Tres startups dedicadas a los chips de IA están en plena negociación de rondas de financiación que, combinadas, podrían superar los $500 millones. FuriosaAI desde Corea del Sur, Nuvacore desde Israel y d-Matrix desde Silicon Valley, tienen un objetivo común: desafiar a NVIDIA en el mercado de inferencia de IA. Lo curioso es que esta coincidencia temporal revela una necesidad profunda: el mercado clama por una alternativa viable a los chips dominantes, y los inversores parecen dispuestos a invertir fuerte en quien logre ser el primero en brindar resultados.
La narrativa puede sonar optimista, hablando de competencia saludable y diversificación. Sin embargo, la realidad es que estas tres empresas corren contra el reloj, contra NVIDIA y entre ellas. El margen de error es prácticamente nulo, pues el mercado de chips de IA no suele premiar a los que llegan segundo. Si una de ellas logra una tracción comercial temprana, las otras dos podrían perder su oportunidad de oro. Este artículo analiza las arquitecturas técnicas de cada propuesta, los desafíos de ejecución y por qué los VCs están dispuestos a financiar una lucha que solo puede tener un ganador por segmento.
FuriosaAI y el problema de la inferencia rentable
FuriosaAI se centra en desarrollar chips para la inferencia de modelos de lenguaje grandes. Su apuesta es la arquitectura Tensor Contraction Processor (TCP), que prioriza operaciones de multiplicación de matrices dispersas sobre las densas optimizadas por NVIDIA. Esto tiene lógica: modelos transformers actuales tienen sparsity tras el fine-tuning, y explotar esa característica puede disminuir consumo energético y latencia.
Sin embargo, el reto es lograr una adopción temprana. NVIDIA ya tiene CUDA, bibliotecas maduras, soporte amplio y un ecosistema familiar para los equipos de ML. Migrar a una nueva arquitectura implica reescribir pipelines de inferencia, validar métricas de latencia en producción y asumir riesgos técnicos. FuriosaAI debe demostrar que su eficiencia energética compensa los costos de migración. Casos de éxito reales a escala son clave.
La empresa ya cuenta con clientes en Corea del Sur, pero expandirse a Europa y Estados Unidos significa competir con proveedores locales que poseen ventajas logísticas y regulatorias. La ronda que están negociando, estimada en $200 millones, apunta a financiar una expansión comercial agresiva y a formar equipos de ingeniería de aplicaciones para integrar sus chips en infraestructuras existentes. Sin esta capa de servicio, la tecnología solo será un logro de laboratorio.
La pregunta que FuriosaAI debe responder en 2026
¿Puede una startup convencer a equipos de ML, ya usuarios de A100s o H100s, de cambiar a una arquitectura propietaria? Todo depende del costo total de propiedad (TCO). Si FuriosaAI demuestra que su chip reduce el gasto operativo en un 40% o más, con latencia comparable, tendrá una propuesta de valor sólida. Si no, el costo de cambio será demasiado alto para la mayoría.
Nuvacore apuesta por el mercado vertical más grande: edge
Nuvacore tiene una estrategia diferente. Sus chips están diseñados para edge AI, ideales donde la baja latencia y bajo consumo energético son cruciales: automoción, robótica industrial, dispositivos médicos. Utiliza una arquitectura de procesamiento de eventos, permitiendo inferencias solo cuando cambian las entradas relevantes, en lugar de procesar continuamente datos completos.
Esto es una ventaja en aplicaciones donde las condiciones cambian gradualmente. Por ejemplo, en un sistema de visión automotriz, la mayoría de frames consecutivos son casi idénticos; solo cambian pequeñas regiones. Procesar solo los deltas reduce el consumo energético significativamente comparado con las GPUs tradicionales.
Aunque su ventaja técnica es clara, Nuvacore enfrenta un desafío comercial. El edge AI es un mercado fragmentado con múltiples casos de uso, cada uno con requisitos técnicos únicos. A diferencia del data center, donde un chip puede usarse para varios modelos, el edge necesita personalización. Nuvacore está negociando una ronda Serie B estimada en $150 millones para financiar equipos de ingeniería para cada vertical: automoción, salud, manufactura.
El riesgo de la fragmentación
Vender chips para edge AI implica ciclos de ventas largos, validaciones técnicas exhaustivas y certificaciones regulatorias por industria. Un chip para dispositivos médicos requiere aprobación de la FDA en EE.UU. y la CE en Europa. Uno para automoción necesita pasar pruebas de seguridad ISO 26262. Nuvacore apuesta a que pueden escalar ingeniería y ventas en paralelo sin comprometer márgenes. Si el desarrollo de productos verticales toma más de 18 meses, quemarán capital antes de generar ingresos recurrentes.
d-Matrix y la apuesta por memoria dentro del chip
d-Matrix presenta quizás la arquitectura más radical. Su chip integra memoria de alta velocidad directamente en el procesador (in-memory computing), eliminando el cuello de botella clásico de transferencia de datos entre DRAM y núcleos de cómputo. Para modelos grandes, donde el movimiento de pesos y activaciones entre memoria y procesador consume mucha energía, esto puede cambiar la economía de la inferencia.
La startup de Silicon Valley mostró benchmarks donde su chip puede ejecutar GPT-3.5 con una latencia 60% menor que una GPU H100 de NVIDIA, consumiendo 40% menos energía. Si estos resultados se verifican en producción, d-Matrix tiene una joya en sus manos. Pero aún no tienen chips en manos de clientes externos; los benchmarks se hicieron en prototipos internos.
d-Matrix busca la ronda más grande, estimada en $250 millones, para llevar su diseño a producción masiva con TSMC y construir un equipo de soporte para clientes empresariales. La diferencia entre un prototipo en laboratorio y un chip en producción es abismal: fabricación, manejo térmico, confiabilidad a largo plazo, drivers estables, integración con frameworks de ML. Cualquiera de estos problemas puede retrasar meses o años la comercialización.
El dilema del time-to-market
d-Matrix debe estar en producción antes de que NVIDIA lance nuevos chips con mejoras que anulen su ventaja. Si NVIDIA llega a incorporar memoria HBM4 o arquitecturas similares, la ventaja de d-Matrix se desvanece. El tiempo es crucial. La startup tiene probablemente una ventana de 18 a 24 meses para captar clientes y establecer presencia antes de que NVIDIA responda. Si durante ese tiempo solo iteran internamente, están perdidos.
La pregunta que los VCs están haciéndose ahora mismo
¿Por qué financiar tres startups compitiendo en el mismo mercado al unísono? Porque no están en el mismo segmento todavía, aunque convergerán. FuriosaAI se centra en data center inferencing, Nuvacore en edge, d-Matrix en alta performance computing. Sin embargo, todos eventualmente competirán por los mismos clientes hiperescaladores: AWS, Google Cloud, Microsoft Azure.
Los VCs están cubriendo sus apuestas. Si NVIDIA mantiene su dominio, estas startups desaparecerán o quedarán como actores marginales. Si alguna logra tracción con grandes clientes, podría convertirse rápidamente en un unicornio. El potencial retorno justifica el riesgo, especialmente cuando el mercado total de chips de IA se proyecta en $400 mil millones para 2030.
La dinámica entre las tres es fascinante. Cada una necesita mostrar tracción temprana para asegurar su próxima ronda, pero revelar clientes alerta a la competencia sobre qué segmentos funcionan. FuriosaAI podría estar cerca de un acuerdo con AWS, pero anunciarlo podría llevar a NVIDIA a ofrecer descuentos. d-Matrix podría estar en pruebas con Meta, pero hacerlo público invitaría a Nuvacore y FuriosaAI a atacar ese cliente.
La realidad incómoda del hardware de IA en 2026
El mercado de chips de IA no es como SaaS, donde puedes lanzar un MVP, validar product-market fit y escalar gradualmente. Desarrollar un chip requiere entre $50 y $100 millones antes de vender un producto. Los ciclos de desarrollo son largos, de 2 a 3 años. No puedes pivotar rápidamente si la arquitectura falla. Y al producir el chip, necesitas un ecosistema de software, drivers, herramientas de desarrollo y soporte.
NVIDIA no domina solo porque tiene mejores chips; tiene CUDA, cuDNN, TensorRT y 15 años de desarrolladores familiarizados con su stack. Competir contra eso requiere no solo un chip mejor, sino un ecosistema que convenza a los equipos de ingeniería de que vale la pena aprender una nueva plataforma. Ese es el verdadero fuerte de NVIDIA, y ninguna de estas startups lo ha replicado.
FuriosaAI, Nuvacore y d-Matrix esperan construir ese ecosistema con capital y rapidez. La pregunta no es si tienen tecnología superior—que probablemente la tienen en benchmarks específicos—sino si pueden ejecutar antes de agotar su runway o de que NVIDIA cierre la brecha técnica.
¿Cuál de estas tres arquitecturas tiene más posibilidades de sobrevivir los próximos dos años, y por qué el ecosistema de software será más crítico que las especificaciones técnicas del chip?