Por Canuto  

Nvidia habría retrasado hasta 2028 el despliegue de Kyber NVL144, su próximo sistema insignia para chips Rubin Ultra, debido a dificultades de manufactura en una placa de circuito clave. El contratiempo vuelve a poner bajo escrutinio la agresiva cadencia anual de lanzamientos de la empresa y podría abrir una inusual oportunidad técnica para competidores como AMD y Google en la cima del mercado de IA.
***

  • SemiAnalysis indicó que Kyber NVL144 se retrasó hasta 2028 por problemas de manufactura en un plano medio de PCB.
  • El revés suma presión sobre la estrategia de lanzamientos anuales de Nvidia y complica la expansión de Rubin Ultra.
  • AMD y Google podrían aprovechar la demora, aunque Nvidia mantiene fuerte producción en sus sistemas Rubin actuales.

El próximo sistema insignia de Nvidia para inteligencia artificial habría sufrido un retraso relevante. Según reportó CNBC, la arquitectura de rack Kyber, diseñada para alojar los chips Rubin Ultra previstos para 2027, ahora se movería hasta 2028.

La señal no es menor dentro del mercado de infraestructura de IA. Nvidia domina el segmento de aceleradores para centros de datos, por lo que cualquier tropiezo en su hoja de ruta suele tener implicaciones para fabricantes, hyperscalers y laboratorios que dependen de ciclos de actualización cada vez más cortos.

Kyber no es un producto más dentro del catálogo de la empresa. Se trata de un gabinete de servidores capaz de agrupar 144 de los chips más potentes de Nvidia dentro de una sola unidad para operar como una gran computadora orientada al entrenamiento y la inferencia de modelos avanzados.

El diseño busca elevar densidad y reducir latencia mediante bandejas de cómputo colocadas de forma vertical en lugar de horizontal. Ese detalle arquitectónico apuntaba a convertirlo en una pieza clave para la siguiente generación de sistemas de alto rendimiento de la compañía.

Ahora, el retraso informado agrega nuevas dudas sobre si el acelerado ritmo anual de lanzamientos de Nvidia está empezando a chocar con límites industriales más duros. Esa tensión ya había aparecido en reportes previos sobre transiciones complejas entre generaciones de hardware para IA.

Qué pasó con Kyber y por qué importa

La firma de investigación SemiAnalysis afirmó que el Kyber NVL144 fue retrasado hasta 2028. La razón central sería la dificultad para fabricar una placa de circuito crítica ubicada en el corazón del sistema.

En concreto, la firma señaló que el problema se concentra en el plano medio de PCB. Ese componente funciona como una placa de circuito impreso multicapa y especializada que conecta los distintos módulos electrónicos dentro del sistema.

La manufactura de ese tipo de piezas no es trivial. Cuando un sistema reúne gran densidad de cómputo, interconexión avanzada y exigencias térmicas extremas, incluso un solo cuello de botella puede demorar la entrada al mercado de toda la plataforma.

El caso es relevante porque Kyber debía debutar junto con Vera Rubin Ultra en 2027. Esa combinación representaba la siguiente gran apuesta de Nvidia para sostener su liderazgo en el tramo más alto del mercado de computación para IA.

Si el calendario se mueve más de 12 meses, también se desplaza la capacidad de los clientes para planificar despliegues futuros. Para los grandes proveedores de nube, esos cambios alteran presupuestos, contratos de infraestructura y cronogramas de expansión de capacidad.

El nombre NVL144 resume parte de esa ambición técnica. El sistema busca unir 144 GPU de alta gama en una sola estructura, con el fin de ofrecer una escala de cómputo apta para los modelos más grandes del mercado.

Presión sobre la hoja de ruta de Nvidia

El retraso de Kyber no aparece en un vacío. Se suma a preocupaciones más amplias sobre si Nvidia puede sostener un ciclo de lanzamientos anuales sin elevar demasiado el riesgo de problemas de ingeniería, integración y manufactura.

Durante los últimos años, la empresa ha acelerado la cadencia de su portafolio para responder a una demanda explosiva por infraestructura de IA. Esa velocidad le ha permitido mantener ventaja comercial, pero también comprime los tiempos de validación y producción.

En mercados de semiconductores avanzados, un retraso de este tipo tiene efectos en cadena. No solo afecta la disponibilidad de hardware, sino también las redes de proveedores, ensambladores, fabricantes de placas y operadores de centros de datos.

SemiAnalysis también indicó que el sistema NVL576 podría enfrentar demoras similares o limitarse a volúmenes pequeños. Ese modelo conecta ocho racks mediante enlaces ópticos, por lo que su complejidad operativa y de fabricación es aún mayor.

Si esa previsión se confirma, el desafío para Nvidia no sería solo lanzar un nuevo chip. El problema pasaría por escalar toda una arquitectura de sistemas interconectados, que es precisamente donde se define la ventaja en la frontera del cómputo para IA.

Nvidia no respondió a la solicitud de comentarios realizada por CNBC. Por ello, el mercado todavía no cuenta con una postura oficial de la compañía frente al detalle específico del presunto retraso en Kyber.

El plan alternativo también habría sido descartado

La situación se complica porque una ruta de respaldo también habría quedado fuera de la mesa. SemiAnalysis señaló que la idea de unir dos racks de la generación actual para lograr una potencia similar terminó siendo rechazada por clientes de nube.

