La apuesta de $2.500 millones de Nvidia por Thinking Machines eleva la rivalidad entre Hugging Face y OpenAI
Según informes, Nvidia está negociando una inversión de aproximadamente $2.500 millones en Thinking Machines Lab, de Mira Murati, que podría cubrir cerca de la mitad de una nueva ronda de financiación. Las conversaciones sitúan la rivalidad entre Hugging Face y OpenAI dentro de una competencia mucho mayor por determinar quién financia, entrena, distribuye y personaliza modelos avanzados de IA.
La operación reportada sigue en negociación. Thinking Machines y Nvidia no han confirmado públicamente el importe ni los términos finales. Sin embargo, la inversión propuesta se produce después de una alianza ya existente entre ambas compañías y del acuerdo de Nvidia para adquirir Hugging Face.
Esa secuencia es la verdadera historia. Nvidia ya no influye en el desarrollo de la IA únicamente a través de los chips que compran los laboratorios. Está desplegando capital, capacidad de cómputo e infraestructura de distribución en torno a los desarrolladores que deciden qué modelos alcanzan una adopción generalizada.
OpenAI afronta presión por esta estrategia, aunque sigue siendo uno de los mayores clientes y socios de infraestructura de Nvidia. Thinking Machines está dirigida por la exdirectora de tecnología de OpenAI y cuenta con varios investigadores con experiencia en laboratorios líderes de IA.
Por tanto, la competencia emergente no es un simple enfrentamiento entre Nvidia y OpenAI. Es una pugna entre el acceso centralizado a modelos y un mercado cada vez mejor financiado de alternativas personalizables con pesos abiertos.
La operación reportada va más allá de otra ronda de financiación de IA
La financiación propuesta vincularía más estrechamente a Thinking Machines con la empresa que suministra su infraestructura de cómputo.
Según el informe inicial de financiación, Thinking Machines está conversando sobre una ronda de entre $5.000 millones y $6.000 millones. La valoración pre-money reportada es de al menos $40.000 millones.
Andreessen Horowitz, un inversor existente con un puesto en el consejo, habría comunicado a posibles inversores que se esperaba que Nvidia aportara alrededor de la mitad del capital. Eso situaría la contribución de Nvidia cerca de los $2.500 millones si se completa el extremo inferior de la ronda.
Otra versión describió a Accel como posible inversor principal y se centró en al menos $1.000 millones de nuevo capital. Estas cifras no son necesariamente incompatibles, ya que las conversaciones de financiación suelen implicar compromisos cambiantes, múltiples cierres y distintas definiciones de la ronda objetivo.
Sí ponen de manifiesto una importante brecha de verificación. Ningún acuerdo anunciado garantiza actualmente que Thinking Machines recaudará $5.000 millones, que Nvidia invertirá $2.500 millones o que los inversores aceptarán la valoración propuesta.
La escala aún merece atención. Thinking Machines completó anteriormente una ronda semilla de $2.000 millones liderada por Andreessen Horowitz. Nvidia también participó junto a inversores como Accel, AMD, Cisco, ServiceNow y Jane Street.
Esa financiación anterior valoró a la empresa en $12.000 millones tras la inversión, según los informes de entonces. Una valoración de al menos $40.000 millones antes del nuevo capital representaría un aumento rápido en poco más de un año.
Thinking Machines cuenta ahora con productos comerciales, investigación publicada y un modelo de pesos abiertos. Estos desarrollos hacen que la nueva propuesta sea más concreta que la historia original de recaudación de la empresa, que dependía en gran medida del historial y el equipo de Murati.
La compañía lanzó Tinker en octubre de 2025. Tinker es una interfaz de programación de aplicaciones gestionada para el ajuste fino de modelos, lo que permite a los clientes adaptar modelos existentes sin operar el sistema subyacente de entrenamiento distribuido.
Más tarde, Thinking Machines lanzó Inkling, su primer modelo de pesos abiertos. Los pesos abiertos dan a los desarrolladores acceso a los parámetros aprendidos de un modelo, aunque ese acceso no incluye necesariamente todos sus datos de entrenamiento ni su código fuente.
Estos productos hacen que la inversión de Nvidia en IA reportada sea más que una apuesta por una fundadora famosa. Sitúan a Nvidia junto a una empresa que desarrolla una vía práctica para que empresas e investigadores personalicen alternativas a los servicios de modelos cerrados.
Esa vía también consume una capacidad de cómputo considerable. Tinker gestiona la programación, asignación de recursos y recuperación en infraestructura compartida. Los clientes ven una interfaz de software, mientras Thinking Machines gestiona la costosa capa de hardware que hay debajo.
