NVIDIA, CUDA y los nuevos competidores
“No puedes conectar los puntos mirando hacia adelante; solo puedes conectarlos mirando hacia atrás.”
Steve Jobs
Parte 1 de este ensayo de 3 partes cubrió las guerras RISC vs CISC y cómo el ISA x86 de Intel, ayudado por el ciclo de Wintel, la economía de volumen y un bloqueo completo 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 en notas al pie.
Esta parte examina cómo NVIDIA construyó un imperio sorprendentemente similar durante tres décadas para establecerse como el claro líder en la era actual de la IA, y cómo un nuevo conjunto de competidores está intentando quitarle participación.
NVIDIA: De un puesto de Denny’s a una fortaleza de billones de dólares
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 – dibujaron la idea de un negocio que se convertiría en NVIDIA - durante el desayuno en un puesto de Denny's en San José, California.
Priem y Malachowsky eran compañeros de trabajo en Sun, una de las empresas más prominentes de la era RISC, discutida en la Parte 1, que el ecosistema x86 de Intel finalmente destruyó. La arquitectura SPARC de Sun, sus márgenes de hardware propietarios y su modelo verticalmente integrado fueron todos mercantilizados por x86 + Linux durante la siguiente década.
Y sin embargo, dos ingenieros de esa misma empresa pasaron a construir NVIDIA, que para 2023 se había convertido en lo mismo que Intel era en 1993 – la plataforma dominante y controladora del ecosistema de su era informática. La empresa que Intel mató, inadvertidamente engendró la empresa que un día eclipsaría a Intel.
Nada de la cristalización de tres décadas de NVIDIA era visible en 1993. NVIDIA pasó su primera década como una empresa de tarjetas gráficas, su segunda década construyendo una plataforma de computación 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 posiblemente más profundo, que el que Intel construyó con x86 y Wintel. Los fundadores de NVIDIA, que vieron a Sun perder ante el manual de estrategias del ecosistema de Intel, terminaron ejecutando el mismo manual, más efectivamente, 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 todavía eran solo periféricos de nicho para jugadores e ingenieros de 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 una Compute Unified Device Architecture, también 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, asociaciones 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 de la Universidad de Toronto, destrozó el benchmark de reconocimiento de imágenes ImageNet utilizando dos GPU de NVIDIA. Una curiosidad de investigación de nicho de repente parecía el futuro de la IA. NVIDIA se movió 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 matemáticas matriciales de aprendizaje profundo.
- Lanzó los sistemas DGX como el aparato estándar de investigación en IA.
- En 2016, donó el primer DGX1 a OpenAI, cultivando la organización que crearía ChatGPT.
- Adquirió Mellanox, obteniendo control de la red de interconexión que conecta miles de GPU en supercomputadoras de IA.
Cuando ChatGPT desató la demanda del mercado masivo de IA generativa en noviembre de 2022, el foso de CUDA llevaba dieciséis años en construcción. El H100 se convirtió en el chip imprescindible del auge de la IA y los ingresos de NVIDIA se volvieron parabólicos, creciendo 5 veces en los siguientes 3 años.
El comienzo lento y el eventual aumento explosivo de NVIDIA reflejan la evolución de Intel desde 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 de lo que eventualmente se convertiría en sus motores de crecimiento principales. Ambos utilizaron efectivamente sus competencias centrales a su favor y se convirtieron en plataformas informáticas dominantes, con tres décadas de diferencia. Ambos enfrentaron una larga lista de competidores, tanto establecidos como startups.
Los competidores: una docena de formas de acelerar
La lista de competidores de NVIDIA en 2026 tiene un parecido estructural con los competidores de Intel y x86 de 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 juega el mismo papel de sombra que jugó contra Intel en x86. El hardware de AMD es competitivo. Pero la brecha del ecosistema de software es lo que mantiene a CUDA dominante, exactamente como la base de software x86 mantuvo dominante a Intel 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 exclusivo de AWS, nuevamente cambiando el bloqueo de NVIDIA por el bloqueo de AWS. Amazon está subsidiando su propia escape de NVIDIA.
Microsoft Maia 100 está diseñado no para reemplazar a NVIDIA sino para reducir la dependencia de Azure de NVIDIA – un juego de optimización de TCO, no un desafío de plataforma. Cerebras construyó el Wafer-Scale Engine – casi toda una oblea de silicio de 300 mm como un solo procesador. Una solución disruptiva y audaz pero de nicho, ganando algo de tracción, pero la adopción generalizada sigue siendo incierta.
SambaNova tomó un enfoque diferente con su Reconfigurable Dataflow Unit (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 cargas de trabajo de IA, y que el flujo de datos ganará a escala como RISC ganó el argumento técnico contra CISC. Tenstorrent ha desarrollado una arquitectura aceleradora construida alrededor de una cuadrícula de núcleos de cómputo pequeños e idénticos, cada uno con su propia SRAM local, unidad de matemáticas matriciales, unidad vectorial y procesadores RISC-V que gestionan el movimiento de datos y la programación localmente.
También hay varias otras startups. 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 a través de múltiples niveles: kernels ajustados a las bibliotecas matemáticas de NVIDIA, comportamiento de precisión mixta calibrado a cuDNN, entrenamiento distribuido optimizado alrededor de la Biblioteca de Comunicaciones Colectivas de NVIDIA (NCCL), tuberías de integración continua y despliegue construidas sobre herramientas de CUDA y una generación entera de ingenieros entrenados 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, la red (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 GTC 2026, NVIDIA presentó la plataforma Vera Rubin con siete tipos de chip 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: Portar una aplicación de Windows a Linux en la década de 1990 era costoso pero limitado. 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 competidor
Quizás el desarrollo más revelador del año pasado es lo que le sucedió a un competidor que estaba ganando tracción real. Groq, fundado 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 4-7 veces más rápida que las GPU con latencia determinista. Para 2025, Groq apuntaba a ingresos de $500 millones y había recaudado $750 millones con una valoración de $6.9 mil millones. En la víspera de Navidad de 2025, NVIDIA anunció un acuerdo de $20 mil millones, 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 GTC 2026, Jensen reveló su plan para la tecnología Groq. El acelerador de inferencia Groq 3 LPX se insertará en la plataforma Vera Rubin como un coprocesador dedicado de 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 no GPU, especialmente para cargas de trabajo de inferencia. Por otro lado, indica que Jensen y NVIDIA pueden estar dispuestos a devorar cualquier amenaza emergente a su imperio de GPU.
Es fascinante notar que esto también es un manual de estrategias con precedentes históricos. En 1998, Intel adquirió la propiedad intelectual Alpha de DEC 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 competidor menos en la mesa.
Resumen
Así como Intel construyó un ecosistema formidable alrededor de las CPU x86 durante la era de la PC, NVIDIA construyó un imperio sorprendentemente similar alrededor de 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 fue rápida en 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.
Al igual que en el pasado, junto con el auge de NVIDIA, llegó una nueva lista de competidores, incluyendo empresas de chips comerciales, hiperescaladores y una gran cantidad de startups construyendo silicio personalizado. Estos competidores han desarrollado arquitecturas innovadoras y elegantes que van en contra del gigante de NVIDIA. Pero al igual que en el pasado, carecen de la escala, la economía de volumen, el bloqueo de software y la integración de sistemas dominados por NVIDIA.
Así como el enorme arsenal 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 tomará un respiro de los detalles para reflexionar sobre una pregunta fascinante: ¿Qué sucede después?
