FuriosaAI estaría preparando una expansión importante de su negocio de aceleradores para inteligencia artificial. La compañía surcoreana pretende elevar la producción anual de RNGD desde unas 20.000 unidades previstas para 2026 hasta entre 40.000 y 50.000 chips durante 2027, mientras desarrolla su tercera generación con Broadcom.
La lectura importante es que FuriosaAI intenta demostrar capacidad industrial antes de enfrentarse técnicamente a NVIDIA con Stork. Diseñar un acelerador competitivo resulta insuficiente si la empresa no puede fabricarlo, integrarlo en servidores, distribuirlo globalmente y proporcionar software estable para ejecutar modelos utilizados realmente por centros de datos.
RNGD pasaría de 20.000 a un máximo de 50.000 unidades
Las últimas informaciones apuntan a que FuriosaAI podría encargar entre 40.000 y 50.000 aceleradores RNGD durante 2027, más del doble que su objetivo para este año. El aumento respondería al crecimiento de la inferencia empresarial y a una demanda superior a la prevista, aunque la compañía todavía no ha comunicado públicamente el volumen definitivo.
RNGD comenzó su producción en serie a principios de 2026, con una primera entrega formada por 4.000 aceleradores fabricados por TSMC y ensamblados en tarjetas por ASUS. FuriosaAI espera recibir alrededor de 20.000 unidades durante el conjunto del año, convirtiendo esta generación en su primer despliegue comercial realmente significativo.
Duplicar el volumen no garantiza vender todas las unidades, pero sí obliga a reservar obleas, memoria HBM3, encapsulado y capacidad de montaje con mucha antelación. El verdadero riesgo consiste en equilibrar una demanda todavía emergente con compromisos de fabricación costosos, evitando tanto la escasez como un inventario difícil de colocar.
El acelerador actual utiliza 5 nm, no 2 nm
Conviene aclarar una diferencia importante: RNGD es el chip de segunda generación fabricado mediante el proceso de 5 nm de TSMC, mientras los 2 nm corresponden a la futura plataforma de tercera generación. Ambos productos forman parte de la misma estrategia, pero se encuentran en momentos industriales completamente distintos.
El RNGD actual ofrece 512 TFLOPS en FP8, 48 GB de memoria HBM3, 1,5 TB/s de ancho de banda y un TDP de 180W. FuriosaAI lo comercializa como tarjeta PCIe independiente y dentro del servidor NXT RNGD, capaz de integrar ocho aceleradores en un sistema refrigerado por aire.
Esa combinación permite instalar la plataforma en centros de datos convencionales sin adoptar inmediatamente refrigeración líquida ni aumentar drásticamente la potencia por rack. FuriosaAI busca competir mediante densidad de inferencia y consumo contenido, no intentando superar a las GPU más grandes en cualquier carga o precisión disponible.
Samsung SDS y LG AI Research ya han validado RNGD
FuriosaAI asegura que RNGD ha sido validado en entornos de producción por Samsung SDS y LG AI Research. Esta última adoptó el acelerador para ejecutar sus modelos EXAONE, proporcionando una referencia comercial más valiosa que cualquier benchmark controlado directamente por el fabricante dentro de una presentación técnica.
La compañía también ha comenzado a instalar servidores NXT RNGD en el centro de datos LS2 de Equinix en Lisboa. El despliegue permitirá que empresas europeas prueben directamente rendimiento, consumo y compatibilidad del software, reduciendo una de las principales barreras que afronta cualquier arquitectura diferente de CUDA.
Aumentar la producción hasta 50.000 unidades solo tendrá sentido si estas evaluaciones terminan convirtiéndose en pedidos recurrentes. El volumen dependerá menos de una gran demostración puntual que de la capacidad para ejecutar numerosos modelos, mantenerlos actualizados y resolver incidencias sin obligar al cliente a reconstruir toda su infraestructura.
Stork combinará computación de 2 nm con memoria HBM4/4E
La tercera generación, denominada Stork en las informaciones disponibles, utilizará uno o varios chiplets de computación fabricados mediante tecnología de 2 nm, memoria HBM4 o HBM4E y un chip dedicado a las conexiones de entrada, salida y comunicación entre aceleradores. Las primeras muestras estarían previstas para 2028.
El nodo de 2 nm debería mejorar densidad y rendimiento por vatio, pero la litografía no será el único elemento decisivo de Stork. Los modelos de razonamiento y los sistemas de IA agentic realizan llamadas continuas, mueven grandes cantidades de información y necesitan comunicarse entre numerosos chips sin introducir esperas prolongadas.
La plataforma utilizará las tecnologías de encapsulado avanzado de Broadcom para integrar varios dies dentro de un mismo sistema. Separar computación, conectividad y memoria permite fabricar cada bloque mediante el proceso más adecuado, reducir el tamaño de los chips individuales y actualizar ciertas partes sin rediseñar completamente el acelerador.
Broadcom no fabricará necesariamente el chip
La colaboración con Broadcom no significa que Stork vaya a utilizar una supuesta fundición propia de 2 nm. Broadcom aportará diseño personalizado, encapsulado, interfaces PCIe, Ethernet y tecnologías de conexión a escala de rack, mientras los informes de la industria sitúan la fabricación del bloque de computación en TSMC.
Esta distinción resulta importante porque Broadcom funciona como socio de infraestructura y desarrollo, no como fabricante equivalente a TSMC o Samsung Foundry. FuriosaAI podrá concentrarse en su arquitectura TCP mientras aprovecha bloques de conectividad ya maduros, reduciendo tiempo, coste y riesgo técnico dentro de un proyecto extraordinariamente complejo.
