PUBLICADO EL 13 DE OCTUBRE DE 2026
Microsoft y Intel presentaron sus chips de IA el mismo día: el Maia 300 promete 7 veces más tokens por rack, y el GPU D270 de Intel corre en cualquier servidor sin refrigeración líquida
En el Open Compute Project Global Summit del 12 de octubre, Microsoft presentó el Azure Maia 300 — 96 chips por rack, 7 veces más rendimiento que su generación anterior y 40% más eficiencia energética frente a GPUs convencionales, con despliegue masivo en 2027. El mismo día, Intel dio nombre y especificaciones oficiales a su chip Crescent Island: GPU D270, 1,3 petaflops FP8, 480 GB de memoria y solo 350 vatios en formato PCIe que no necesita refrigeración líquida. Los dos anuncios llegan en el mismo evento y apuntan al mismo objetivo: reducir la dependencia del sector en Nvidia.
El 12 de octubre de 2026, en el Open Compute Project Global Summit celebrado en San José, dos empresas que llevan años intentando reducir su dependencia de Nvidia dieron un paso concreto al mismo tiempo: Microsoft presentó el Azure Maia 300 con especificaciones detalladas y una fecha de despliegue, e Intel finalmente le puso nombre y hoja de datos a su chip de inferencia, que ahora se llama GPU D270.
¿Por qué importa esto a alguien que trabaja con servidores, VPS o servicios de IA? Porque la mayoría de los servicios de IA que usás hoy corren sobre chips de Nvidia — y si los grandes actores del sector construyen alternativas que realmente funcionan, el costo de correr modelos de lenguaje cae. El precio por token que pagás hoy depende en parte de que Nvidia sea prácticamente la única opción viable para inferencia masiva. Eso está cambiando.
Microsoft Maia 300: 96 chips por rack, 7 veces más que el anterior
Scott Guthrie, vicepresidente ejecutivo de Cloud + AI de Microsoft, anunció el Maia 300 como la tercera generación de su familia de aceleradores propios. Las cifras principales:
- 96 chips por rack, el doble que en el Maia 200 anterior.
- 7 veces más tokens por rack que el Maia 200, según Microsoft.
- 40% más tokens por megavatio frente a "los principales sistemas basados en GPU" — que en la práctica significa las H100 y H200 de Nvidia.
- 18 TB/s de ancho de banda de memoria por chip, usando ocho pilas de HBM4.
- 167 kilovatios de consumo por rack con los 96 chips activos.
- 13,8 peta-OPS en FP4 y 6,9 POPS en FP8 por chip.
- Escala horizontal hasta 12.000 chips en una misma infraestructura de red.
El diseño usa múltiples chiplets fabricados en el proceso N2P de TSMC — la misma generación de nodo que fabrica los chips de Apple y Qualcomm para dispositivos móviles de alta gama. La arquitectura está optimizada específicamente para inferencia: contextos largos, tareas conversacionales con baja latencia, y agentes autónomos que ejecutan pasos múltiples. Microsoft llama a esto "inference-first".
Microsoft dice que para 2027 el Maia será el sistema primario de inferencia para sus principales servicios de IA, como Copilot, GitHub Copilot y Azure OpenAI Service. Los despliegues irán a escala de gigavatios.
Maia 200 ya está en producción hoy sirviendo Copilot y otros servicios internos. Maia 300 producción empieza en 2027.
Intel GPU D270: 480 GB de memoria, 350 vatios, sin líquidos
El mismo día, Intel confirmó que su chip de inferencia largo tiempo anunciado — conocido internamente como "Crescent Island" — ahora tiene nombre oficial y hoja de datos. Se llama Intel GPU D270, basado en la arquitectura Xe3P.
Las cifras:
- 1,3 petaflops pico de cómputo FP8.
- 1,5 TB/s de ancho de banda de memoria.
- 480 GB de memoria LPDDR5X — más de tres veces los 141 GB que ofrece la H200 de Nvidia.
- 350 vatios de consumo, en formato PCIe estándar, con refrigeración por aire.
El último punto es el que más llama la atención en la industria. Las H100 y H200 de Nvidia consumen entre 700 y 1.000 vatios y típicamente requieren infraestructura de refrigeración líquida para implementaciones densas. El GPU D270 de Intel entra en una tarjeta PCIe convencional, se enfría con aire, y cabe en cualquier servidor de rack estándar sin modificaciones de infraestructura.
¿Qué modelos caben? Intel dice que un solo GPU D270 puede alojar un modelo de 300.000 millones de parámetros completo — algo que con GPUs convencionales requiere múltiples chips. Un rack completo de GPU D270 puede correr un modelo de 1 billón de parámetros.
La contrapartida: en densidad de cómputo puro, 1,3 PFLOPS queda por debajo de los cerca de 4 PFLOPS FP8 que Nvidia anuncia para la H200 (una cifra medida con sparsity activada; en cómputo denso la diferencia es menor, aunque la H200 sigue teniendo más capacidad de cálculo bruta). Intel apuesta por una arquitectura de alta memoria y bajo consumo, no por máximo throughput. El argumento es que muchos modelos de inferencia no están limitados por velocidad de cómputo sino por memoria — y 480 GB es mucho más espacio para cargar modelos grandes sin partición.
El ecosistema se mueve, aunque Nvidia sigue siendo el estándar
Maia 300 y el GPU D270 no son casos aislados: se suman a un movimiento más amplio de los hiperescaladores — entre ellos AWS, con su chip propio Trainium — para reducir la dependencia de Nvidia en sus cargas de inferencia.
Los dos anuncios del mismo día responden a la misma lógica: reducir la parte del gasto en infraestructura que va directo a Santa Clara. Para los hiperescaladores, inferencia es ya el mayor costo operativo de sus servicios de IA — más que el entrenamiento. Cualquier chip que reduzca ese costo en un 40% tiene impacto directo en márgenes.
Para quien opera un servidor propio o evalúa planes de VPS para correr modelos locales, la lectura práctica es de mediano plazo: si el GPU D270 de Intel llega al mercado de servidores de rack estándar con los precios que Intel históricamente ha usado para competir contra Nvidia, correr un modelo de 300.000 millones de parámetros en hardware propio podría dejar de ser una operación de nicho.
Fuentes: unite.ai, TechPowerUp, Shattered.io, Tom's Hardware, Slicast. Octubre 12–13, 2026.