d-Matrix se une a la plataforma NVIDIA NVLink Fusion, pero Raptor aún debe demostrar su valía

d-Matrix se une a la plataforma NVIDIA NVLink Fusion con un plan plurianual para Raptor, aunque sus primeros racks integrados están a más de un año de distancia. La empresa de chips de inferencia prevé completar el tape-out de Raptor antes de que termine 2026. La disponibilidad inicial de racks NVIDIA MGX está prevista para el cuarto trimestre de 2027.

La asociación ofrece a d-Matrix una vía directa hacia la arquitectura de racks, las redes, la refrigeración y la cadena de suministro de NVIDIA. También revela una verdad más difícil sobre competir con NVIDIA. Un acelerador diferenciado ya no es suficiente. Los clientes esperan cada vez más un sistema completo y desplegable, con redes y software probados a su alrededor.

NVIDIA se beneficia de esa exigencia. NVLink Fusion permite que procesadores personalizados entren en su infraestructura sin desplazar los componentes NVIDIA que los rodean. Para d-Matrix, el acuerdo reduce la carga de ingeniería de escalar Raptor. Para NVIDIA, amplía el alcance de su plataforma a racks que contienen procesadores diseñados como alternativas a las GPU de propósito general.

Esto hace que el anuncio trate menos sobre una licencia de interconexión y más sobre el control del rack de IA. Raptor promete inferencia especializada y centrada en la memoria. NVIDIA aporta gran parte del sistema que convierte el procesador en infraestructura. La cuestión abierta es si d-Matrix puede conservar una ventaja técnica y económica significativa dentro de ese entorno.

d-Matrix se une a la plataforma NVIDIA NVLink Fusion con objetivo en 2027

El acuerdo lleva a Raptor de una hoja de ruta de chip independiente al modelo de despliegue a escala de rack de NVIDIA, pero no convierte a Raptor en un producto comercial disponible.

d-Matrix anunció la colaboración el 10 de septiembre de 2026. Su hoja de ruta plurianual comienza con Raptor, el XPU de inferencia de próxima generación de la empresa. Un XPU es un acelerador específico para cargas de trabajo, diseñado para gestionar tareas informáticas seleccionadas de manera más eficiente que un procesador de propósito general.

Raptor se conectará mediante NVLink Fusion, la tecnología de NVIDIA para integrar CPU externas y aceleradores personalizados con su tejido de escalado vertical. Las redes de escalado vertical unen procesadores dentro de un dominio informático estrechamente conectado. El diseño también utilizará Ethernet Spectrum-X para redes de escalado horizontal entre sistemas.

El rack previsto contiene mucho más que silicio de d-Matrix. La configuración anunciada incluye CPU NVIDIA Vera, switches NVLink, unidades de procesamiento de datos BlueField-4, SuperNICs ConnectX-9 y redes Spectrum-X. Seguirá la arquitectura de referencia NVIDIA MGX, incluidas bandejas de computación modulares y sin cables.

Astera Labs proporcionará tecnología de conectividad destinada a admitir el movimiento de datos de alto rendimiento en todo el sistema. Esto importa porque el rendimiento de un acelerador puede quedar oculto tras cuellos de botella de comunicación cuando una carga de trabajo abarca procesadores, bandejas y racks.

NVIDIA describe el acuerdo como una vía desde el silicio personalizado hasta el despliegue a gran escala. Su plan a escala de rack sitúa a Raptor junto a la infraestructura de NVIDIA, en lugar de tratarlo como un dispositivo aislado. Los operadores obtendrían un diseño de rack común capaz de admitir GPU, CPU y XPU especializadas.

La primera carga de trabajo propuesta es la inferencia desagregada, que divide distintas etapas de ejecución de modelos entre diferentes procesadores. Para la programación con IA, las GPU NVIDIA podrían procesar la etapa de prefill, intensiva en cómputo. Raptor podría encargarse después de la etapa de decode, sensible a la latencia, que genera tokens uno tras otro.

Esa división refleja una distinción arquitectónica real. Prefill procesa la entrada del usuario y construye el estado de trabajo del modelo. Decode lee repetidamente los pesos del modelo y produce la respuesta. El rendimiento de decode puede verse limitado por el movimiento de memoria, especialmente cuando los usuarios esperan resultados rápidos e interactivos.

d-Matrix apunta a esa limitación con un diseño centrado en la memoria. Está previsto que Raptor combine un chip de memoria DRAM con un chip de cómputo SRAM en un paquete apilado verticalmente. La SRAM ofrece acceso rápido cerca de la lógica de cómputo, mientras que la DRAM proporciona mayor capacidad. La empresa afirma que la configuración de dos niveles acorta las rutas de datos y aumenta el ancho de banda utilizable.

Sin embargo, el rack anunciado sigue siendo una hoja de ruta. d-Matrix espera completar el tape-out de Raptor antes del final de 2026. El tape-out marca la finalización del diseño de un chip antes de su fabricación, no la entrega comercial. Aún quedan por delante la fabricación, el empaquetado, la validación, la cualificación del software y la integración en rack.

La empresa espera que los primeros sistemas Raptor MGX lleguen en el cuarto trimestre de 2027. Ese calendario define la tensión central. d-Matrix ha asegurado una vía creíble hacia centros de datos basados en NVIDIA, pero los clientes aún no pueden medir el rack terminado.

Para los compradores, el anuncio cambia por tanto más la confianza arquitectónica que la capacidad inmediata. Raptor ya cuenta con una interconexión, CPU, pila de red, formato de rack y objetivo de despliegue identificados. El producto real aún debe salvar la distancia entre el compromiso de diseño y la infraestructura validada.

NVIDIA está convirtiendo la elección de acelerador en una demanda de plataforma

d-Matrix obtiene acceso a un sistema de despliegue maduro, mientras NVIDIA hace que su infraestructura sea más difícil de evitar cuando los clientes eligen aceleradores que no son de NVIDIA.

NVIDIA presentó NVLink Fusion en mayo de 2025 como una forma de construir infraestructura de IA semipersonalizada. Su lanzamiento inicial de NVLink Fusion nombró a MediaTek, Marvell, Alchip Technologies, Astera Labs, Synopsys, Cadence, Fujitsu y Qualcomm entre las empresas participantes.

El programa separa la decisión sobre el acelerador del resto del rack. Un proveedor de nube puede seleccionar un XPU personalizado y conservar los procesadores, interconexiones, switches, adaptadores de red, unidades de procesamiento de datos y diseños de referencia de NVIDIA. Por tanto, NVIDIA puede participar incluso cuando su GPU no es el único motor de cómputo.

Esto es estratégicamente importante porque los hyperscalers y los laboratorios de IA están desarrollando silicio especializado para reducir la dependencia de un único proveedor de aceleradores. Los chips personalizados también permiten a los operadores ajustar el hardware a cargas de trabajo, límites de potencia y requisitos de servicio específicos.

NVLink Fusion responde a ese movimiento haciendo que la especialización sea compatible con la plataforma de NVIDIA. No exige que todos los procesadores sean GPU de NVIDIA. Incentiva que esos procesadores funcionen dentro de un sistema diseñado por NVIDIA.

Para una empresa de chips más pequeña, este intercambio resulta atractivo. Construir un acelerador competitivo ya exige diseño de silicio, compiladores, kernels, software de ejecución, soporte de modelos, empaquetado y fabricación. El despliegue a escala de rack añade suministro de energía, refrigeración líquida, cables, switches, mantenimiento, certificación y soporte en campo.

Cada capa adicional crea un motivo más para que un comprador retrase la adopción. Un acelerador puede rendir bien en un laboratorio y, sin embargo, requerir servidores desconocidos o una red independiente. Los operadores de centros de datos deben entonces cualificar una nueva pila mientras mantienen la infraestructura NVIDIA existente.

