El chip MTIA de Meta en producción: por qué fabricar silicon propio no es lo mismo que independizarse de Nvidia
Meta arranca la producción de su chip MTIA en septiembre, firma con Broadcom hasta 2029 y anuncia hasta 145.000 millones en capex. Spoiler: Nvidia sigue cobrando.
En este artículo
El titular que Meta quiere que leas (y el que no)
El memo interno filtrado a Reuters el 9 de julio es claro: Meta arrancará la producción de su último chip MTIA en septiembre de 2026. Las pruebas se completaron en unas seis semanas. El plan es pasar de 7 gigavatios de capacidad de cómputo este año al doble en 2027.
Eso es lo que Meta quiere que titules.
Lo que no quiere que titules es la frase que aparece unas líneas más abajo en ese mismo memo: la empresa todavía espera gastar sumas considerables con Nvidia y AMD. No hay benchmarks públicos del MTIA frente a una H100 o una B200 en cargas reales. No hay cifras confirmadas de ahorro. Y el chip no sirve para entrenar los modelos de lenguaje grandes que determinan el futuro competitivo de la empresa.
Fabricar silicon propio es un movimiento legítimo y técnicamente ambicioso. Pero confundirlo con independencia de Nvidia es el tipo de narrativa que vende bien en una presentación de inversores y se cae a pedazos cuando miras los números de capex.
Qué es el MTIA y para qué sirve de verdad
MTIA son las siglas de Meta Training and Inference Accelerator. El programa existe desde 2023 y está diseñado con una arquitectura modular de chiplets: en lugar de un único trozo de silicio monolítico, el chip se compone de módulos que pueden actualizarse de forma independiente conforme evolucionan las necesidades. En teoría, esto permite iterar más rápido que con un diseño tradicional, lo cual importa mucho cuando la IA cambia tan rápido que un chip diseñado hoy puede quedar obsoleto antes de que llegue a producción.
La cadena de suministro que hay detrás tampoco es sencilla: Broadcom diseña el chip junto a Meta, TSMC lo fabrica, Samsung pone la RAM, Sandisk el almacenamiento y Sumitomo Electric la fibra óptica. Cinco empresas de tres continentes distintos metidas en el mismo producto. Diversificar proveedores tiene sentido estratégico, Meta reduce su exposición al ecosistema Nvidia, pero también multiplica los puntos de fallo y la complejidad logística.
El MTIA 300 ya opera en los sistemas de recomendación de Facebook e Instagram, según confirma The Next Web. Y ahí está la clave que muchos titulares omiten: el MTIA es un chip de inferencia y recomendación, no de entrenamiento de modelos grandes.
Cuando Meta quiere entrenar Llama 5 o el siguiente modelo de lenguaje que compita con GPT-5 o Gemini Ultra, necesita clusters de GPUs de Nvidia o AMD con decenas de miles de unidades trabajando en paralelo. El MTIA no juega en esa liga, ni está diseñado para hacerlo. Su terreno es el que más carga genera a escala: los algoritmos que deciden qué anuncio ves, qué vídeo aparece en tu feed de Instagram o cómo se clasifica el contenido en tiempo real para miles de millones de usuarios simultáneos.
Eso es enorme en volumen. Pero es una fracción del problema total de infraestructura de Meta.
El acuerdo con Broadcom: lo que sí confirma y lo que exagera el hype
El 15 de abril, The Next Web reportó que Meta y Broadcom extendieron su alianza hasta 2029, cubriendo varias generaciones del chip MTIA. El compromiso inicial es de más de 1 GW, calificado como "la primera fase de un despliegue sostenido de múltiples GW". El CEO de Broadcom, Hock Tan, dejó el consejo de Meta para convertirse en asesor centrado específicamente en la estrategia de chips personalizados de la empresa.
Hay un dato técnico que merece atención: Broadcom confirmó que la nueva generación MTIA será el primer chip de IA personalizado de la industria fabricado en proceso de 2 nanómetros. Esto importa porque cuanto menor es el nodo de fabricación, más transistores caben por milímetro cuadrado, lo que en teoría se traduce en mayor eficiencia energética y rendimiento por vatio. El proceso de 2nm lo fabrica TSMC, que también produce los chips más avanzados de Apple y, sí, los de Nvidia.
Sin embargo, hay una trampa en esta afirmación: las fuentes disponibles no confirman con claridad si el chip que comenzará producción en septiembre es exactamente este modelo de 2nm o una generación anterior. El memo filtrado a Reuters habla de producción en septiembre sin especificar el proceso de fabricación. TNW menciona 2nm para la próxima generación MTIA, pero la coincidencia temporal no está verificada. Son probablemente el mismo chip, pero afirmarlo como hecho sería ir más allá de lo que las fuentes permiten.
