Un desarrollador logra saltarse límites del chip M4 de Apple para entrenamiento de IA y reabre el debate sobre la potencia local en portátiles

Un nuevo experimento de ingeniería inversa sobre el chip M4 de Apple ha vuelto a poner el foco en la capacidad real de la plataforma para tareas de inteligencia artificial más allá de lo que Apple permite oficialmente. Según la información difundida por el investigador que firma como @0x0SojalSec, habría sido posible sortear las restricciones de software del M4 para usar su potencia en entrenamiento de modelos, algo que Apple no habilita de forma abierta en sus equipos, donde el Neural Engine se orienta principalmente a inferencia.

La publicación sostiene que este trabajo ha conseguido aprovechar hasta 15,8 TFLOPS de potencia de cálculo en tareas de IA dentro del M4, manteniendo todo el flujo en memoria RAM para evitar la escritura en NAND y reducir así la latencia. El detalle más llamativo es que, según su autor, el logro no se apoyó en herramientas habituales del ecosistema Apple como CoreML o Metal, ni tampoco recurrió a la GPU de la forma en que lo haría una aplicación convencional, sino a un entorno propio descrito como una MIL, una Model Intermediate Language creada desde cero.

La afirmación hay que leerla con cautela. Por ahora hablamos de un proyecto técnico difundido por su autor, no de una función validada o documentada por Apple. Aun así, el caso resulta interesante porque apunta a algo que lleva tiempo sobrevolando el mercado: la distancia entre la potencia física de ciertos chips modernos y el marco de uso que sus fabricantes permiten a nivel de software. En el caso de Apple, eso afecta especialmente a equipos con chip M4, una plataforma que ya nació con una orientación fuerte hacia Apple Intelligence y cargas locales de IA.

El M4 tendría más margen del que Apple deja usar de forma oficial

Según la explicación compartida, una de las claves del sistema está en cómo el software gestiona los bloqueos o reinicios del proceso de entrenamiento. El autor menciona el uso del comando exec() para relanzar la ejecución y continuar el aprendizaje cuando el proceso necesita refrescar estado. También subraya que, al mantener los datos en RAM en lugar de escribir de forma constante en almacenamiento, el comportamiento resulta mucho más fluido y rápido.

Lo relevante aquí es que Apple ha diseñado sus chips recientes con una gran capacidad de procesamiento heterogéneo, pero reserva una parte importante de ese potencial a usos concretos definidos por su propio stack de software. Si este experimento refleja de verdad lo que puede hacerse fuera de esas rutas oficiales, el mensaje implícito es que hay más capacidad local disponible de la que Apple deja explotar de forma estándar en Mac o iPad.

Eso resulta especialmente interesante en un momento en el que toda la industria está intentando llevar la IA cada vez más cerca del dispositivo. No se trata solo de ejecutar un modelo preentrenado, sino de explorar hasta qué punto ciertos equipos de consumo pueden asumir también cargas más ambiciosas, incluso de entrenamiento o ajuste. Y ahí entra una comparación inevitable con lo que estamos viendo en otros actores del mercado.

La batalla por la IA local ya no se limita a Apple

Este tipo de experimentos llega justo cuando los fabricantes están empujando con más fuerza el argumento del hardware local para IA. En Computex 2026 vimos cómo NVIDIA presentó los RTX Spark para portátiles, unos procesadores con CPU Arm, memoria unificada y una GPU Blackwell integrada diseñados precisamente para hacer de la IA un elemento central del PC. Allí el discurso fue muy claro: llevar agentes, modelos y cargas aceleradas al equipo local sin depender siempre de infraestructura remota.

En ese contexto, el caso del M4 refuerza una idea más amplia. La competencia ya no gira solo alrededor de quién tiene el mejor asistente o la mejor integración de software, sino también de cuánta potencia local puede activarse realmente y bajo qué condiciones. Apple sigue apostando por un enfoque más controlado y cerrado, mientras otros actores intentan vender plataformas preparadas desde el principio para cargas de IA más abiertas o más intensivas.

Fin del Artículo. ¡Cuéntanos algo en los Comentarios!