Nvidia puede beneficiarse en ambos niveles. Puede ganar exposición accionarial si Thinking Machines crece, al tiempo que respalda a un cliente cuyos servicios generan una demanda continua de sistemas Nvidia.
Esta relación convierte un anuncio de financiación en un acontecimiento estructural para el sector. El inversor también es el proveedor crítico, un socio de infraestructura y el posible propietario de una importante plataforma de distribución de modelos.
Nvidia está construyendo un volante de capital y cómputo
Las inversiones de Nvidia ayudan a los laboratorios de IA a comprar más de la infraestructura que vende Nvidia.
Esta dinámica a veces se describe como financiación circular. La expresión se refiere a acuerdos en los que un proveedor financia a clientes que luego gastan sumas sustanciales con ese mismo proveedor.
La circularidad no convierte automáticamente una operación en poco sólida. Una startup puede recibir capital real, obtener infraestructura productiva y generar demanda independiente de clientes. Nvidia también puede obtener un rendimiento legítimo tanto de su hardware como de su participación accionarial.
Sin embargo, la estructura complica las señales convencionales. Los ingresos generados a través de un cliente respaldado por un proveedor quizá no transmitan la misma información que la demanda financiada enteramente con capital no relacionado.
Nvidia abordó directamente esta crítica durante su llamada de resultados de agosto de 2026. La empresa afirmó que había invertido casi $50.000 millones en laboratorios de IA de frontera y esperaba que esas relaciones generaran negocio en su plataforma.
Su transcripción de resultados describió la capacidad de cómputo como la limitación a la que se enfrentan las empresas de IA de rápido crecimiento. Nvidia sostuvo que su balance podía ayudar a esos clientes a obtener infraestructura antes de que sus perfiles crediticios maduraran.
La empresa también reconoció que los observadores calificarían partes de esta estrategia como financiación circular. Su respuesta fue que los sistemas de cómputo de Nvidia siguen siendo útiles y pueden reasignarse si un cliente no llega a consumir la capacidad.
Esa defensa tiene fundamento. Los aceleradores de propósito general pueden servir a distintos modelos y clientes, especialmente cuando los operadores de infraestructura diseñan clústeres para su reasignación. Sin embargo, mover capacidad no elimina los riesgos de construcción, financiación, energía o calendario.
Thinking Machines ya tiene un profundo compromiso de infraestructura. En marzo de 2026, las compañías anunciaron un acuerdo plurianual para desplegar al menos un gigavatio de sistemas Vera Rubin de próxima generación.
Se prevé que el despliegue comience a principios de 2027. El acuerdo abarca el entrenamiento de modelos de frontera y servicios diseñados para permitir a los clientes personalizar sistemas de IA.
La alianza oficial de cómputo también reveló que Nvidia había realizado una inversión significativa en Thinking Machines. Ninguna de las empresas publicó el importe.
Por tanto, un nuevo compromiso de $2.500 millones ampliaría una relación ya establecida. No representaría el primer contacto de Nvidia con la empresa de Murati ni su primer intento de asegurar al laboratorio como cliente de infraestructura a largo plazo.
La lógica de Nvidia es sencilla. Los laboratorios de frontera requieren enormes presupuestos de cómputo antes de que sus productos generen flujos de caja comparables. La financiación mediante capital ayuda a cerrar esa brecha y fomenta despliegues ambiciosos.
El laboratorio obtiene acceso a capital y sistemas escasos. Nvidia obtiene demanda de hardware, adopción de software, influencia estratégica y una posible revalorización de su participación accionarial.
El mismo modelo puede reforzar CUDA, el entorno de software de Nvidia para programar sus procesadores gráficos. Los investigadores construyen flujos de trabajo en torno a los sistemas disponibles, mientras los desarrolladores heredan esas elecciones a través de APIs y herramientas para modelos.
Una vez que los sistemas de entrenamiento, ajuste fino y servicio de un laboratorio se orientan a arquitecturas Nvidia, cambiar se convierte en una decisión de ingeniería importante. Los aceleradores competidores deben ofrecer más que menores costes, porque la migración puede afectar al código, el rendimiento, el soporte y los calendarios de despliegue.
Thinking Machines afirma que Tinker protege a los clientes de gran parte de esta complejidad. Su plataforma de ajuste fino gestiona el entrenamiento distribuido y, al mismo tiempo, da a los usuarios control sobre sus algoritmos y datos.
Esa comodidad refuerza indirectamente a Nvidia. Los desarrolladores pueden utilizar modelos de pesos abiertos sin gestionar clústeres, pero la capa gestionada aún puede dirigir sus cargas de trabajo hacia la infraestructura de Nvidia.
