Startup de IA busca $100M para optimizar ejecución en múltiples arquitecturas
Por Redacción Automatización LatAm · 20 de mayo de 2026 · Fuente original: Electronics Weekly
Foto: 401(K) 2013 · Openverse · CC BY-SA 2.0
Callosum, spin-off de Cambridge, recauda capital para desarrollar software que permite a modelos de IA ejecutarse eficientemente en diferentes arquitecturas de procesadores, mejorando portabilidad y rendimiento.
El desafío de la portabilidad en IA
Callosum, empresa derivada de la Universidad de Cambridge, está en negociaciones para obtener una inversión de $100 millones con el objetivo de resolver uno de los problemas más persistentes en la adopción empresarial de inteligencia artificial: la necesidad de reescribir y optimizar código constantemente cuando se cambia de arquitectura de hardware.
La solución propuesta
El software de Callosum actúa como una capa de abstracción que permite a los modelos y programas de IA ejecutarse de manera óptima en múltiples arquitecturas de procesadores sin modificación del código base. Esto incluye CPUs tradicionales, GPUs de consumo, aceleradores especializados (TPUs, NPUs) y procesadores de borde. La empresa busca resolver la fragmentación actual donde un modelo entrenado para ejecutarse en GPUs NVIDIA requiere reoptimización completa para funcionar en arquitecturas ARM o procesadores especializados de Intel.
Contexto de nuevas arquitecturas
El timing de la inversión coincide con la proliferación de nuevos chips diseñados específicamente para IA. Fabricantes como NVIDIA, AMD, Intel y empresas emergentes están lanzando constantemente nuevas arquitecturas, mientras que soluciones de edge computing exigen ejecución en hardware muy variado. Sin una capa de software inteligente, las organizaciones quedan atrapadas en ciclos costosos de reingeniería.
Implicaciones para Latinoamérica
Para la región, esta solución es especialmente relevante. Muchas plantas manufactureras acceden a hardware heterogéneo: algunos sistemas antiguos con procesadores x86, modernizaciones recientes con GPUs, y nuevos dispositivos IoT con arquitecturas ARM. Hoy, desplegar un modelo de visión artificial para control de calidad requiere múltiples versiones del código. Software como el de Callosum eliminaría esa barrera técnica, acelerando la adopción de IA en manufactura, logística y energía.
Además, en contextos de presupuesto limitado, las empresas podrían aprovechar hardware existente con máximo rendimiento, en lugar de verse obligadas a reemplazarlo. Esto reduce la inversión inicial en modernización de infraestructura de control.
Modelo de negocio y alcance
La ronda de $100 millones sugiere que Callosum planifica expansión significativa: probablemente incluya desarrollo de herramientas de compilación optimizada, SDK para desarrolladores, y posibles integraciones con plataformas de flujo de trabajo IA (frameworks como PyTorch, TensorFlow). El modelo de negocio podría ser licensing por volumen de ejecuciones o por dispositivo.
La inversión también refleja confianza del mercado en que la fragmentación actual de arquitecturas IA es un problema sistémico que requiere solución de software de clase empresarial, no ajustes puntuales.
Este resumen es un análisis original. Para leer la noticia completa visita la fuente original: Electronics Weekly →
Sigue leyendo
Neocloud Lambda obtiene $1B en deuda para adquirir GPUs de IA
Una compañía de infraestructura asegura financiamiento por mil millones de dólares destinado a la compra de aceleradores Nvidia, que posteriormente arrienda a proveedores de nube. Este movimiento refleja la presión financiera creciente para sostener operaciones de centros de datos especializados en
Fuente: TechCrunch AI
Liquid AI lanza Pipette: evaluación de modelos IA en dispositivos
Liquid AI abre el código de Pipette, una plataforma para medir cómo se comportan modelos de lenguaje en dispositivos edge, considerando cuantización, runtime y hardware en conjunto. Cierra la brecha entre métricas de servidor y rendimiento real en campo.
Fuente: MarkTechPost
¿Cuánta memoria requiere realmente un agente IA?
IBM Research presenta ALTK-Evolve, un método que reduce la memoria necesaria en agentes de IA sin sacrificar rendimiento. El avance optimiza el almacenamiento de contexto en sistemas de IA generativa aplicados a automatización.
Fuente: Hugging Face Blog
Desplegar IA en edge con Raspberry Pi: guía técnica con LiteRT y Gemma
Google publica un tutorial práctico para ejecutar modelos de lenguaje pequeños en Raspberry Pi usando LiteRT y Gemma, habilitando inferencia de IA directamente en dispositivos edge sin dependencia de servidores cloud.
Fuente: Electronics Weekly
Writer lanza modelo IA optimizado para reducir costos por token
Writer presenta un nuevo modelo de lenguaje basado en GLM-5.2 de código abierto, diseñado para ofrecer capacidades listas para producción con un costo significativamente menor por procesamiento de datos.
Fuente: TechCrunch AI
De la promesa a la realidad: cómo las empresas concretan resultados con IA
Neil Hoyne, estratega de Google, presentó en GE Vernova Accelerate 2026 un modelo de transición desde datos hacia decisiones medibles. Las organizaciones que implementan IA operativamente superan en valoración bursátil a las que solo mencionan la tecnología en reportes financieros.
Fuente: IIoT World