MGX reduce esa fricción mediante especificaciones reutilizables de racks y servidores. d-Matrix puede concentrar más esfuerzo de ingeniería en Raptor y su pila de software Aviator. También puede presentar a los compradores componentes y patrones operativos que ya aparecen en otros despliegues de NVIDIA.

El coste es una mayor dependencia arquitectónica. d-Matrix no se limita a conectarse a una red abierta en el borde del rack. Su sistema propuesto incorpora tecnologías de NVIDIA en las capas de escalado vertical, escalado horizontal, CPU, interfaz de red y gestión de datos.

Una evaluación independiente sería útil en este caso, pero la principal contrapartida es visible en la lista de materiales anunciada. d-Matrix gana credibilidad de despliegue al aceptar el rack de NVIDIA como entorno operativo.

Eso no vuelve irrelevante al XPU. El acelerador sigue determinando la eficiencia con la que se ejecutan las operaciones de modelos objetivo. Sin embargo, NVIDIA controla muchas de las interfaces que determinan si el rendimiento aislado de un chip se convierte en rendimiento sostenido de aplicaciones.

Por eso d-Matrix presiona más a las rutas de infraestructura competidoras que a NVIDIA directamente. Una startup podría construir en torno a Ethernet, PCI Express o su propio tejido. Luego tendría que convencer a los clientes de que la alternativa ofrece suficiente independencia o eficiencia para justificar el trabajo adicional de integración.

Raptor, en cambio, llega a los compradores allí donde ya reside gran parte de su infraestructura de IA. Esa decisión puede acortar los ciclos de adquisición y cualificación. También refuerza NVLink como una opción común de escalado vertical para procesadores personalizados.

NVIDIA está ampliando de hecho su plataforma potencialmente accesible. Si las GPU de propósito general conservan todas las cargas de trabajo, NVIDIA gana. Si los aceleradores especializados asumen cargas de trabajo seleccionadas pero dependen de NVLink, MGX, Spectrum-X y BlueField, NVIDIA sigue ocupando partes críticas del sistema.

El resultado es un mapa competitivo más sutil. La elección de aceleradores se amplía, pero la convergencia de infraestructura puede aumentar. La influencia de NVIDIA pasa de poseer cada dispositivo de cómputo a definir cómo los dispositivos heterogéneos se convierten en una única fábrica de IA.

El mecanismo de Raptor apunta al cuello de botella de decode

Raptor solo importa si su arquitectura de memoria convierte un menor movimiento de datos en mejor latencia de aplicación, uso de energía y economía de rack.

d-Matrix ha construido su posición en el mercado en torno a la inferencia, en lugar del entrenamiento de modelos. El entrenamiento crea o actualiza los parámetros del modelo mediante grandes cálculos paralelos. La inferencia aplica esos parámetros cuando un modelo desplegado responde a los usuarios.

Estas fases no siempre favorecen el mismo hardware. Las GPU siguen siendo muy flexibles y se benefician de software maduro, amplio soporte de modelos y despliegues masivos. Los procesadores de inferencia especializados pueden concentrar los recursos de silicio y memoria en operaciones repetidas que dominan el servicio en producción.

Raptor amplía la arquitectura del actual producto Corsair de d-Matrix. Corsair utiliza computación digital en memoria, que sitúa la aritmética cerca de los datos de modelo almacenados. El objetivo es reducir la energía y la demora asociadas a transferir repetidamente los pesos entre la memoria y las unidades de cómputo.

El movimiento de datos importa durante la generación de tokens porque los modelos grandes deben acceder continuamente a conjuntos sustanciales de parámetros. Un procesador con abundante capacidad aritmética puede seguir esperando a la memoria. La tesis de d-Matrix es que acercar el cómputo a los pesos del modelo produce una inferencia de lotes pequeños más rápida.