Por tanto, el volante de financiación es más amplio que las ventas de chips. Nvidia proporciona capital a los laboratorios, los laboratorios construyen servicios sobre sistemas Nvidia y los desarrolladores adoptan esos servicios sin tomar una decisión explícita sobre el hardware.
La competencia entre Hugging Face y OpenAI ahora tiene un propietario de infraestructura
La adquisición de Hugging Face por parte de Nvidia le otorga influencia sobre el lugar donde gran parte de la comunidad de modelos abiertos publica y descubre su trabajo.
Nvidia acordó el 3 de septiembre adquirir Hugging Face por $12.930.300.000. La operación sitúa un repositorio crítico de modelos junto al hardware, software, alianzas cloud e inversiones de Nvidia en laboratorios de IA.
Hugging Face afirma que su plataforma presta servicio a más de 18 millones de desarrolladores, investigadores y creadores. Los usuarios han compartido allí más de 3 millones de modelos, 500.000 conjuntos de datos y 1 millón de aplicaciones.
Más de 200.000 empresas utilizan el servicio para descubrir, evaluar, personalizar o desplegar IA, según Nvidia. Estas cifras proceden de las compañías implicadas y no han sido auditadas de forma independiente en el anuncio de adquisición.
Nvidia prometió que Hugging Face seguiría abierto a distintos modelos, frameworks, nubes, proveedores de inferencia y plataformas de cómputo. Su comunicado de adquisición indicó específicamente que no sería obligatorio utilizar hardware de Nvidia.
Ese compromiso importa porque Hugging Face funciona como infraestructura neutral para muchas comunidades competidoras. Su valor depende en parte de que los desarrolladores confíen en que respaldará modelos creados para sistemas de Nvidia, AMD, Google y otros.
La propiedad cambia el cálculo de confianza incluso si las políticas de producto permanecen intactas. Los desarrolladores deben plantearse si la búsqueda, evaluación, inferencia alojada e integraciones seguirán tratando por igual al hardware y los modelos competidores.
Thinking Machines se sitúa directamente dentro de esta tensión. Su modelo Inkling de pesos abiertos se distribuye a través de Hugging Face, mientras que su servicio Tinker ofrece personalización gestionada.
Por tanto, Nvidia podría participar en varias etapas del mismo flujo de trabajo. Un desarrollador podría descubrir un modelo abierto en Hugging Face, personalizarlo mediante Tinker y ejecutar la carga de trabajo asociada en sistemas Nvidia.
OpenAI sigue un modelo principal diferente. Por lo general, sus clientes acceden a modelos propietarios mediante ChatGPT, una API o integraciones empresariales. Los usuarios pueden personalizar el comportamiento, pero no reciben los pesos de los principales modelos de frontera.
Esto convierte el concurso entre hugging-face y openai en un conflicto entre estructuras de distribución, no simplemente entre puntuaciones de referencia. Una vía ofrece modelos operados de forma centralizada mediante servicios controlados. La otra proporciona a los desarrolladores un amplio catálogo de pesos y herramientas para su modificación.
Thinking Machines apuesta a que las empresas quieren un mayor control sobre los modelos adaptados a sus datos y tareas. Tinker responde a esa demanda sin exigir que cada organización construya su propio clúster de entrenamiento.
Los primeros ejemplos de la empresa incluyen razonamiento matemático, química, investigación sobre control de IA y entrenamiento multiagente. Son ámbitos más específicos que los despliegues de chatbots de propósito general, pero muestran dónde la personalización puede marcar la diferencia.
Un grupo de investigación farmacéutica puede necesitar un modelo adaptado a tareas especializadas de química. Una empresa de software puede querer un modelo entrenado conforme a sus criterios internos de evaluación. Un laboratorio de investigación puede requerir control sobre los métodos de aprendizaje por refuerzo.
Los servicios cerrados pueden admitir algunos de estos casos de uso mediante API y funciones de ajuste fino. Los sistemas de pesos abiertos ofrecen opciones distintas de control, portabilidad e inspección, aunque también trasladan más responsabilidad operativa y de seguridad a los usuarios.
Nvidia no necesita que una vía elimine a la otra. Vende infraestructura a laboratorios cerrados como OpenAI mientras refuerza su posición en el mercado de pesos abiertos.
Esa neutralidad entre modelos de negocio resulta comercialmente atractiva. La cuestión más difícil es si Nvidia puede mantener una neutralidad técnica creíble después de adquirir Hugging Face.
