La inteligencia artificial necesita chips. Ahora, dos agencias europeas quieren que también ayude a diseñarlos. SPRIND, en Alemania, y NADI, la agencia que se está constituyendo en Países Bajos, han abierto una convocatoria para acelerar con IA el desarrollo de procesadores especializados.
El objetivo es pasar de años a semanas en el diseño. Es una meta del programa, no un plazo que sus participantes hayan demostrado ya. La diferencia importa: financiar una carrera tecnológica no equivale a haberla ganado.
Hasta 9,6 millones de euros por equipo
La convocatoria AI-Native Chip Design contempla veinte meses de trabajo: una primera fase de ocho, con hasta 2,6 millones de euros por equipo, y otra de doce, con hasta siete millones adicionales. El plazo de solicitud termina el 30 de noviembre de 2026, a las 11:00 CET.
Se buscan sistemas capaces de intervenir en la arquitectura, la generación de descripciones del circuito y su verificación. La financiación posterior para llevar los mejores diseños a fabricación está prevista, pero sus condiciones todavía deben concretarse.
Diseñar un chip y fabricarlo son trabajos distintos
Un plano puede ser excelente y seguir necesitando una fábrica. ASML explica que la producción de microchips implica cientos de pasos y puede requerir hasta cuatro meses desde el diseño hasta la fabricación en volumen.
Los circuitos se construyen sobre obleas de silicio mediante capas de patrones interconectados. Esas capas deben alinearse con precisión nanométrica. La litografía, los equipos de fabricación y el control de las condiciones dentro de las salas limpias siguen formando parte del proceso físico.
Por eso, automatizar decisiones de ingeniería no elimina por sí solo la dependencia de máquinas, materiales o capacidad industrial. El interés de la convocatoria está en mejorar una parte esencial de esa cadena: decidir qué circuito construir y comprobar que cumple los requisitos antes de enviarlo a producción.
La IA ya participa en diseños comerciales
Hay precedentes concretos. En septiembre de 2024, Google DeepMind explicó que AlphaChip había contribuido a la distribución física de bloques en varias generaciones de sus aceleradores TPU. La fotografía de portada muestra Trillium, un chip de Google utilizado aquí como ejemplo de ese trabajo anterior.
AlphaChip aborda la colocación de componentes como un problema de aprendizaje por refuerzo. Ensaya distribuciones y recibe una señal sobre su calidad. Según Google, el aprendizaje previo con otros diseños ayuda al sistema a proponer mejores soluciones.
Eso acredita un uso específico de IA dentro del diseño de chips; no demuestra que cualquier modelo pueda crear un procesador completo a partir de una frase. Tampoco convierte las imágenes de Google en resultados de la nueva convocatoria europea.
La prueba que realmente contará
El siguiente paso será ver qué equipos son seleccionados y qué entregan. Para evaluar el avance no bastará con mostrar un circuito vistoso: harán falta datos sobre el tiempo empleado, la corrección del diseño y su rendimiento y consumo frente a una alternativa comparable.
La oportunidad resulta fácil de entender. Si una herramienta reduce el coste de explorar y verificar diseños, más ideas podrían llegar a probarse. El salto industrial dependerá de que esos diseños funcionen cuando abandonen la simulación y se conviertan en silicio.