Los lotes pequeños son importantes para las aplicaciones interactivas. Un proveedor puede aumentar la utilización del hardware combinando muchas solicitudes en un lote más grande. Esperar para formar ese lote puede añadir latencia, mientras que procesar solicitudes individuales puede dejar infrautilizado el hardware convencional.

Los asistentes de programación, los chatbots en vivo y los agentes de voz exponen directamente esta contrapartida. Un usuario nota la demora antes de la primera salida útil y el ritmo de los tokens posteriores. Un operador de plataforma nota la cantidad de hardware y energía necesaria para mantener esa capacidad de respuesta en sesiones simultáneas.

d-Matrix denomina a este mercado servicios de tokens premium. La expresión describe una inferencia en la que los clientes valoran una latencia baja lo suficiente como para justificar infraestructura especializada. Es una formulación de la empresa, no una categoría económica consolidada con un tamaño de mercado informado de manera independiente.

El diseño propuesto de Raptor busca ampliar la capacidad de memoria disponible para este enfoque. d-Matrix afirma que apilará DRAM sobre un chip de cómputo SRAM, creando una ruta física corta entre la capacidad y el procesamiento. Esto difiere de los diseños convencionales de aceleradores, que conectan la lógica con pilas independientes de memoria de alto ancho de banda.

La empresa ha presentado públicamente su enfoque de memoria 3D, pero un concepto técnico no equivale a una prueba de rendimiento a nivel de rack. El comportamiento térmico, el rendimiento de fabricación, la capacidad de memoria, el soporte del compilador y la eficiencia de interconexión afectarán al sistema final.

NVLink Fusion aborda otra parte del mecanismo. Un dispositivo Raptor no puede atender por sí solo todas las cargas de trabajo grandes o distribuidas. Conectar múltiples XPU dentro de un dominio de alto ancho de banda y baja latencia permite a d-Matrix abordar modelos más grandes y más solicitudes simultáneas.

Spectrum-X conecta después racks o dominios de sistema mediante Ethernet. Esta división entre escalado vertical y escalado horizontal ofrece a d-Matrix una ruta desde un dispositivo especializado hasta una implementación de centro de datos. NVIDIA ya integra esas capas de red como parte de su infraestructura de IA.

La desagregación heterogénea ofrece el caso de uso propuesto más claro. Una GPU gestiona el prefill, donde el cómputo paralelo es valioso. Raptor gestiona el decode, donde el acceso a memoria y la latencia por usuario tienen mayor peso. Los dos tipos de procesador deben intercambiar el estado del modelo con suficiente eficiencia para conservar el beneficio.

Esta última condición merece atención. Dividir una carga de trabajo genera sobrecarga de comunicación y orquestación. Si mover el estado entre las GPU y las XPU consume demasiado tiempo, el sistema combinado puede perder la ventaja medida en cada procesador por separado.

El software determina si la división sigue siendo manejable. Los operadores necesitan programación, soporte para modelos, supervisión, gestión de fallos y rendimiento predecible ante patrones de solicitudes cambiantes. También necesitan desarrolladores que puedan implementar modelos sin mantener canalizaciones independientes para cada combinación de hardware.

El software Aviator de d-Matrix debe cubrir esos requisitos. Los componentes de sistema de NVIDIA ayudan con las redes y las operaciones de rack, pero no hacen automáticamente que los modelos funcionen bien en Raptor. La calidad de los kernels, el soporte de cuantización, la compatibilidad con frameworks y la observabilidad en producción siguen siendo responsabilidades de d-Matrix.

Corsair ofrece cierta evidencia de que la empresa ha avanzado más allá de la simulación. d-Matrix dijo en junio de 2026 que Corsair entró en producción completa, con envíos a volumen previstos para clientes seleccionados. Su actualización sobre la producción de Corsair también describió tarjetas y sistemas de rack refrigerados por aire.

La empresa citó pruebas de Gimlet Labs en las que una configuración de GPU y Corsair redujo una respuesta de referencia de 24 segundos a menos de dos segundos. Ese resultado se refería a una configuración concreta de decodificación especulativa. No debe generalizarse a todos los modelos, patrones de solicitudes o sistemas GPU competidores.

