NVIDIA, CUDA y los Nuevos Desafiantes
«No puedes conectar los puntos mirando hacia adelante; solo puedes conectarlos mirando hacia atrás.»
Steve Jobs
La Parte 1 de este ensayo de 3 partes cubrió las guerras entre RISC y CISC, y cómo el ISA x86 de Intel, impulsado por el volante Wintel, la economía de volumen y un bloqueo total del ecosistema en la era de la PC, derrotó a una generación de arquitecturas RISC más elegantes, mientras que DEC y Sun Microsystems, dos empresas icónicas, se desvanecieron hasta convertirse en notas al pie.
Esta parte examina cómo NVIDIA construyó un imperio sorprendentemente similar durante tres décadas para establecerse como la líder indiscutible en la era actual de la IA, y cómo un nuevo grupo de desafiantes intenta arrebatarle participación.
NVIDIA: De un Café de Denny's a una Fortaleza Multimillonaria
En 1993, Intel lanzó el procesador Pentium, que consolidó su estatus como la plataforma informática indiscutible de la era de la PC. Ese mismo año, tres ingenieros – Jensen Huang, Chris Malachowsky y Curtis Priem – esbozaron la idea de un negocio que se convertiría en NVIDIA, durante un desayuno en un café de Denny's en San José, California.
Priem y Malachowsky eran colegas en Sun, una de las empresas más prominentes de la era RISC, de la que se habla en la Parte 1, y que finalmente fue destruida por el ecosistema x86 de Intel. La arquitectura SPARC de Sun, sus márgenes de hardware propietarios y su modelo verticalmente integrado fueron todos mercantilizados por x86 + Linux durante la década siguiente.
Y sin embargo, dos ingenieros de esa misma empresa terminaron construyendo NVIDIA, que para 2023 se había convertido en lo que Intel era en 1993: la plataforma dominante y controladora del ecosistema de su era informática. La empresa que Intel eliminó generó involuntariamente la empresa que un día eclipsaría a Intel.
Nada sobre la cristalización de NVIDIA durante tres décadas era visible en 1993. NVIDIA pasó su primera década como una empresa de tarjetas gráficas, su segunda década construyendo una plataforma informática científica de nicho, y solo en su tercera década, con el auge de la IA, quedó claro que NVIDIA había construido un foso estructuralmente idéntico y, podría decirse, más profundo que el que Intel construyó con x86 y Wintel. Los fundadores de NVIDIA, que vieron cómo Sun perdía ante el manual de juego del ecosistema de Intel, terminaron ejecutando el mismo manual, de manera más efectiva, una generación después.
Después de casi morir con el chip NV1, NVIDIA se estableció como líder en gráficos con GeForce 256, comercializada como «la primera GPU del mundo» en 1999. Pero las GPU seguían siendo periféricos de nicho para jugadores e ingenieros CAD. La transformación de NVIDIA en un gigante de la IA comenzó con una sola apuesta: CUDA.
CUDA: La Jugada que Creó un Imperio
En 2006, NVIDIA lanzó la Arquitectura de Dispositivo Informático Unificado, conocida como CUDA. Los orígenes intelectuales se remontan a Ian Buck, un estudiante de doctorado de Stanford cuyo lenguaje de GPU de propósito general, Brook, convenció a NVIDIA para contratarlo en 2004. Buck y el arquitecto de GPU John Nickolls transformaron Brook en una plataforma de desarrollo completa. Por primera vez, los desarrolladores podían programar GPU para tareas no gráficas en C/C++.
CUDA creció lentamente durante años, simplemente como una herramienta de nicho para científicos computacionales. NVIDIA invirtió fuertemente en bibliotecas, documentación, alianzas universitarias y relaciones con desarrolladores, con convicción y sin retornos a corto plazo. Jensen recordaría más tarde cómo su inversión implacable en CUDA casi llevó a NVIDIA al borde de la bancarrota.
Luego, en 2012, AlexNet, una red neuronal construida por el equipo de Geoffrey Hinton en la Universidad de Toronto, arrasó con el benchmark de reconocimiento de imágenes ImageNet usando dos GPU de NVIDIA. Una curiosidad de investigación de nicho de repente parecía el futuro de la IA. NVIDIA actuó con una velocidad extraordinaria y una ejecución impecable para aprovechar la oportunidad:
- Construyó cuDNN, que TensorFlow y PyTorch integraron como su backend de aprendizaje profundo predeterminado.
