La carrera de la inteligencia artificial suele contarse a través de modelos cada vez más grandes. Pero cuando millones de personas empiezan a usarlos, aparece otra competencia menos visible: responder rápido, consumir menos energía y bajar el costo de cada consulta. Positron AI acaba de recibir US$ 875 millones para intentar resolver esa parte del problema.
La ronda llevó la valuación de la empresa a US$ 5.000 millones. La startup, fundada en 2023, desarrolla hardware y software específicamente orientados a la inferencia: el momento en que un modelo ya entrenado procesa una solicitud y genera una respuesta.
Entrenar una IA y usarla no son la misma tarea
El entrenamiento de un modelo requiere enormes cantidades de cómputo para aprender patrones a partir de datos. La inferencia llega después: ocurre cada vez que una persona escribe una pregunta, genera una imagen, resume un documento o utiliza una función inteligente dentro de una aplicación.
A medida que crece el uso cotidiano de la IA, la infraestructura debe servir una cantidad cada vez mayor de respuestas. En ese escenario, no alcanza con tener procesadores rápidos. Los modelos y sus datos necesitan moverse continuamente entre memoria y cómputo, y esa transferencia puede convertirse en un límite para la velocidad y el costo del sistema.
Positron propone una arquitectura “memory-first”, o centrada en memoria. Su objetivo es mantener más información disponible cerca del procesamiento y aprovechar mejor el ancho de banda. La compañía afirma que sus sistemas Atlas utilizan memoria LPDDR5X, habitual en dispositivos de consumo, en lugar de depender exclusivamente de memorias HBM más costosas y con una cadena de suministro exigida.
Qué financiará la inversión
La ronda fue anunciada por Positron el 10 de septiembre y contó con inversores como NEA, Valor Equity Partners, Atreides Management, Andra Capital y SemiAnalysis Capital. Liberty Global Tech Ventures confirmó su participación un día después. Según la información de las empresas, Atlas ya está desplegado en infraestructura de gran escala y la lista de clientes incluye a Oracle, Jump Trading y Parasail.
Parte del nuevo capital se destinará a Asimov, el procesador de próxima generación de Positron. La empresa prevé completar el diseño para fabricación hacia fines de 2026 y comenzar la producción durante la segunda mitad de 2027. Ese chip será la base de Titan, un sistema pensado para modelos con contextos extensos y grandes necesidades de memoria.
La apuesta también tiene una dimensión energética y operativa. Positron sostiene que Atlas puede instalarse en centros de datos existentes sin cambiar sus sistemas de refrigeración. Si esa ventaja se confirma a escala, podría reducir una barrera concreta para empresas que quieren incorporar IA sin reconstruir toda su infraestructura.
Una inversión grande no reemplaza las pruebas
Los US$ 875 millones muestran confianza inversora, pero no constituyen por sí solos una validación técnica. El rendimiento real dependerá de comparaciones independientes sobre velocidad, consumo, estabilidad, compatibilidad de software y costo por respuesta. Asimov todavía debe completar su fabricación y demostrar su desempeño en cargas reales.
La distinción importa porque las especificaciones anunciadas por una compañía describen una promesa de ingeniería. Para convertirla en una ventaja comprobada se necesitan métricas comparables, condiciones transparentes y resultados repetibles. En tecnología, el dato más llamativo de una presentación no siempre es el que mejor anticipa el uso cotidiano.
Por qué la memoria se volvió parte de la conversación sobre IA
Durante años, el foco público estuvo puesto en la cantidad de parámetros y la potencia de los chips. Ahora también importan la latencia, la eficiencia y el precio de ejecutar modelos muchas veces al día. La infraestructura de inferencia es el puente entre una demostración de laboratorio y un servicio capaz de responder a usuarios reales.
Ese cambio amplía las preguntas profesionales alrededor de la IA. No solo se necesitan especialistas que diseñen modelos: también hacen falta personas capaces de preparar datos, medir rendimiento, optimizar sistemas y traducir resultados técnicos en decisiones. La formación en Ciencia de Datos e Inteligencia Artificial se conecta con esa mirada integral, donde los modelos conviven con la calidad de la información, la evaluación y la infraestructura que los sostiene.
Positron no está apostando a crear el chatbot más conocido. Su apuesta es estar detrás de millones de respuestas sin que el usuario note el trabajo de la memoria. La magnitud de la inversión sugiere que esa capa invisible se convirtió en uno de los territorios más disputados de la próxima etapa de la IA.
Fuentes
Más noticias sobre tecnología, ciencia y trabajo en UniNews.