Aun así, Corsair ofrece a Raptor un predecesor con silicio funcional y una base de software. d-Matrix no está proponiendo su primer acelerador. El paso más difícil consiste en trasladar esa experiencia a un nuevo encapsulado 3D y a un rack integrado con NVIDIA.

Este es el mecanismo detrás de la decisión de d-Matrix de sumarse a NVLink Fusion. Raptor aporta capacidad especializada para decode. NVLink y MGX aportan la conectividad y el sistema físico. Las GPU siguen disponibles para las fases en las que están mejor adaptadas.

Si la combinación funciona, los compradores podrían asignar distintas etapas del modelo a diferentes procesadores sin construir una arquitectura de centro de datos independiente. Si fracasa, la XPU añadida se convierte en otro componente que comprar, programar, supervisar y mantener.

La fecha de entrega de 2027 deja sin probar las principales afirmaciones

La alianza reduce el riesgo de integración, pero no verifica el rendimiento de Raptor, su preparación para la fabricación ni la economía para los clientes.

El primer hito anunciado de Raptor es el tape-out antes de que termine 2026. Un tape-out exitoso fijaría el diseño para su fabricación. No establecería el rendimiento de producción, las frecuencias de reloj, el consumo energético, los requisitos de refrigeración ni el rendimiento sostenido de las aplicaciones.

El siguiente desafío es el encapsulado de memoria apilada. Combinar distintas tecnologías de memoria y chips lógicos exige un control estricto de las condiciones de fabricación y térmicas. Un diseño que acorta las rutas eléctricas también puede concentrar calor y aumentar la complejidad del encapsulado.

d-Matrix afirma que Raptor está siendo evaluado por hyperscalers de IA y laboratorios de frontera. No ha identificado a esos evaluadores en el anuncio. Una evaluación también es distinta de una orden de compra, una implementación en producción o un compromiso recurrente de carga de trabajo.

La misma cautela se aplica al número de patentes comunicado por la empresa. d-Matrix afirma que Raptor está respaldado por más de 100 patentes. Las patentes pueden proteger decisiones de implementación, pero no demuestran que un sistema sea fabricable o económicamente superior.

Las pruebas independientes deberán comparar sistemas completos, no componentes aislados. Las mediciones útiles incluyen el tiempo hasta el primer token, la latencia entre tokens, el rendimiento sostenido, la latencia de cola, la energía por token, la potencia por rack, la capacidad de memoria y la utilización.

La calidad del modelo debe mantenerse constante durante esas comparaciones. La cuantización, la decodificación especulativa, el batching y las modificaciones del modelo pueden mejorar la velocidad mientras cambian la salida o trasladan el trabajo a otro lugar. Los compradores necesitan configuraciones transparentes para entender qué produjo cada resultado.

La prueba de rendimiento más sólida reproduciría un servicio de producción bajo concurrencia realista. Debería incluir la comunicación entre GPU de NVIDIA y XPU Raptor, no solo un kernel de decode ejecutándose en un dispositivo. También debería informar del rendimiento en varios tamaños y arquitecturas de modelos.

La madurez del software crea otra incertidumbre. Las GPU de NVIDIA admiten un amplio conjunto de frameworks, bibliotecas y herramientas operativas. Un acelerador especializado no necesita una amplitud idéntica, pero debe admitir las cargas de trabajo que justifican su implementación.

Los rápidos cambios en los modelos pueden complicar esa tarea. Nuevos mecanismos de atención, diseños de mezcla de expertos, ventanas de contexto más largas y distintos formatos numéricos pueden alterar el equilibrio entre cómputo y memoria. La arquitectura de Raptor debe seguir siendo útil a medida que evolucionan esas cargas de trabajo.