- Agregó Tensor Cores para cálculos matriciales de aprendizaje profundo.
- Lanzó los sistemas DGX como el dispositivo de investigación estándar para IA.
- En 2016, donó el primer DGX1 a OpenAI, cultivando la organización que crearía ChatGPT.
- Adquirió Mellanox, obteniendo control sobre la red que conecta miles de GPU en supercomputadoras de IA.
Cuando ChatGPT desató la demanda masiva de IA generativa en noviembre de 2022, ¡el foso de CUDA llevaba dieciséis años construyéndose! El H100 se convirtió en el chip imprescindible del auge de la IA y los ingresos de NVIDIA se dispararon de forma parabólica, creciendo 5 veces en los siguientes 3 años.
El comienzo lento y el eventual ascenso explosivo de NVIDIA reflejan la evolución de Intel, desde ser un fabricante de memorias en su fundación en 1968 hasta convertirse en el abanderado del microprocesador y la revolución de la PC en la década de 1990.
Tanto Intel como NVIDIA comenzaron desarrollando tecnologías distintas a las que eventualmente se convertirían en sus motores de crecimiento principales. Ambas utilizaron efectivamente sus competencias básicas a su favor y se convirtieron en plataformas informáticas dominantes, con tres décadas de diferencia. Ambas enfrentaron una lista completa de desafiantes, tanto empresas establecidas como startups.
Los Desafiantes: Una Docena de Formas de Acelerar
La lista de desafiantes de NVIDIA en 2026 guarda un parecido estructural con los desafiantes de Intel y x86 en la década de 1990. Cada uno aporta una innovación genuina, y cada uno enfrenta la misma gravedad del ecosistema.
AMD es el competidor de silicio comercial más cercano, y desempeña el mismo papel de sombra que tuvo contra Intel en x86. El hardware de AMD es competitivo. Pero la brecha en el ecosistema de software es lo que mantiene a CUDA dominante, exactamente como la base de software de x86 mantuvo a Intel dominante incluso cuando el hardware RISC era más rápido.
Las TPU de Google son la alternativa de entrenamiento más creíble. Google tiene el stack de IA más completo, desde el silicio hasta la nube. Pero las TPU son exclusivas de Google Cloud, intercambiando el bloqueo de NVIDIA por el bloqueo de Google.
Amazon Trainium impulsa el entrenamiento de modelos de frontera con una relación precio-rendimiento sustancialmente mejor que las instancias de NVIDIA, pero es exclusivo de AWS, intercambiando nuevamente el bloqueo de NVIDIA por el bloqueo de AWS. Amazon está subsidiando su propia salida de NVIDIA.
Microsoft Maia 100 está diseñado no para reemplazar a NVIDIA sino para reducir la dependencia de Azure de NVIDIA: una jugada de optimización del TCO, no un desafío de plataforma. Cerebras construyó el Wafer-Scale Engine: casi una oblea de silicio completa de 300 mm como un solo procesador. Una solución disruptiva y audaz pero de nicho, que está ganando algo de tracción, aunque su adopción generalizada sigue siendo incierta.
SambaNova tomó un enfoque diferente con su Unidad de Flujo de Datos Reconfigurable (RDU), una arquitectura de flujo de datos distinta de las GPU y TPU.
Tenstorrent también apuesta a que las GPU son fundamentalmente la abstracción incorrecta para las cargas de trabajo de IA, y que el flujo de datos ganará a escala de la misma manera que RISC ganó el argumento técnico contra CISC. Tenstorrent ha desarrollado una arquitectura de acelerador construida alrededor de una rejilla de núcleos de cómputo pequeños e idénticos, cada uno con su propia SRAM local, unidad de cómputo matricial, unidad vectorial y procesadores RISC-V que gestionan el movimiento de datos y la programación localmente.
Hay varias otras startups también. JP Morgan proyecta que el silicio personalizado podría capturar el 45% del mercado de chips de IA para 2028. NVIDIA ahora enfrenta competencia de sus propios clientes.
El Foso de CUDA: Wintel, Recargado
Los paralelismos entre NVIDIA hoy e Intel en la década de 1990 son estructurales, y no meramente superficiales:
El bloqueo de CUDA no es una dependencia única. Se acumula en múltiples niveles: kernels ajustados a las bibliotecas matemáticas de NVIDIA, comportamiento de precisión mixta calibrado para cuDNN, entrenamiento distribuido optimizado en torno a la Biblioteca de Comunicaciones Colectivas de NVIDIA (NCCL), canalizaciones de integración continua y despliegue construidas sobre las herramientas de CUDA, y toda una generación de ingenieros capacitados en CUDA incluso antes de graduarse.
