El cofundador y CEO de la start-up de semiconductores de Reino Unido Graphcore, Nigel Toon, recuerda que hace solo un par de años la idea de invertir en chips de semiconductores provocaba la risa de muchos inversores de capital riesgo. Toon afirma: "Llevabas una idea a una reunión, y muchos de los socios lloraban de la risa". Ahora, algunos empresarios de chips están siendo recibidos de una manera muy distinta. En lugar de risas, los inversores están extendiendo cheques.

Los inversores tienen bastantes razones para desconfiar del silicio, a pesar de haber dado nombre a Silicon Valley (EE. UU.). El desarrollo de chips de semiconductores cuesta mucho más que el software, y hasta hace poco tiempo había pocas posibilidades de lograr innovaciones radicales para diferenciar las nuevas versiones (ver "Innovar con materiales no es como crear 'apps', requiere una gran cantidad de capital"). Incluso aunque sobrevivan, las empresas jóvenes a menudo acaban obteniendo márgenes de beneficio más pequeños que las obleas de silicio de las que están hechos sus chips. Y los gigantes como Intel y Nvidia son unos formidables competidores con un profundo conocimiento de la industria y unos bolsillos aún más profundos.

Lo que ha cambiado es la creciente creencia entre algunos inversores de que la inteligencia artificial (IA) podría representar una oportunidad única para crear nuevas e importantes empresas de semiconductores. Los inversores han destinado casi 100 millones de euros en start-ups centradas en inteligencia artificial este año, casi tres veces más la cantidad invertida en todo 2015, según datos de PitchBook, un servicio que rastrea transacciones de empresas privadas.

Graphcore ha sido uno de los beneficiarios de este cambio de mentalidad, con una reciente inversión de unos 42 millones de euros en fondos de Sequoia Capital, uno de los principales fondos de Silicon Valley. Varias start-ups de chip más, incluidas Mythic, Wave Computing y Cerebras en Estados Unidos y DeePhi Tech y Cambricon en China, también están desarrollando nuevos chips adaptados para aplicaciones de inteligencia artificial. Cambricon, una de las start-ups chinas más destacadas del campo, ha recaudado unos 85 millones de euros en una ronda de financiación inicial liderada por un fondo del Gobierno chino.

Desde la llegada de la unidad central de procesamiento (CPU), los avances en hardware informático han generado innovaciones de software. Estas, a su vez, han inspirado mejoras posteriores del hardware. Y la IA podría convertirse en la última vuelta de este ciclo digital. En muchas industrias, las empresas han estado realizando fuertes inversiones en hardware para ejecutar sistemas de aprendizaje profundo (ver Aprendizaje profundo). Pero a medida que estos se vuelven más sofisticados, dejan al descubierto las limitaciones de los chips existentes utilizados para trabajos de inteligencia artificial.

Muchos de esos procesadores provienen de Nvidia, cuyos chips gráficos (GPU) son ampliamente utilizados para alimentar juegos y producciones gráficas (ver Este chip de 2.000 millones de dólares acelerará la inteligencia artificial). Los procesadores tienen miles de pequeños ordenadores que operan en paralelo para mostrar píxeles. Con algunos ajustes, han sido adaptados para ejecutar algoritmos de aprendizaje profundo, que también implican un gran número de cálculos ejecutados en paralelo.

Aunque han sido ampliamente adoptados, los GPU tienen algunos inconvenientes. Uno de los más importantes es que cuando muchos de ellos trabaja en paralelo, consumen mucha energía. La Universidad Carnegie Mellon (EE. UU.), un importante centro de investigación de inteligencia artificial, incluso tuvo que pedirles a los investigadores que redujeran el uso de chips temporalmente porque estaban llevando el sistema de energía de la universidad al límite. El profesor del centro Franz Franchetti dice que la universidad está estudiando fuentes energéticas alternativas para aliviar el problema.

Las start-ups de chips de inteligencia artificial planean producir procesadores con una mayor eficiencia energética. Pero lo que realmente les motiva es su fe en el potencial de los procesadores hechos a medida para aplicaciones de inteligencia artificial para superar a los chips menos especializados en una amplia gama de tareas de aprendizaje automático. La nueva generación de chips combina múltiples funciones de procesamiento en un único paso, mientras que los GPU requieren varias fases para obtener el mismo resultado. Las funciones suelen ser agrupadas para optimizar casos de uso específicos, como algoritmos de entrenamiento para ayudar a un vehículo autónomo a detectar posibles obstáculos en el futuro.

Graphcore afirma que en las pruebas preliminares su nueva "unidad de procesamiento de inteligencia", que empezará a enviar a los clientes iniciales durante el primer trimestre del próximo año, demostró ser entre 10 y 100 veces más rápida que el hardware actual en tales tareas. Cambricon, de China, ya está ganando aplausos con sus procesadores. Huawei, un cliente de Cambricon, reconoce que para las aplicaciones de aprendizaje profundo, como los algoritmos de entrenamiento para identificar imágenes, los chips de la start-up son seis veces más rápidos que ejecutar la misma función en un procesador gráfico.

Los investigadores están entusiasmados con la posibilidad de dar un salto significativo en la potencia computacional de la inteligencia artificial. "Todavía hay una gran brecha entre dónde nos encontramos ahora y lo que nos gustaría [poder] hacer", asegura el profesor del Imperial Collegue de Londres (Reino Unido) Andrew Davison, que se especializa en robótica y visión artificial. Davison cree que las innovaciones lanzadas al mercado por las start-ups de chips acelerarán los progresos en campos como el suyo.

Todo esto es muy esperanzador, pero no garantiza nada. Las grandes empresas de chips ya están presentando sus propios modelos especializados en inteligencia artificial para competir con las ofertas de las start-ups. Intel, por ejemplo, ha anunciado que lanzará una nueva familia de procesadores diseñados en colaboración con Nervana Systems, una start-up que adquirió el año pasado. Nvidia también se está apresurando a actualizar las capacidades de sus propios chips.

Las start-ups se enfrentan otro desafío. Muchas de ellas están diseñando hardware para aplicaciones de inteligencia artificial altamente especializadas, pero podrían necesitar años para llevar un chip al mercado. Dada la velocidad a la que está evolucionando el campo, existe un riesgo real de que para cuando sus productos estén ampliamente disponibles, los usos para los que fueron diseñados ya no sean importantes (ver ¿Quién ganará la batalla de los chips si el sector de la IA no para de cambiar?).

Shahin Farshchi de Lux Capital, que invirtió en Nervana y tiene una participación de Mythic, compara la situación con la de las start-ups que desarrollaban procesadores para aplicaciones inalámbricas 4G a mediados de la década de 2000. Muchas de ellas acabaron fracasando porque se habían optimizado para aplicaciones que no habían logrado una adopción masiva. "Va a producirse una nueva sacudida para las empresas de chips con un enfoque muy estrecho", dice.

Pero si empresas jóvenes desarrollan chips que abarcan un conjunto demasiado amplio de usos, es probable que sacrifiquen los niveles de rendimiento. Y eso podría dejarlos vulnerables a la competencia de Nvidia, Intel y otros. Algunas podrían ser compradas por los gigantes de los chips. Pero si muchas terminan fracasando, los inversores de riesgo empezarán a guardar sus chequeras de nuevo.