{"id":1483,"date":"2026-07-07T13:02:48","date_gmt":"2026-07-07T13:02:48","guid":{"rendered":"https:\/\/convly.ai\/?p=1483"},"modified":"2026-07-07T13:02:48","modified_gmt":"2026-07-07T13:02:48","slug":"openai-broadcom-llm-inference-chip","status":"publish","type":"post","link":"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/","title":{"rendered":"OpenAI y Broadcom presentan un chip de inferencia optimizado para modelos de lenguaje grande (LLM)"},"content":{"rendered":"<p>OpenAI y Broadcom han presentado conjuntamente un chip de inferencia dise\u00f1ado espec\u00edficamente para modelos de lenguaje grande (LLM), un hito que podr\u00eda transformar la forma en que se sirven a escala los sistemas de IA m\u00e1s utilizados del mundo. <strong>LLM<\/strong> sistemas. Seg\u00fan StorageNewsletter, este acelerador ha sido co-dise\u00f1ado expresamente para las cargas de trabajo intensivas en transformadores que dominan la IA generativa moderna, constituyendo el paso m\u00e1s concreto hasta la fecha de OpenAI hacia una integraci\u00f3n vertical en silicio. Para una industria que durante mucho tiempo ha dependido de GPU de prop\u00f3sito general para ejecutar inferencias, este anuncio se\u00f1ala que la econom\u00eda, los perfiles de latencia y la cadena de suministro para la prestaci\u00f3n de modelos grandes est\u00e1n entrando en una nueva fase.<\/p>\n<div class=\"convly-tldr\">\n<h3>Conclusiones clave<\/h3>\n<ul>\n<li>OpenAI y Broadcom han presentado un chip de inferencia desarrollado conjuntamente y optimizado espec\u00edficamente para modelos de lenguaje grande (LLM), seg\u00fan informa StorageNewsletter.<\/li>\n<li>El acelerador est\u00e1 destinado exclusivamente a la inferencia \u2014la fase de prestaci\u00f3n de servicios de la IA\u2014 y no al entrenamiento, enfoc\u00e1ndose as\u00ed en la porci\u00f3n de demanda computacional que experimenta un crecimiento m\u00e1s acelerado.<\/li>\n<li>Esta colaboraci\u00f3n representa el avance m\u00e1s claro hasta la fecha de OpenAI hacia silicio personalizado, y refleja adem\u00e1s la continua expansi\u00f3n de Broadcom en el \u00e1mbito de los aceleradores de IA a escala hipervelocidad (hyperscale).<\/li>\n<li>Un silicio de inferencia espec\u00edfico para LLM promete un menor costo por token, una latencia m\u00e1s ajustada y una mayor eficiencia energ\u00e9tica en comparaci\u00f3n con las GPU de prop\u00f3sito general.<\/li>\n<li>Separately, StorageNewsletter&#8217;s coverage sits alongside reporting that DeepSeek is developing its own proprietary AI inference chip, underscoring a wider industry pivot to in-house accelerators.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a5277b8d621f\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a5277b8d621f\"  aria-label=\"Alternar\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#Why_an_LLM-specific_inference_chip_matters_now\" >\u00bfPor qu\u00e9 un chip de inferencia espec\u00edfico para LLM resulta relevante ahora<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#What_StorageNewsletter_has_confirmed_about_the_chip\" >Qu\u00e9 ha confirmado StorageNewsletter sobre el chip<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#OpenAIs_silicon_strategy_takes_shape\" >La estrategia de silicio de OpenAI toma forma<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#Broadcoms_expanding_role_in_bespoke_AI_silicon\" >El papel cada vez m\u00e1s destacado de Broadcom en el silicio de IA personalizado<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#Inference_silicon_versus_general-purpose_GPUs\" >Silicio de inferencia frente a GPU de prop\u00f3sito general<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#The_wider_industry_shift_toward_custom_AI_silicon\" >El cambio m\u00e1s amplio de la industria hacia silicio de IA personalizado<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#What_this_means_for_AI_developers_and_enterprises\" >Qu\u00e9 implica esto para