"La primera fase de un despliegue sostenido de múltiples GW", Broadcom, sobre el compromiso inicial con Meta
Están previstas tres generaciones adicionales de chips MTIA hasta 2027, todas orientadas principalmente a inferencia. Eso significa que Meta tiene visibilidad de producto para al menos cuatro años, lo cual es inusual en una industria donde los ciclos de hardware se han comprimido brutalmente.
Los números que destrozan el relato de la independencia
Zuckerberg declaró que esta colaboración busca construir "la base de cómputo para superinteligencia personal para miles de millones". Frase grande. Ahora vamos a los números.
El capex previsto de Meta para 2026 está entre 125.000 y 145.000 millones de dólares, con gran parte destinada a infraestructura de IA. Esto no es dinero que va solo a chips MTIA. Es una cifra que incluye:
- 6 GW de GPUs de AMD (acuerdo confirmado para 2026)
- Millones de chips Nvidia (Meta sigue siendo uno de los mayores clientes de Nvidia del mundo)
- CPUs diseñadas con Arm para cargas específicas
- Capacidad alquilada a proveedores neocloud como CoreWeave y Nebius
Y a esto hay que sumarle el acuerdo con Amazon para usar millones de procesadores AWS Graviton en tareas de inferencia compleja: codificación y razonamiento en tiempo real para sus agentes de IA. Graviton son CPUs diseñadas por Amazon, no GPUs. El hecho de que Meta las use para inferencia compleja apunta a un cambio de mentalidad importante: no toda la carga de inferencia necesita una GPU. Para ciertas tareas de razonamiento, una CPU especializada puede ofrecer mejor relación coste-rendimiento. Esto podría, en teoría, erosionar algo del dominio de Nvidia en el segmento de inferencia, pero no en el de entrenamiento, donde las GPU siguen siendo insustituibles por ahora.
El dato anterior de Meta firmando un contrato de 10.000 millones de dólares con Google también está sobre la mesa.
Junta todas estas piezas y el cuadro es el opuesto al relato de la independencia: Meta está construyendo la cartera de proveedores de hardware más diversificada y cara de su historia. Tiene chips propios, chips de AMD, chips de Nvidia, CPUs de Arm, CPUs de Amazon y capacidad alquilada en la nube. No está saliendo de la dependencia de un proveedor. Está distribuyendo el riesgo entre siete u ocho proveedores simultáneamente, lo cual es una estrategia diferente, y probablemente más inteligente, pero no es independencia.
Por qué seis semanas de pruebas exitosas no convencen del todo
Hay un detalle en el memo filtrado que merece más atención de la que ha recibido: el chip superó las pruebas en aproximadamente seis semanas, y eso aceleró la decisión de ir a producción en septiembre.
Seis semanas es un plazo muy corto para validar un chip de esta complejidad en condiciones de producción real. Los ciclos de validación de hardware crítico suelen medirse en meses, no en semanas, especialmente cuando hablamos de un chip que va a gestionar la infraestructura de recomendación de más de tres mil millones de usuarios activos.
Hay dos interpretaciones posibles. La primera, optimista: el chip estaba tan bien diseñado que las pruebas fueron rápidas porque simplemente funcionaba. La segunda, más incómoda: hay presión interna para acortar los plazos ante la carrera de capex que Meta está librando contra Google, Microsoft y Amazon, y seis semanas es lo que hubo aunque idealmente se habría querido más tiempo.
Meta no ha hecho comentarios públicos sobre el rendimiento real del MTIA frente a las GPUs que compra a Nvidia y AMD. Esa ausencia de benchmarks comparativos independientes es, en sí misma, información. Cuando un chip rinde mejor que la competencia en cargas reales, las empresas publican esos números. Cuando no los publican, o no los tienen, o los tienen y no convencen.
Esto no significa que el MTIA sea malo. Significa que no lo sabemos. Y en un sector que vende hype a precio de oro, "no lo sabemos" es la respuesta más honesta disponible. Si quieres entender por qué los benchmarks de IA suelen decir menos de lo que prometen, merece la pena revisar qué miden los benchmarks de IA y qué ocultan.
Meta no está sola, y eso también importa
El movimiento de Meta hacia silicon propio no es una rareza: es la tendencia de toda la industria.
OpenAI presentó un procesador de inferencia desarrollado con Broadcom, el mismo Broadcom que trabaja con Meta, . Anthropic evalúa chips propios con Samsung. Google lleva años con sus TPU (Tensor Processing Units), aunque a diferencia del MTIA, las TPU de Google se ofrecen a clientes externos a través de Google Cloud. Amazon tiene sus chips Trainium y Graviton, también disponibles para terceros. El MTIA, en cambio, es exclusivamente para uso interno de Meta.
