Por Canuto  

Nvidia presentó la entrada en operación de Vera Rubin, una plataforma que, según el análisis del programa Limitless Podcast, podría reducir hasta 10 veces el costo energético de procesar tokens de inteligencia artificial. El anuncio contrasta con las dificultades de Google para mantener el ritmo en modelos, chips y flujo de caja.
***

  • Vera Rubin promete hasta 10 veces más tokens por megavatio y una densidad de 336.000 millones de transistores.
  • Google enfrenta críticas por Gemini 3.6 Flash, el retraso de su chip Frozen V2 y un flujo de caja trimestral negativo.
  • Los modelos abiertos de China, las plataformas de enrutamiento y la red Starlink de Tesla amplían la competencia por la infraestructura de IA.

 

La carrera por la infraestructura de inteligencia artificial entró en una nueva etapa con la entrada en operación de Vera Rubin, la plataforma de Nvidia que busca atacar uno de los mayores obstáculos del sector: el costo. Las empresas destinan decenas o cientos de millones de dólares cada año al entrenamiento y la inferencia de modelos.

El análisis de NVIDIA Just Ended Google, publicado por Limitless Podcast, presentó el anuncio como un posible punto de inflexión para Nvidia y como una señal de presión creciente sobre Google. La discusión también abordó modelos chinos, chips especializados, enrutamiento de consultas y la infraestructura conectada de Tesla.

Vera Rubin apunta al costo de los tokens

La principal promesa de Vera Rubin es entregar 10 veces más tokens por cada megavatio utilizado por una unidad de procesamiento gráfico. En términos prácticos, el mismo presupuesto de infraestructura podría permitir ejecutar un modelo 10 veces mejor, o procesar una cantidad equivalente de consultas con un gasto muy inferior.

El dato resulta relevante porque el entrenamiento y la inferencia concentran una parte importante del gasto de las compañías de IA. Según el programa, los clientes llegan a desembolsar entre decenas y cientos de millones de dólares anuales para mantener sus modelos y servicios operativos.

El análisis sostuvo que los proveedores de infraestructura pueden capturar márgenes de entre 50% y 60% por cada dólar destinado a tokens de IA. Por eso, una mejora de eficiencia de esta magnitud podría modificar el equilibrio entre los laboratorios que desarrollan modelos y las empresas que suministran el cómputo.

Vera Rubin incorpora 336.000 millones de transistores, una cifra que representa un aumento de 62% frente al sistema Blackwell GB300. La plataforma utiliza la tecnología de fabricación de 3 nanómetros de TSMC, descrita en el programa como una de las más avanzadas disponibles.

La arquitectura también ofrece un flujo de memoria de 22 TB por segundo. El diseño combina dos matrices de silicio llevadas al límite de capacidad en una sola unidad, una decisión que refleja las restricciones físicas que enfrenta la industria al intentar aumentar el tamaño de los chips.

Una plataforma diseñada para agentes de IA

Vera Rubin no funciona como un componente aislado dentro de un servidor convencional. La configuración mencionada en el análisis exige 72 unidades de procesamiento gráfico en un mismo rack, acompañadas por 32 unidades centrales de procesamiento de Nvidia.

La presencia de tantos procesadores centrales responde a la evolución de los sistemas de IA. Las empresas ya no ejecutan únicamente una instancia de un modelo, sino múltiples agentes capaces de consultar herramientas, coordinar tareas y responder a diferentes solicitudes.

En este esquema, la ventaja no depende solo del chip. También intervienen el diseño del servidor, la memoria, los procesadores centrales y el software que coordina los componentes para distribuir las cargas de trabajo.

El análisis calculó que Vera Rubin podría ofrecer aproximadamente cuatro veces el rendimiento base del sistema GB300, además de la mejora energética. La combinación de hardware más potente y algoritmos más eficientes podría impulsar modelos considerablemente mayores.

Ningún modelo había sido entrenado todavía en Vera Rubin al momento de la discusión. Sin embargo, el programa comparó su potencial con los modelos de clase GPT-6 y Fable, que, según el contenido, ya muestran capacidades avanzadas incluso antes de utilizar la nueva plataforma.

Producción y ventaja competitiva de Nvidia

El programa señaló que Nvidia proyecta fabricar 1.000 racks de Vera Rubin por día. Cada rack contiene numerosos chips, por lo que el ritmo de producción representa una apuesta industrial de gran escala.

La discusión vinculó esa capacidad con una proyección de ingresos de USD $630.000 millones por trimestre, bajo determinados supuestos de producción y ventas. La cifra fue presentada como una estimación del programa, no como un resultado financiero confirmado.

Los procesadores centrales asociados con Vera Rubin comenzaron a enviarse un mes antes de la entrada en operación de la plataforma completa. El análisis estimó que Nvidia podría generar cerca de USD $20.000 millones este año solamente con su negocio de procesadores centrales.

La ventaja de Nvidia se apoya en una integración que combina chips, servidores y software. Esa estrategia dificulta que un competidor iguale el rendimiento mediante un solo componente alternativo.

El programa describió a Google como el rival más directo de Nvidia en este frente. La empresa desarrolló sus propias unidades de procesamiento tensorial, conocidas como TPU, y comenzó a venderlas a clientes externos como Anthropic y otros laboratorios de IA.

Google enfrenta presión en modelos y flujo de caja

Google registró por primera vez un flujo de caja trimestral negativo, según el contenido analizado. La explicación planteada fue el fuerte gasto en infraestructura de IA, que habría superado el dinero generado durante el trimestre.

La situación contrasta con el crecimiento de los ingresos. El programa indicó que la facturación de Google aumentó 24% interanual y que la búsqueda mantuvo un desempeño sólido, con un crecimiento señalado de 17% durante el año.