los desarrolladores y empresas de IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#Frequently_asked_questions\" >Preguntas frecuentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/es\/openai-broadcom-llm-inference-chip\/#The_bottom_line\" >En resumen<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Why_an_LLM-specific_inference_chip_matters_now\"><\/span>\u00bfPor qu\u00e9 un chip de inferencia espec\u00edfico para LLM resulta relevante ahora<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La econom\u00eda de ejecutar un <strong>LLM<\/strong> ha cambiado dr\u00e1sticamente en los \u00faltimos dieciocho meses. Mientras que antes el entrenamiento acaparaba titulares y gastos de capital (capex), actualmente la inferencia \u2014el momento en que un modelo responde efectivamente a un usuario\u2014 representa la mayor parte del gasto continuo en potencia computacional en despliegues a escala hipervelocidad. El informe de StorageNewsletter presenta el acelerador de OpenAI y Broadcom como una respuesta directa a dicho cambio, describi\u00e9ndolo como optimizado para los patrones de inferencia basados en transformadores que sustentan sistemas del tipo ChatGPT.<\/p>\n<p>Las cargas de trabajo de inferencia son estructuralmente distintas de las de entrenamiento: son sensibles a la latencia, limitadas por el ancho de banda de memoria y dominadas por operaciones de matriz-vector (en lugar de matriz-matriz) una vez superada la fase de procesamiento del indicador (prompt). Un dise\u00f1o de silicio que trate estas caracter\u00edsticas como restricciones prioritarias \u2014en lugar de adoptar una arquitectura orientada al entrenamiento\u2014 puede, en principio, lograr una mejora significativa en el costo por token. Esa es la apuesta que sustenta este anuncio.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_StorageNewsletter_has_confirmed_about_the_chip\"><\/span>Qu\u00e9 ha confirmado StorageNewsletter sobre el chip<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Los hechos fundamentales reportados son concisos pero contundentes: StorageNewsletter afirma que OpenAI y Broadcom han presentado un acelerador de inferencia optimizado para LLM. La redacci\u00f3n del medio sit\u00faa esta colaboraci\u00f3n dentro de una ola m\u00e1s amplia de programas de silicio personalizado en toda la industria de la IA, y posiciona al chip como un dise\u00f1o centrado exclusivamente en la inferencia, y no como un acelerador de IA generalista.<\/p>\n<p>M\u00e1s all\u00e1 de eso, en los fragmentos informativos disponibles al momento de redactar este art\u00edculo no se detallaron el nodo de proceso, la configuraci\u00f3n de memoria ni los plazos de comercializaci\u00f3n. Los lectores deben tratar con cautela cualquier cifra espec\u00edfica de TFLOPS, pila de memoria HBM o densidad por rack que circule en redes sociales hasta que sea confirmada oficialmente por las propias empresas. Lo que s\u00ed queda claro es la direcci\u00f3n estrat\u00e9gica: OpenAI desea contar con silicio personalizado bajo su propia influencia, y Broadcom es el socio encargado de convertir esa intenci\u00f3n en obleas.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"OpenAIs_silicon_strategy_takes_shape\"><\/span>La estrategia de silicio de OpenAI toma forma<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Para OpenAI, la asociaci\u00f3n con Broadcom representa el resultado m\u00e1s tangible hasta la fecha de una estrategia largamente debatida en la prensa especializada: reducir su dependencia exclusiva de un \u00fanico proveedor de GPU y obtener ventaja arquitect\u00f3nica sobre los chips que sirven sus modelos. Una pieza de inferencia desarrollada conjuntamente permite a la empresa co-optimizar hardware y software \u2014planificaci\u00f3n de kernels, manejo de la cach\u00e9 KV, aceleraci\u00f3n de patrones de atenci\u00f3n\u2014 de maneras que una GPU comercial no puede igualar f\u00e1cilmente. Esto tiene implicaciones que van mucho m\u00e1s all\u00e1 de los propios productos de OpenAI: los precios de su API, la capacidad de respuesta de aplicaciones derivadas y la sostenibilidad de las versiones dirigidas al consumidor dependen, en \u00faltima instancia, del costo de un solo token generado.<\/p>\n<p>Los desarrolladores que observen dicha curva de precios pueden seguir c\u00f3mo se traducen los costos por token entre distintos proveedores mediante nuestra <a href=\"https:\/\/convly.ai\/es\/ai-api-cost-calculator\/\">Calculadora de costos de API de IA<\/a>calculadora de costos reales de API, que modela los costos de cargas de trabajo del mundo real frente a las tarifas publicadas.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Broadcoms_expanding_role_in_bespoke_AI_silicon\"><\/span>El papel cada vez m\u00e1s destacado de Broadcom en el silicio de IA personalizado<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Broadcom se ha convertido discretamente en uno de los nombres m\u00e1s importantes en aceleradores de IA personalizados. Su negocio de ASICs personalizados \u2014tradicionalmente centrado en componentes de red y partes dise\u00f1adas por operadores hipervelocidad\u2014 se ha extendido hacia silicio de aprendizaje autom\u00e1tico para algunos de los mayores operadores de nube. A\u00f1adir a OpenAI a ese listado, tal como informa StorageNewsletter, consolida la posici\u00f3n de Broadcom como el socio fabless preferido para organizaciones que desean un acelerador personalizado sin tener que construir desde cero un equipo completo de dise\u00f1o de chips.<\/p>\n<p>Para el mercado de hardware en general, la participaci\u00f3n de Broadcom resulta relevante porque valida un modelo: un laboratorio de IA puntero aporta conocimientos sobre las cargas de trabajo y prioridades arquitect\u00f3nicas, mientras que un veterano del silicio comercial aporta dise\u00f1o f\u00edsico, empaquetado y asociaciones de fabricaci\u00f3n. Este modelo ya se est\u00e1 replicando en toda la industria.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Inference_silicon_versus_general-purpose_GPUs\"><\/span>Silicio de inferencia frente a GPU de prop\u00f3sito general<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La pregunta m\u00e1s inmediata para los usuarios de modelos de IA es c\u00f3mo se compara un acelerador de inferencia espec\u00edfico para LLM con las GPU de prop\u00f3sito general que actualmente dominan el mercado. La tabla siguiente resume la distinci\u00f3n cualitativa entre ambas filosof\u00edas de dise\u00f1o, basada en los objetivos descritos en los informes de la industria, y no en ninguna prueba comparativa publicada para esta nueva pieza.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Atributo<\/th>\n<th>GPU de IA de prop\u00f3sito general<\/th>\n<th>Chip de inferencia optimizado para LLM<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Carga de trabajo principal<\/td>\n<td>Entrenamiento e inferencia<\/td>\n<td>Solo inferencia<\/td>\n<\/tr>\n<tr>\n<td>Prioridad de dise\u00f1o<\/td>\n<td>FLOPS m\u00e1ximos y flexibilidad<\/td>\n<td>Tokens por segundo por vatio y latencia<\/td>\n<\/tr>\n<tr>\n<td>Ecosistema de software<\/td>\n<td>Amplio y maduro<\/td>\n<td>Co-dise\u00f1ado estrechamente con los modelos objetivo<\/td>\n<\/tr>\n<tr>\n<td>Destino de despliegue<\/td>\n<td>Cualquier carga de trabajo de IA<\/td>\n<td>Flotas de servicio de modelos LLM basados en transformadores<\/td>\n<\/tr>\n<tr>\n<td>Promesa econ\u00f3mica<\/td>\n<td>Reutilizaci\u00f3n entre entrenamiento y servicio<\/td>\n<td>Menor costo por token generado<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Los equipos que eval\u00faan el compromiso entre alquilar inferencia en GPU gen\u00e9ricas o ejecutar su propio silicio pueden explorar las matem\u00e1ticas detr\u00e1s de esa decisi\u00f3n con nuestro <a href=\"https:\/\/convly.ai\/es\/self-hosting-vs-api-calculator\/\">calculadora