La firma describió esa propuesta como un diseño incómodo y costoso de operar para los proveedores de servicios en la nube y los hyperscalers. En otras palabras, el remedio no convenció a quienes tendrían que desplegarlo a escala real.

Ese dato importa porque revela que el problema no se resuelve solo con “más hardware”. En sistemas de IA de última generación, la eficiencia operativa, el consumo energético, el espacio físico y la facilidad de integración pesan tanto como la potencia bruta.

SemiAnalysis afirmó que ese plan fue cancelado por una fuerte oposición de los clientes. De acuerdo con la firma, la carga operativa de esa arquitectura alternativa era demasiado pesada para resultar atractiva.

Con ese descarte, Nvidia quedaría sin una solución probada para expandir el tamaño del mundo de escalado para Rubin Ultra. Ese concepto es esencial para clientes que buscan entrenar modelos cada vez más grandes y complejos dentro de una sola infraestructura lógica.

Para el ecosistema de IA, la conclusión es clara. Una cosa es liderar en GPU individuales y otra muy distinta es entregar, en tiempo y forma, sistemas completos con interconexión, empaquetado, software y operación aceptables para la nube.

Una oportunidad poco común para AMD y Google

La lectura más sensible del reporte es competitiva. SemiAnalysis considera que la demora podría dar a rivales como AMD y Google una apertura técnica poco frecuente en la parte más alta del mercado.

Esa posibilidad resulta llamativa porque Nvidia ha dominado ampliamente ese espacio durante el auge reciente de la IA generativa. Sin embargo, cuando el líder enfrenta retrasos en sistemas de máxima escala, los clientes suelen revisar alternativas con más atención.

AMD ha venido reforzando su presencia en aceleradores para centros de datos. Google, por su parte, ya cuenta con chips internos que, según el reporte, están ganando negocio entre laboratorios de IA relevantes.

La oportunidad no implica un cambio automático de liderazgo. Pero sí puede traducirse en pruebas piloto, contratos parciales o una mejor disposición de los compradores a diversificar proveedores en capas críticas de infraestructura.

Eso importa también para el equilibrio del ecosistema tecnológico. Cuando un solo actor concentra demasiada capacidad, cualquier retraso operativo puede abrir espacio a una competencia más agresiva en precio, rendimiento o integración vertical.

Para los inversionistas, además, la competencia en IA no se juega únicamente a nivel de chips. También se define en sistemas completos, redes ópticas, software, consumo energético y facilidad para escalar clústeres de entrenamiento masivo.

El negocio actual de Nvidia sigue mostrando fortaleza

Aun con el tropiezo potencial de Kyber, el negocio presente de Nvidia no parece haberse detenido. Los sistemas Rubin de la generación actual ya están en producción completa, según la información citada.

Además, esos equipos comenzarán a enviarse este otoño a ocho socios de nube. Entre ellos figuran Amazon Web Services, Microsoft Azure y Google Cloud, tres nombres centrales dentro de la infraestructura global para inteligencia artificial.

Ese punto ayuda a matizar el impacto inmediato del retraso. Una cosa es la fortaleza de la demanda y de la producción vigente, y otra distinta es la presión que surge al intentar sostener la siguiente gran transición tecnológica.

SemiAnalysis también proyectó que los ingresos por computación de centros de datos de Nvidia superarán en un 20% el consenso de Wall Street durante la segunda mitad del año fiscal 2027. Esa previsión sugiere que el negocio principal aún mantendría un desempeño robusto.

En los mercados, la reacción inicial fue limitada. Las acciones de Nvidia fluctuaban en las operaciones previas a la apertura y bajaban menos de 0,1%, hasta USD $194,79.

Esa respuesta sugiere que los operadores todavía ponderan dos fuerzas en direcciones distintas. Por un lado, existe preocupación por la ejecución de la hoja de ruta; por el otro, persiste una demanda extraordinaria por capacidad de IA en centros de datos.

Lo que este episodio revela sobre la carrera de infraestructura para IA

Más allá del caso puntual de Nvidia, el episodio muestra cuán difícil se ha vuelto construir la próxima generación de supercomputación para inteligencia artificial. Ya no basta con fabricar chips rápidos; ahora hay que integrarlos en sistemas enormes, densos y confiables.

Eso explica por qué detalles como un plano medio de PCB pueden convertirse en un factor decisivo. En la cima del mercado, una pieza aparentemente secundaria puede definir plazos, costos y la capacidad real de entregar rendimiento a gran escala.

También ayuda a entender por qué los hyperscalers presionan por diseños operativamente viables. Si un sistema es demasiado complejo, costoso o incómodo de desplegar, su potencia teórica pierde valor frente a opciones más manejables.

En ese sentido, la noticia no cambia por sí sola el liderazgo de Nvidia. Pero sí recuerda que incluso el actor dominante enfrenta límites físicos e industriales cuando intenta acelerar al máximo el desarrollo de nuevas plataformas.

Para una industria que hoy mueve cientos de miles de millones de dólares en expectativas, esos detalles importan tanto como las presentaciones en escenario. El liderazgo en IA seguirá dependiendo de quién pueda convertir ambición técnica en productos fabricables, escalables y aceptados por los mayores compradores del mundo.

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 y revisado por un editor humano para garantizar calidad y precisión.


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