón de tokens en TPU y compáralo con GPU antes de comprometer un roadmap.
Si manejas datos regulados, el 8tx cambia el cálculo. Poder hacer fine-tuning sobre datos sensibles sin descifrarlos en memoria abre casos que antes exigían montar infraestructura propia o directamente renunciar al dato. Vale la pena revisar si tu vertical (fintech, salud, legal) puede aprovecharlo.
Reduce el costo de migración con PyTorch. TorchTPU y el soporte de vLLM y SGLang bajan la barrera para mover cargas existentes. Prueba portabilidad ahora, mientras no hay precios públicos: la compatibilidad es tu seguro contra el lock-in cuando las tarifas se conozcan.

Y una advertencia de timing: si la capacidad se reserva con años de anticipación, negociar cupo tarde sale más caro. Para equipos en LATAM y España, que rara vez compiten en volumen con los laboratorios de frontera, la palanca realista es la portabilidad entre proveedores, no el descuento por escala.

Conclusión

Google no intenta ganar la carrera del chip más rápido. Está construyendo la ruta barata para agentes que trabajan solos durante horas, y lo hace reutilizando silicio para llegar antes. El riesgo está en el calendario: sin precios públicos y con Nvidia preparando Rubin para 2027, la ventaja de costo todavía es una promesa. Para un founder, la decisión sensata no es elegir bando hoy, sino mantener el código lo bastante portable como para elegir cuando los números estén sobre la mesa.