La colaboración también busca extender Stork más allá de una tarjeta aislada. Broadcom proporcionará conexiones capaces de enlazar cientos de aceleradores mediante una topología de alta velocidad, algo esencial para distribuir modelos Mixture-of-Experts y cargas de inferencia entre servidores completos sin que la red se convierta en el principal cuello de botella.
El diseño podría incorporar hasta 12 pilas HBM4/4E
Las imágenes conceptuales muestran dos grandes chiplets de computación, dos bloques de entrada y salida y espacio alrededor del encapsulado para hasta 12 pilas de memoria HBM4 o HBM4E. Esta distribución proporcionaría una capacidad y un ancho de banda muy superiores a los 48 GB de HBM3 utilizados actualmente por RNGD.
Si cada pila alcanzara 36 GB mediante configuraciones de 12 capas, la capacidad teórica podría llegar a 432 GB. Sin embargo, esa cifra procede de interpretar una representación preliminar y no de una especificación confirmada, por lo que Stork podría utilizar menos pilas, capacidades diferentes o varias configuraciones comerciales.
La gran cantidad de memoria permitiría alojar modelos mayores y mantener más contexto sin repartir cada operación entre numerosos aceleradores. Reducir la fragmentación puede mejorar latencia, utilización y eficiencia energética, aunque HBM4/4E también elevará considerablemente el coste del encapsulado y complicará su refrigeración.
FuriosaAI quiere priorizar el movimiento de datos
La arquitectura Tensor Contraction Processor de FuriosaAI evita seguir exactamente el modelo tradicional de las GPU. El diseño prioriza operaciones tensoriales y movimiento predecible de datos en lugar de gestionar miles de hilos pequeños, buscando reducir el trabajo de control que no genera directamente nuevos tokens.
Este planteamiento puede resultar ventajoso durante la inferencia, donde los modelos ya están entrenados y deben responder con una latencia estable. Una arquitectura especializada puede dedicar más transistores a las operaciones realmente utilizadas, mientras una GPU conserva recursos gráficos y capacidades generales necesarias para atender un mercado mucho más amplio.
La especialización también introduce un riesgo: los modelos cambian rápidamente y pueden adoptar operaciones no previstas durante el diseño del silicio. Stork necesitará suficiente flexibilidad para no quedar limitado a las redes actuales, porque un acelerador extremadamente eficiente pierde valor si las arquitecturas dominantes evolucionan antes de completar su producción.
El software seguirá siendo la barrera más difícil
FuriosaAI acompaña sus aceleradores con un SDK capaz de traducir código PyTorch hacia su arquitectura mediante un compilador general. También ofrece una ISA virtual para optimizaciones más profundas, intentando que los desarrolladores adapten nuevos modelos sin escribir y mantener enormes colecciones de núcleos específicos.
La propuesta reduce trabajo frente a una programación manual completa, pero todavía debe competir con décadas de inversión alrededor de CUDA. NVIDIA no domina únicamente por sus GPU, sino por bibliotecas, documentación, herramientas, soporte y personal cualificado, un ecosistema que no puede replicarse simplemente lanzando un chip más eficiente.
FuriosaAI no necesita sustituir inmediatamente todas las instalaciones NVIDIA para construir un negocio viable. Conquistar inferencia empresarial, centros de datos refrigerados por aire y clientes preocupados por el coste energético ya representaría un mercado enorme, especialmente cuando las GPU más potentes exigen nuevas redes eléctricas y refrigeración líquida.
Stork no romperá por sí solo el dominio de NVIDIA
La compañía promete rendimiento por vatio y coste por token líderes, pero todavía no existen muestras independientes de Stork. Comparar una plataforma prevista para 2028 con aceleradores NVIDIA disponibles actualmente puede resultar engañoso, porque para entonces Blackwell habrá evolucionado y la siguiente generación ya estará entrando en los centros de datos.
El coste por token dependerá del precio del hardware, su utilización, consumo, memoria, red y facilidad para mantener modelos funcionando. Un acelerador eficiente puede terminar siendo más caro si permanece infrautilizado o requiere mucho trabajo de integración, mientras una GPU más voraz puede compensarlo mediante mayor compatibilidad y disponibilidad inmediata.
La oportunidad de FuriosaAI está en que el mercado de inferencia crecerá lo suficiente para admitir numerosas arquitecturas. Romper el monopolio no exige superar a NVIDIA en cada benchmark, sino ofrecer una alternativa rentable, fabricable y sencilla de desplegar para cargas concretas donde la eficiencia importe más que la versatilidad absoluta.
Las primeras muestras llegarían durante la primera mitad de 2028
El calendario disponible sitúa el muestreo inicial de la tercera generación durante la primera mitad de 2028. Después llegarán validación, mejora del rendimiento productivo, integración en servidores y pruebas con clientes, por lo que su despliegue comercial a gran escala probablemente necesitará más tiempo.
Hasta entonces, RNGD tendrá que financiar la expansión y demostrar que FuriosaAI puede mantener una cadena de suministro estable. Pasar de 20.000 a 50.000 unidades será una prueba comercial tan importante como desarrollar Stork, porque mostrará si existe demanda suficiente para sostener una arquitectura independiente frente a las GPU dominantes.
La estrategia combina así dos riesgos diferentes: aumentar rápidamente un producto actual y financiar un sucesor mucho más ambicioso. FuriosaAI podría convertirse en una alternativa relevante para inferencia, pero deberá ejecutar simultáneamente fabricación, software, ventas y desarrollo de 2 nm, cuatro desafíos donde muchas startups anteriores terminaron quedándose por el camino.
Vía: Wccftech