El foso de NVIDIA puede ser más profundo que el foso que Intel construyó por dos razones principales:
Integración vertical: Wintel controlaba el sistema operativo y la CPU, pero dependía de terceros para todo lo demás. NVIDIA controla la GPU, las redes (NVLink, InfiniBand), el software (CUDA, cuDNN, TensorRT, NCCL) y sistemas completos a escala de rack (NVL72, 72 GPU Blackwell como una sola unidad lógica de cómputo). En la GTC 2026, NVIDIA presentó la plataforma Vera Rubin con siete tipos de chips distintos que comprenden cinco configuraciones de sistema a escala de rack, extendiendo el control vertical más allá de lo que Intel logró.
Costos de cambio intensivos en capital: Migrar una aplicación de Windows a Linux en la década de 1990 era costoso pero acotado. Reentrenar un modelo de IA de frontera en hardware alternativo cuesta cientos de millones de dólares y meses de ingeniería.
Groq: NVIDIA Absorbe a un Desafiante
Quizás el desarrollo más revelador del año pasado es lo que le sucedió a un desafiante que estaba ganando tracción real. Groq, fundada por el exingeniero de TPU de Google, Jonathan Ross, había construido una Unidad de Procesamiento de Lenguaje (LPU) optimizada para inferencia de latencia ultrabaja. Su arquitectura basada en SRAM afirmaba ofrecer una generación de tokens de 4 a 7 veces más rápida que las GPU con latencia determinista. Para 2025, Groq apuntaba a $500 M en ingresos y había recaudado $750 M con una valoración de $6.9 B. En la víspera de Navidad de 2025, NVIDIA anunció un acuerdo de $20 B, el más grande de su historia, para licenciar la tecnología de inferencia de Groq y contratar a la mayor parte de su equipo técnico, incluido el fundador Ross.
En la GTC 2026, Jensen reveló su plan para la tecnología de Groq. El acelerador de inferencia Groq 3 LPX se insertará en la plataforma Vera Rubin como un coprocesador dedicado de la fase de decodificación, y según Jensen, representará aproximadamente el 25% del cómputo en un clúster de IA.
La adquisición conlleva una señal más profunda. Por un lado, valida la existencia de un mercado para aceleradores que no son GPU, especialmente para cargas de trabajo de inferencia. Por otro lado, indica que Jensen y NVIDIA pueden estar dispuestos a absorber cualquier amenaza emergente a su imperio de GPU.
Es fascinante notar que esto también es un manual de juego con precedentes históricos. En 1998, Intel adquirió la propiedad intelectual de DEC Alpha y su fábrica de fabricación de silicio, no para usarla, sino para neutralizarla. El acuerdo con Groq es un poco más sofisticado – NVIDIA está integrando tecnología genuinamente útil – pero el efecto competitivo es similar: un desafiante menos en la mesa.
Resumen
Así como Intel construyó un ecosistema formidable en torno a las CPU x86 durante la era de la PC, NVIDIA construyó un imperio sorprendentemente similar en torno a las GPU programables para lanzar la era de la IA. El foso de CUDA puede ser más profundo de lo que el foso de x86 y Wintel jamás fue, y a diferencia de Intel, NVIDIA se movió rápidamente para ascender en la pila tecnológica y convertirse en un proveedor de sistemas y software, en lugar de seguir siendo un mero proveedor de silicio comercial.
Así como en el pasado, junto con el ascenso de NVIDIA, llegó una nueva lista de desafiantes que incluye empresas de chips comerciales, hiperescaladores y un montón de startups construyendo silicio personalizado. Estos desafiantes han desarrollado arquitecturas innovadoras y elegantes que se enfrentan al gigante NVIDIA. Pero así como en el pasado, carecen de la escala, la economía de volumen, el bloqueo de software y la integración de sistemas que domina NVIDIA.
Así como la enorme reserva de guerra de Intel le permitió vencer a casi todos los competidores de fabricación de semiconductores de la década de 1990, NVIDIA está utilizando su enorme ganancia inesperada para realizar adquisiciones inteligentes en toda la pila tecnológica, cubriendo casi todas las tendencias emergentes potenciales, desde interconexiones ópticas hasta computación cuántica.
La Parte 3 se alejará de los detalles para reflexionar sobre una pregunta fascinante: ¿Qué sucede después?