de autohospedaje frente a API<\/a>, o comparar las opciones actuales de aceleradores en nuestro <a href=\"https:\/\/convly.ai\/es\/best-gpus-for-ai-2026\/\">mejores GPU para IA<\/a> resumen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_wider_industry_shift_toward_custom_AI_silicon\"><\/span>El cambio m\u00e1s amplio de la industria hacia silicio de IA personalizado<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El anuncio de OpenAI y Broadcom llega a un mercado que se est\u00e1 reorganizando visiblemente en torno a aceleradores personalizados. La cobertura propia de StorageNewsletter aparece junto con un informe independiente seg\u00fan el cual DeepSeek est\u00e1 desarrollando un chip propio para inferencia de IA, otra se\u00f1al de que los desarrolladores de modelos ya no se conforman con ser meros clientes de proveedores comerciales de GPU. Para los lectores que siguen ese ecosistema chino, nuestra descripci\u00f3n general de <a href=\"https:\/\/convly.ai\/es\/deepseek-v4\/\">DeepSeek V4<\/a> ofrece contexto sobre el lado de los modelos de ese mismo impulso.<\/p>\n<p>La l\u00f3gica estrat\u00e9gica es coherente en todos estos programas: a vol\u00famenes de servicio a escala hipermasiva, incluso mejoras de un solo d\u00edgito en tokens por vatio se traducen en cientos de millones de d\u00f3lares anuales. Una unidad de inferencia personalizada dise\u00f1ada espec\u00edficamente para una familia determinada de modelos puede extraer esos beneficios de maneras que una GPU de prop\u00f3sito general no puede. Esto no significa el fin del silicio comercial para IA \u2014el entrenamiento, en particular, seguir\u00e1 siendo un mercado fuertemente impulsado por GPU\u2014, pero s\u00ed redefine el panorama competitivo de la inferencia, donde finalmente se establece el costo para el usuario final.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_this_means_for_AI_developers_and_enterprises\"><\/span>Qu\u00e9 implica esto para los desarrolladores y empresas de IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Para los desarrolladores que construyen sobre las APIs de vanguardia <strong>LLM<\/strong> la implicaci\u00f3n pr\u00e1ctica es sencilla: cabe esperar que la curva de costos de la inferencia con modelos grandes siga descendiendo durante los pr\u00f3ximos varios trimestres. El silicio dise\u00f1ado espec\u00edficamente para una funci\u00f3n es una palanca estructural duradera, no una promoci\u00f3n puntual; y si el chip de OpenAI y Broadcom cumple con los objetivos de dise\u00f1o anunciados, deber\u00eda reflejarse progresivamente en los precios y l\u00edmites de tasa de las APIs. Los equipos pueden medir esos cambios frente al mercado general mediante nuestro <a href=\"https:\/\/convly.ai\/es\/ai-price-performance-index-2026\/\">\u00cdndice de relaci\u00f3n precio-rendimiento en IA<\/a> y nuestro <a href=\"https:\/\/convly.ai\/es\/models\/\">Base de datos de modelos de IA<\/a>.<\/p>\n<p>Para las empresas que eval\u00faan estrategias de despliegue, el anuncio refuerza un patr\u00f3n ya conocido: la inferencia m\u00e1s rentable provendr\u00e1 cada vez m\u00e1s de proveedores que ejecuten su propio silicio sobre sus propios modelos. Los despliegues autoalojados en GPU de prop\u00f3sito general seguir\u00e1n siendo competitivos para cargas de trabajo sensibles desde el punto de vista de la privacidad, pero la brecha en costo bruto por token probablemente se ampliar\u00e1 all\u00ed donde intervengan aceleradores personalizados.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Preguntas frecuentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>\u00bfQu\u00e9 anunciaron exactamente OpenAI y Broadcom?<\/strong> Seg\u00fan StorageNewsletter, ambas compa\u00f1\u00edas presentaron un chip de inferencia optimizado espec\u00edficamente para modelos de lenguaje grande, desarrollado conjuntamente. El informe lo describe como un acelerador centrado en la inferencia, no como una soluci\u00f3n para entrenamiento.