El calendario de 2027 da tiempo a los competidores para responder. NVIDIA seguirá mejorando su propio rendimiento de inferencia mediante GPU, software, memoria y diseños de rack. Otros proveedores especializados pueden buscar menor latencia mediante arquitecturas distintas de procesador y memoria.

Cerebras utiliza sistemas a escala de wafer para reducir la comunicación entre chips independientes. Groq se centra en la ejecución determinista y la generación de tokens de baja latencia. Hyperscalers como Amazon y Google desarrollan sus propios aceleradores en torno a servicios cloud integrados verticalmente.

La competencia más amplia en chips de inferencia muestra por qué la implementación importa tanto como la arquitectura. Las startups deben competir en disponibilidad de hardware, familiaridad de los desarrolladores, acceso a la nube y confianza en la adquisición, no solo en resultados de benchmarks.

La plataforma de NVIDIA puede ayudar a d-Matrix a abordar varias de esas barreras. No puede eliminar el coste de añadir otro tipo de procesador. Los compradores seguirán preguntando si la mejora en latencia o eficiencia supera los gastos de integración, inventario, software y operaciones.

Los términos comerciales siguen sin divulgarse. Las empresas no han publicado las configuraciones de rack previstas, la memoria disponible, los límites de potencia, los acuerdos de servicio ni los compromisos de clientes. Esos detalles determinarán el valor real de la colaboración.

También existe un riesgo de dependencia estratégica. d-Matrix posiciona Raptor como complemento de las GPU, pero su rack depende de numerosos componentes de NVIDIA. Por ello, los cambios en las hojas de ruta, las licencias, la asignación de suministro o las prioridades de interfaz de NVIDIA pueden influir en las implementaciones de d-Matrix.

Esa dependencia no invalida la alianza. Todas las empresas de infraestructura se basan en proveedores y estándares. Sí significa que las afirmaciones sobre una mayor variedad de aceleradores deben evaluarse junto con la concentración de la tecnología circundante.

La distinción clave es entre validación arquitectónica y validación de mercado. La participación de NVIDIA valida a Raptor como un candidato serio para la integración. La validación de mercado requiere sistemas entregados, mediciones reproducibles, modelos compatibles y clientes que ejecuten tráfico sostenido de producción.

Hasta que aparezcan esas señales, d-Matrix se suma a la plataforma NVIDIA NVLink Fusion sigue siendo una historia de hoja de ruta. Es una hoja de ruta significativa porque identifica los componentes, la división de cargas de trabajo y la ventana de disponibilidad. No constituye evidencia de que Raptor haya obtenido una cuota de la inferencia en producción.

Tres señales mostrarán si la alianza importa

El tape-out, los benchmarks a nivel de rack y la adopción en producción con clientes identificados determinarán si el anuncio se convierte en infraestructura o sigue siendo un plan de integración.

La primera señal es el tape-out de Raptor. d-Matrix espera alcanzar ese hito antes de que termine 2026. Cumplirlo indicaría que la arquitectura, la interfaz NVLink y el diseño físico están listos para entrar en fabricación.

Un retraso debilitaría la confianza en el objetivo de disponibilidad para el cuarto trimestre de 2027. Tras el tape-out vienen la fabricación, las pruebas iniciales de silicio, las revisiones, la cualificación del encapsulado y la validación del sistema. Cada etapa deja poco margen para retrasos cuando el sistema comercial ya tiene una fecha definida.

La calidad del primer silicio importa tanto como el calendario. d-Matrix debe demostrar que el encapsulado de memoria 3D funciona con los niveles previstos de rendimiento y consumo energético. Revisiones importantes tras la fabricación añadirían presión adicional al calendario de entrega.

La segunda señal es un benchmark integral del rack Raptor MGX. Debería comparar el servicio solo con GPU frente a prefill y decode heterogéneos bajo modelos idénticos, configuraciones de precisión, patrones de solicitudes y objetivos de calidad.

