Waymo ha divulgado nuevos detalles técnicos sobre el ordenador que convierte los datos de cámaras, lidar y radar en órdenes de conducción dentro de sus robotaxis. La pieza central es un ASIC de 5 nanómetros diseñado a medida que, según la empresa, ofrece más de 1.000 TOPS de rendimiento de aprendizaje automático para el procesamiento inicial y los modelos.
La información original de The Verge, publicada el 20 de agosto de 2026, describió el sistema como el pesado «cerebro» informático transportado en el vehículo. El anuncio técnico de Waymo, publicado el mismo día, aporta las especificaciones primarias y explica por qué la empresa combina silicio propio con procesadores de proveedores consolidados.
Qué hace el chip personalizado
Waymo diseñó el circuito integrado de aplicación específica, o ASIC, de 5 nm para situarlo cerca del inicio de la cadena de percepción. Procesa los flujos brutos de lidar, radar y cámaras, extrae información útil, fusiona las entradas de los sensores y ejecuta redes neuronales antes de que los datos lleguen al resto del sistema de aprendizaje automático del vehículo.
La empresa identifica específicamente la eliminación temporal de ruido para la percepción con poca luz y la compatibilidad con distintos tipos de modelos, desde convoluciones dispersas hasta transformers densos. Su sistema más reciente puede procesar simultáneamente y en tiempo real las señales de 13 cámaras de alta resolución, según Waymo.
La cifra declarada de más de 1.000 TOPS significa que el ASIC puede realizar más de mil billones de operaciones por segundo para estas cargas de aprendizaje automático. Sin embargo, TOPS es una medida de capacidad de cálculo, no una medida directa de la calidad o seguridad de la conducción. El rendimiento real también depende del software, el movimiento de datos en memoria, la latencia, los sensores, la integración del sistema y la validación.
Waymo no está sustituyendo todos los componentes de propósito general por silicio propio. El vehículo utiliza una arquitectura heterogénea que combina su tecnología de aprendizaje automático con CPU, GPU y otros aceleradores para tareas como la orquestación, el movimiento de datos y el registro. La empresa nombró a AMD, Micron, Nvidia, Samsung, SanDisk, Socionext y TSMC entre sus socios de hardware, pero no asignó cada proveedor a un componente concreto en el anuncio.
Por qué el cómputo de un robotaxi difiere de un centro de datos
La infraestructura en la nube ayuda a entrenar y probar modelos de conducción autónoma, pero el bucle de conducción inmediato debe ejecutarse dentro del vehículo. Waymo afirma que su sistema embarcado transforma continuamente las entradas de los sensores en decisiones en cuestión de milisegundos, reduciendo el tiempo desde el primer píxel capturado hasta la actuación física. La empresa indica que su potencia de cálculo disponible se ha multiplicado por veinte en ocho años.
Ese procesamiento también opera bajo restricciones que no afectan a un servidor de centro de datos. El ordenador debe soportar vibraciones, golpes y grandes variaciones de temperatura, caber sin ocupar toda la zona de equipaje y ser suficientemente silencioso para los pasajeros. Waymo lo conecta al sistema de refrigeración líquida del vehículo para mantener el rendimiento en distintos climas.
La redundancia es otro requisito esencial porque no existe un conductor humano de respaldo durante un trayecto totalmente autónomo. Waymo describe dos motores de cómputo independientes que normalmente ejecutan cargas completas en paralelo; si uno sufre un fallo, el otro está diseñado para asumir el trabajo. Esa arquitectura explica por qué el rendimiento máximo es solo una parte del problema de ingeniería: la latencia predecible y la gestión de fallos son igual de importantes.
Cómo encaja en el Waymo Driver de sexta generación
La divulgación añade detalles al cambio más amplio de Waymo hacia el diseño conjunto de sensores, cómputo y software. En su presentación de 2024 del Waymo Driver de sexta generación, la empresa describió un conjunto de sensores con 13 cámaras, cuatro unidades lidar, seis radares y receptores de audio externos. Indicó que la nueva generación reducía el número y el coste de los componentes, al tiempo que conservaba campos de visión superpuestos y redundancia crítica para la seguridad.
Waymo no indicó de forma explícita en la nueva publicación qué vehículos de su flota contienen el ASIC divulgado ni ofreció un calendario de despliegue para el chip. No obstante, el contexto comercial se está volviendo más concreto: la empresa afirmó en mayo que su vehículo Ojai, diseñado específicamente para este servicio, sería la primera plataforma en estrenar el Driver de sexta generación para pasajeros públicos. Esa actualización sobre Ojai sitúa el programa de hardware dentro de un esfuerzo más amplio para admitir nuevos vehículos y condiciones meteorológicas más variadas.
Lo que importa más allá de la cifra principal
El anuncio muestra un enfoque más integrado verticalmente para el hardware de conducción autónoma. Un chip frontal especializado puede optimizarse para los formatos exactos de los sensores y las cargas de modelos de Waymo, mientras que las CPU, GPU, memorias y unidades de almacenamiento estándar mantienen el acceso a un ecosistema amplio de proveedores. El diseño conjunto puede mejorar la eficiencia, pero también conecta de forma más estrecha la validación del software, el silicio y el vehículo.
Siguen sin conocerse detalles importantes, como el consumo energético del sistema completo, su envolvente térmica, el coste unitario, el volumen de producción y el rendimiento efectivo de sus redes neuronales. Waymo ha remitido a sus presentaciones en Hot Chips para ampliar la discusión técnica. Esos datos serán más útiles que la cifra de TOPS por sí sola para valorar cómo equilibra el diseño la latencia, el uso de energía, la fiabilidad y la escala de fabricación.
Para los pasajeros, el chip seguirá siendo invisible. Su importancia radica en que la inteligencia artificial para conducción autónoma es cada vez más un problema de computación en el borde: el vehículo debe interpretar un flujo continuo de datos del mundo físico, tomar decisiones sensibles al tiempo y seguir funcionando ante fallos de componentes sin esperar una respuesta de la nube.