Esta distinción importa: Google y Amazon han convertido su inversión en silicon propio en un producto que venden. Meta no. El MTIA es una optimización de costes y control operativo, no una nueva línea de negocio. Eso cambia el cálculo de retorno sobre la inversión.
El patrón de fondo es el mismo para todos: Nvidia tiene demasiado poder sobre los precios, los plazos de entrega y la hoja de ruta del hardware más crítico del mundo. Cuando una empresa depende de un único proveedor para el componente que define su capacidad competitiva, ese proveedor tiene demasiada palanca. Diversificar no es capricho tecnológico; es gestión de riesgo empresarial básica.
Pero diversificar lleva años. Requiere iteraciones de hardware que nadie publica si salen mal. Requiere que los equipos de software reescriban sus stacks para aprovechar arquitecturas que no son CUDA, el ecosistema de programación de Nvidia que lleva veinte años acumulando ventaja, . Y requiere que los chips propios sean lo suficientemente buenos como para justificar el coste de ese cambio frente a simplemente comprarle más hardware a Nvidia.
Ninguna de estas empresas ha cruzado ese umbral todavía. Todas siguen pagándole a Nvidia mientras desarrollan sus alternativas. Meta incluida.
Lo que esto significa para Nvidia (y para todos los demás)
Nvidia facturó más de 130.000 millones de dólares en su último ejercicio fiscal, con márgenes brutos superiores al 70%. Eso solo es posible porque sus clientes no tienen alternativa real a corto plazo. Cada anuncio de chip propio, Meta, Google, Amazon, Microsoft, OpenAI, es una señal de que el mercado quiere cambiar esa dinámica.
Pero las señales tardan años en convertirse en realidad. Los chips de 2nm de Meta, si todo va según el plan, estarán en despliegue significativo en 2027. Para entonces, Nvidia habrá lanzado al menos dos generaciones más de hardware. La ventaja de ecosistema que tiene Nvidia, no solo el hardware, sino las librerías, los drivers, el tooling, los ingenieros que saben programar para CUDA, no desaparece porque Meta haga un chip bueno para inferencia de recomendación.
Lo que sí puede cambiar, gradualmente, es la mezcla de cargas de trabajo que acaban en GPUs de Nvidia versus las que van a chips propios o CPUs especializadas. Si Meta puede cubrir el 30% de su carga de inferencia con MTIA y Graviton de Amazon a menor coste por operación, eso reduce la dependencia en el margen. No la elimina.
Y ese margen importa cuando tu capex es de 145.000 millones de dólares al año. Si consigues que el 20% de esa factura vaya a chips más baratos o propios en lugar de a Nvidia, estás hablando de decenas de miles de millones en ahorro potencial a largo plazo. Ese es el negocio real detrás del MTIA: no la independencia, sino la negociación. Cuanto más viable sea tu alternativa propia, más poder tienes para negociar precios con Nvidia.
Preguntas frecuentes
¿Para qué usa Meta sus chips MTIA exactamente?
El MTIA está diseñado para inferencia y sistemas de recomendación: los algoritmos que deciden qué contenido ves en Facebook e Instagram, cómo se clasifican los anuncios y cómo funciona la IA en tiempo real en las apps de Meta. No se usa para entrenar modelos de lenguaje grandes como Llama, tarea para la que Meta sigue necesitando GPUs de Nvidia y AMD.
¿El acuerdo con Broadcom hasta 2029 significa que Meta ya no depende de Nvidia?
No. La extensión del acuerdo con Broadcom garantiza varias generaciones de chips MTIA para inferencia, pero Meta simultáneamente tiene comprometidos 6 GW de GPUs de AMD, millones de chips Nvidia y capacidad alquilada en nube para 2026. El chip propio diversifica proveedores; no reemplaza a Nvidia para las cargas de entrenamiento.
¿Qué rinde el chip MTIA frente a una GPU de Nvidia en la práctica?
No se sabe. Meta no ha publicado benchmarks comparativos independientes del MTIA frente a H100 o B200 en cargas reales. Esa ausencia de datos es deliberada o reveladora: cuando un chip supera a la competencia, los fabricantes publican los números. La falta de comparativas públicas no confirma que el chip sea malo, pero tampoco permite afirmar que sea mejor.
¿Por qué Meta no vende su chip MTIA a otras empresas como hace Google con sus TPU?
El MTIA es para uso interno exclusivo. A diferencia de las TPU de Google o el Trainium de Amazon, que están disponibles para clientes externos a través de sus respectivas nubes, Meta no tiene negocio de cloud computing que vender. El MTIA es una herramienta de optimización de costes y control de infraestructura, no una nueva línea de ingresos.