<\/p>\n<p><strong>Is this chip going to replace GPUs for AI workloads?<\/strong> Es poco probable a corto plazo. El silicio personalizado para inferencia de LLM se enfoca en el lado del servicio de la IA, donde predomina el costo por token. Se espera que el entrenamiento y las cargas de trabajo mixtas sigan dependiendo fuertemente de GPU de prop\u00f3sito general.<\/p>\n<p><strong>\u00bfReducir\u00e1 esto el precio de la API de OpenAI?<\/strong> El anuncio no incluye orientaci\u00f3n sobre precios, pero la raz\u00f3n estrat\u00e9gica detr\u00e1s del silicio personalizado para inferencia es precisamente reducir el costo por token. Cualquier cambio se reflejar\u00eda en futuras actualizaciones de las tarifas de la API, no de forma inmediata.<\/p>\n<p><strong>\u00bfC\u00f3mo se relaciona esto con otros esfuerzos de chips de IA personalizados?<\/strong> La informaci\u00f3n de StorageNewsletter aparece junto con la cobertura sobre el desarrollo por parte de DeepSeek de su propio chip de inferencia de IA, como parte de una tendencia m\u00e1s amplia de la industria en la que los desarrolladores de modelos avanzan hacia aceleradores internos.<\/p>\n<p><strong>\u00bfCu\u00e1ndo se lanzar\u00e1 realmente el chip?<\/strong> No se detallaron cronogramas espec\u00edficos en los informes disponibles al momento de redactar este art\u00edculo. Los lectores deben estar atentos a comunicados posteriores directos de OpenAI o Broadcom para conocer fechas definitivas de implementaci\u00f3n.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>En resumen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>El acelerador de inferencia de OpenAI y Broadcom, tal como lo reporta StorageNewsletter, tiene menos que ver con cualquier especificaci\u00f3n individual del chip y m\u00e1s con un cambio duradero en la forma en que se prestar\u00e1 la IA de vanguardia. El silicio espec\u00edfico para LLM, co-dise\u00f1ado por el laboratorio que posee la carga de trabajo y el experimentado fabricante fabless que domina el flujo de dise\u00f1o f\u00edsico, se ha convertido ahora en la plantilla que otros desarrolladores de modelos est\u00e1n copiando abiertamente. Para los usuarios y desarrolladores de modelos de IA, la conclusi\u00f3n pr\u00e1ctica es que el piso de costos para ejecutar un modelo de lenguaje grande a gran escala se est\u00e1 reduciendo intencionalmente mediante el dise\u00f1o, no mediante descuentos; y las empresas que alineen sus estrategias de despliegue con esta tendencia ser\u00e1n las mejor posicionadas para beneficiarse.<\/p>\n<p><em>Fuentes: news.google.com. Reportado el 7 de julio de 2026.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>OpenAI and Broadcom have jointly unveiled an inference chip optimised for large language models, signalling a decisive move toward vertically integrated AI silicon.<\/p>","protected":false},"author":1,"featured_media":1484,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[245],"tags":[757,874,879,881,880,442,426],"class_list":["post-1483","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-chips","tag-ai-chips","tag-ai-hardware","tag-broadcom","tag-custom-silicon","tag-inference","tag-llm","tag-openai"],"_links":{"self":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1483","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/comments?post=1483"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1483\/revisions"}],"predecessor-version":[{"id":1485,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/posts\/1483\/revisions\/1485"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media\/1484"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/media?parent=1483"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/categories?post=1483"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/es\/wp-json\/wp\/v2\/tags?post=1483"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}