El problema para los inversionistas no estaría en el rendimiento actual de la compañía, sino en sus posibilidades futuras dentro de la economía de los tokens. La discusión afirmó que las expectativas sobre la capacidad de Google para permanecer en la frontera tecnológica han disminuido.

El análisis también cuestionó el lanzamiento de Gemini 3.6 Flash. El modelo se presentó como una alternativa económica y eficiente, pero los participantes del programa lo consideraron menos capaz que varios modelos de OpenAI, Anthropic y laboratorios chinos.

Entre las alternativas mencionadas estuvieron GLM 5.2 y Kimi K3, descritos como modelos de código abierto desarrollados con presupuestos mucho menores que los de Google. El programa afirmó que estas herramientas ofrecen un desempeño competitivo a una fracción del costo.

Frozen V2 llega tarde a la carrera

Google también trabaja en un nuevo chip con el nombre clave Frozen V2. La arquitectura representa una evolución de sus TPU y, de acuerdo con la discusión, buscaría lograr entre seis y ocho veces más eficiencia que las generaciones anteriores.

La compañía ya convirtió sus TPU en una línea de negocio para clientes externos. Anthropic y otros laboratorios comenzaron a utilizar esa infraestructura para entrenar sus modelos, lo que abrió una fuente adicional de ingresos para Google.

El principal obstáculo es el calendario. Frozen V2 no llegaría al mercado hasta 2028, mientras Vera Rubin ya se encuentra operativa, según el programa.

La diferencia temporal alimenta las dudas sobre la capacidad de Google para alcanzar a Nvidia. Incluso si Frozen V2 cumple su promesa de eficiencia, Nvidia podría lanzar para entonces una arquitectura todavía más avanzada.

El análisis atribuyó parte de las dificultades de Google a la distribución interna del cómputo. Según la discusión, equipos como DeepMind tuvieron que competir internamente por recursos, mientras OpenAI y Anthropic habrían priorizado entregar más capacidad a sus investigadores para desarrollar modelos de frontera.

China fortalece los modelos abiertos

La competencia tecnológica también se extiende entre Estados Unidos y China. El programa describió una aceleración de los laboratorios chinos, cuyos modelos de código abierto alcanzarían cerca del 90% de las capacidades de algunos sistemas de frontera estadounidenses.

La ventaja de estos modelos no se limita al rendimiento. Las empresas pueden alojarlos en sus propios servidores, mantener el control de sus datos y reducir el costo de acceso a servicios externos.

El contenido mencionó a Kimi K3 y DeepSeek como parte de esta tendencia. También señaló que los laboratorios chinos destinan presupuestos mucho menores que los de las grandes compañías estadounidenses.

En Estados Unidos surgió la posibilidad de limitar o prohibir modelos chinos de código abierto. El programa cuestionó la viabilidad práctica de una medida de ese tipo, debido a que el código puede copiarse, distribuirse y ejecutarse localmente.

La discusión también advirtió que una restricción afectaría a startups estadounidenses que dependen de modelos abiertos porque no pueden pagar el acceso a los sistemas más costosos. El debate combina preocupaciones de seguridad, competencia internacional, privacidad y libertad de desarrollo tecnológico.

El enrutamiento busca reducir el gasto

Tres compañías anunciaron plataformas de enrutamiento de modelos durante la semana analizada. Estas herramientas reciben una consulta y deciden qué partes deben enviarse a diferentes modelos, según la función requerida.

La estrategia busca mejorar la respuesta y reducir el gasto. Una tarea sencilla puede utilizar un modelo económico, mientras una solicitud compleja se dirige a un sistema de mayor capacidad.

Cursor presentó Cursor Router como una plataforma general para consultas de modelos de lenguaje. La empresa ya había aplicado una estrategia similar en programación y, según el programa, ese enfoque contribuyó a su adquisición por USD $60.000 millones.

Ramp, una compañía del sector financiero, y Meta también anunciaron iniciativas relacionadas. Meta buscaría aplicar internamente el enrutamiento para controlar el gasto que destina a sus propios modelos de IA.

Cursor afirmó que su sistema puede ofrecer calidad de frontera con un costo 60% menor. Sin embargo, el programa advirtió que OpenAI, Anthropic y Google podrían desarrollar funciones similares y utilizar sus propios datos para optimizar el enrutamiento.

Tesla conecta vehículos y cómputo

La discusión cerró con una referencia a Starlink V5, una nueva versión del sistema de conectividad satelital. El equipo sería 40% más pequeño y ofrecería una eficiencia superior en relación con la energía utilizada.

Starlink V5 se integraría en cada cybercab producido, según el programa. Esa conexión permitiría que los vehículos envíen datos, reciban asistencia y mantengan comunicación con sistemas centrales desde distintos lugares del mundo.

La integración abre una posibilidad adicional para Tesla: convertir su red de vehículos en una infraestructura distribuida conectada a internet. Los automóviles podrían funcionar como nodos con capacidad de procesamiento, aunque el programa presentó esta idea como una tesis de futuro.

El análisis planteó que la mayor oportunidad de Tesla podría estar menos relacionada con los automóviles y más con una red descentralizada para entrenar modelos e inferir consultas. El concepto combina vehículos autónomos, conectividad satelital y grandes volúmenes de datos.

Starlink V5 forma parte de una visión más amplia en la que la conectividad estaría disponible en prácticamente cualquier lugar del planeta. El programa también mencionó futuros satélites móviles vinculados con Starlink V3 y Starship.

La llegada de Vera Rubin, la presión sobre Google, el avance de China y las plataformas de enrutamiento muestran que la competencia de IA ya no depende únicamente de quién crea el mejor modelo. El control del cómputo, la energía, los datos y la conectividad puede definir quién captura el valor de la próxima etapa tecnológica.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados