La ventaja de Nvidia en IA va más allá de las GPU: Vera Rubin y la orquestación de datos

Nvidia: la ventaja en IA va mucho más allá de las GPU

Durante los primeros años del boom de la inteligencia artificial, la historia dominante sobre Nvidia era clara: era la única fuente de GPU de última generación y eso resultó enormemente rentable a medida que la industria escalaba. Sin embargo, en los últimos años, los hiperescaladores como Amazon y Google comenzaron a desarrollar sus propios chips, lo que llevó a muchos inversores a preguntarse si la ventaja de la compañía era realmente duradera.

Esa historia es convincente y, en su mayoría, cierta. Tras multiplicar su capitalización de mercado por 10 entre inicios de 2023 y mediados de 2025, las acciones de Nvidia han tenido una trayectoria más modesta durante el último año, impulsada por las preocupaciones sobre la competencia en el mercado de GPU.

Pero desde la presentación de resultados del miércoles, ha tomado forma una nueva narrativa: la ventaja de Nvidia va mucho más allá de las GPU. A medida que el cómputo de IA crece hasta la escala de gigavatios, la orquestación de datos se ha vuelto una tarea cada vez más compleja. Nvidia ha construido gran parte del hardware de vanguardia necesario para manejarla, lo que le da una enorme ventaja en los sistemas que rodean a la GPU, incluso mientras enfrenta una mayor competencia en las propias GPU.

A pesar de que se hable del cómputo como una mercancía, sigue siendo increíblemente difícil operar un centro de datos a escala masiva con máxima eficiencia. Y a medida que los despliegues son más grandes y rápidos, ese desafío crece.

Arquitectura Vera Rubin: orquestación de datos en el centro de todo

La propia oferta de Nvidia lo demuestra. La compañía está implementando actualmente su arquitectura Vera Rubin, que combina la GPU Rubin con una colección de otras unidades. Estas incluyen la Vera CPU, el acelerador de inferencia Groq 3 LPX y racks similares para almacenamiento y redes. El resultado es un sistema extremadamente especializado.

• GPU Rubin: procesador central para las cargas de IA.
• Vera CPU: unidad dedicada a la orquestación de datos.
• Groq 3 LPX: acelerador de inferencia.
• Racks de almacenamiento y redes: infraestructura de apoyo.

Estos sistemas, en lugar de procesar tokens, se aseguran de que todo lo que está fuera de la GPU funcione con la mayor eficiencia posible. Si la GPU es el motor, estos componentes son el resto del automóvil.

Vera CPU: el director de tráfico de los datos

La Vera CPU se enfoca en el problema de orquestar datos. Jason Hardy, vicepresidente de tecnología de almacenamiento de Nvidia, explicó:

“Vera es importante porque solo hay cierta cantidad de memoria que puedes poner en un solo servidor o en cualquier plataforma de cómputo”.

A medida que los centros de datos han escalado su potencia de cómputo, la capacidad de memoria también ha aumentado. Por eso compañías como Micron se han beneficiado en la segunda ola del boom de infraestructura. Pero llevar esos datos a la GPU en el momento adecuado no es sencillo. Con el objetivo de reducir los tokens por vatio, las empresas están comprendiendo la importancia de esa dirección de tráfico.

Hardy añadió:

“Vimos una mejora de hasta 3x en estas operaciones, donde la Vera CPU permite la aceleración. Ahora podemos usar nuestro flash al máximo potencial, porque obtenemos todo ese rendimiento sin cuellos de botella”.

OpenAI y su enfoque para minimizar el movimiento de datos

El mismo problema aparece fuera de Nvidia. Cuando OpenAI desarrolló su chip Jalapeño, un objetivo central fue evitar estos desafíos minimizando la cantidad de datos que necesitan moverse.

La compañía lo explicó en una publicación de blog a principios de este mes:

“Diseñamos Jalapeño para minimizar el movimiento de datos y los retrasos de comunicación. Su gran dominio permite que toda la carga de trabajo permanezca dentro de un sistema conectado, minimizando el movimiento de datos y ayudando a que la solicitud completa sea rápida y eficiente de principio a fin”.

Es un enfoque diferente: evitar por completo el movimiento de datos al realizar una carga de trabajo dentro de un chip integrado. Pero la lógica general es la misma: aumentar la eficiencia con un control de tráfico más inteligente, en lugar de simplemente añadir más ciclos de procesamiento. Esto abre una nueva capa de infraestructura por la que las empresas pueden competir.

La competencia se mueve a una nueva capa

Este nuevo enfoque en la orquestación de datos no es automáticamente una victoria para Nvidia. La compañía deberá competir con fabricantes de chips rivales e hiperescaladores, igual que ha hecho con las GPU. Pero la competencia se ha movido a una nueva capa: construir una GPU rival importa menos que ser capaz de hacer que todo el sistema funcione de manera eficiente.

Y, al menos en esta etapa inicial, Nvidia parece tener una ventaja dominante.