Un resultado creíble debe incluir toda la ruta de datos. Eso significa procesamiento en GPU, transferencia de estado, decodificación en Raptor, comunicación NVLink, redes y programación. Las afirmaciones de ancho de banda a nivel de componente no pueden responder si los usuarios reciben respuestas más rápidas.

La latencia de cola merece una atención particular. La velocidad media de salida puede ocultar solicitudes lentas que perjudican los servicios interactivos. Los operadores deberían buscar mediciones percentilares con distintos niveles de concurrencia, longitudes de contexto y longitudes de salida.

La energía y la utilización deberían aparecer junto a la latencia. Una XPU especializada puede ofrecer un tiempo de respuesta impresionante mientras permanece inactiva durante otras fases de la carga de trabajo. Las mediciones a nivel de rack muestran si el sistema combinado mejora la eficiencia global.

Estos benchmarks reforzarían el caso si evaluadores independientes pueden reproducirlos. Lo debilitarían si las ganancias dependen de modelos restringidos, batches inusualmente pequeños o configuraciones que sacrifican la calidad de salida.

La tercera señal es la adopción en producción con clientes identificados. d-Matrix afirma que hyperscalers y laboratorios de frontera están evaluando Raptor, pero no ha revelado clientes comprometidos para el rack NVLink Fusion.

Un operador identificado que ejecute un asistente de programación, servicio de voz o chatbot real proporcionaría una evidencia más sólida que otra presentación de arquitectura. La adopción en producción demostraría que el beneficio de latencia justifica nuevo hardware, software y procedimientos operativos.

La profundidad de la adopción será importante. Una prueba limitada valida la compatibilidad. Una implementación recurrente en varios racks valida la fiabilidad y la economía del servicio. La expansión después de la prueba ofrecería la evidencia más sólida de valor para el cliente.

Los compradores también deberían observar qué etapas del modelo asignan los clientes a Raptor. Un uso consistente para decode respaldaría la tesis de d-Matrix centrada en la memoria. Funciones de inferencia más amplias sugerirían que la arquitectura tiene más flexibilidad de la que enfatiza el anuncio inicial.

d-Matrix se une a la plataforma NVIDIA NVLink Fusion en un momento en que las startups de aceleradores afrontan un problema de sistemas. Diseñar silicio distintivo es solo el comienzo. El producto debe encajar en la red, el rack, el software, la refrigeración y el entorno de compra con los que ya operan los clientes.

NVIDIA está ofreciendo ese entorno a empresas cuyos chips pueden reducir la demanda de GPUs de NVIDIA en determinadas cargas de trabajo. Esto solo parece contradictorio si se considera el negocio de NVIDIA como un único procesador. Visto como una estrategia de plataforma, la lógica es directa.

d-Matrix obtiene una vía más rápida hacia un despliegue creíble a escala de rack. NVIDIA amplía su infraestructura a sistemas heterogéneos. Los clientes obtienen otra opción de acelerador sin abandonar el ecosistema NVIDIA que lo rodea.

La cuestión sin resolver es quién captura el valor resultante. Raptor debe ofrecer una mejora suficiente en latencia o eficiencia para ganarse espacio junto a las GPUs. NVIDIA debe mantener NVLink Fusion atractivo sin hacer que sus socios sean indistinguibles dentro de su arquitectura.

Para desarrolladores y compradores empresariales, la respuesta práctica es seguir la evidencia, no los diagramas de topología. Sigan el tape-out, exijan benchmarks completos a escala de rack y busquen despliegues de producción con nombres concretos. Esas tres señales revelarán si la alianza amplía las opciones reales de cómputo o si, principalmente, amplía la influencia de NVIDIA sobre esa elección.

El siguiente paso corresponde a d-Matrix. ¿Puede convertir un hito de diseño de 2026 en racks Raptor validados para finales de 2027, con mejoras medibles en modelos de producción? Hasta entonces, el resultado más importante del acuerdo es claro: el silicio alternativo para IA llega cada vez más al centro de datos a través de una infraestructura definida por NVIDIA.