Thinking Machines presiona a OpenAI sin convertirse en su sustituto directo
La empresa de Murati desafía a OpenAI al ofrecer otro destino para el talento, el capital y los clientes que buscan modelos adaptables.
Thinking Machines no iguala actualmente el alcance de producto, la base de ingresos ni la distribución de consumo de OpenAI. Tratarla como un sustituto directo exageraría lo que muestran las pruebas disponibles.
Su desafío es más acotado y estratégicamente importante. La empresa recluta investigadores que conocen los sistemas de frontera, atrae rondas de financiación inusualmente grandes y vende una plataforma de personalización de modelos a usuarios técnicos.
Murati aporta credibilidad adicional a la empresa. Fue directora de tecnología de OpenAI y ocupó brevemente el cargo de directora ejecutiva interina durante la crisis de liderazgo de la compañía en 2023.
Varios empleados de Thinking Machines también procedían de OpenAI u otros grandes laboratorios. Esa concentración de experiencia ayudó a la startup a captar su primera ronda antes de lanzar un producto.
La ventaja de talento no es permanente. Thinking Machines ha sufrido salidas destacadas, incluidos investigadores que regresaron a OpenAI. Estos movimientos muestran con qué facilidad la experiencia puede circular entre laboratorios que persiguen objetivos coincidentes.
OpenAI también mantiene una estrecha relación con Nvidia. La presentación de resultados de Nvidia en agosto hizo referencia a compromisos existentes y previstos de OpenAI que representan alrededor de 12 gigavatios de capacidad informática de Nvidia.
Eso convierte a OpenAI tanto en un cliente esencial como en una contraparte estratégica. Nvidia tiene pocos motivos para perjudicar a un comprador que opera a esa escala.
En cambio, Nvidia se beneficia de mantener varios laboratorios creíbles. La competencia incentiva a cada uno a entrenar sistemas más grandes, ampliar la capacidad de inferencia y asegurar infraestructura antes que sus rivales.
Thinking Machines añade otro participante a esa carrera de gasto. Su prometido despliegue a escala de gigavatios señala una ambición que va mucho más allá de una startup de software convencional.
Sin embargo, la estrategia de producto de la empresa evita una competencia directa de benchmarks. Inkling y Tinker hacen hincapié en la personalización, en lugar de afirmar una superioridad universal sobre OpenAI, Anthropic o Google.
Esta distinción importa para los compradores empresariales. El modelo general con mayor puntuación no es automáticamente la mejor opción para un flujo de trabajo especializado que implique datos privados, juicios específicos del dominio o controles operativos estrictos.
Un modelo personalizado puede superar a un modelo general más grande en una tarea definida de forma estrecha cuando los datos de entrenamiento y las evaluaciones reflejan el trabajo real. Sin embargo, ese resultado exige una medición cuidadosa, no una afirmación amplia sobre la inteligencia del modelo.
Thinking Machines debe demostrar que suficientes clientes valoran este control como para respaldar sus compromisos de infraestructura y su valoración reportada. La adopción del producto, no la reputación de sus fundadores, soporta ahora esa carga.
Según una persona citada en una cobertura independiente, la empresa genera supuestamente un nivel de ingresos anualizados superior a los 100 millones de dólares. Esa cifra no se ha divulgado en estados financieros auditados.
Incluso si fuera exacta, situaría una valoración de 40.000 millones de dólares en cientos de veces los ingresos anualizados actuales. Los inversores estarían pagando por la expansión esperada, no por un rendimiento financiero consolidado.
Esa expectativa presiona a OpenAI en dos frentes. Incrementa la competencia por los investigadores y ofrece a los clientes empresariales otra vía bien financiada hacia modelos adaptables.
También presiona a los desarrolladores de modelos abiertos. Una Thinking Machines fuertemente financiada puede ofrecer infraestructura gestionada que los proveedores más pequeños tienen dificultades para igualar, concentrando potencialmente un mercado aparentemente abierto alrededor de unas pocas plataformas con abundante capital.
La promesa de los modelos abiertos conlleva un riesgo de concentración
Los pesos abiertos pueden ampliar el control de los desarrolladores mientras la infraestructura circundante se concentra más.
Ese es el equilibrio central del acuerdo reportado. Los pesos de los modelos pueden descargarse, adaptarse y redistribuirse, pero entrenarlos y servirlos sigue requiriendo chips, energía, software, repositorios y capital.
Nvidia ocupa ahora una posición central en todas esas capas. Domina el mercado de aceleradores, mantiene la plataforma de software CUDA, invierte en laboratorios de modelos y planea ser propietaria de Hugging Face.
Una participación importante en Thinking Machines añadiría otra capa. Nvidia respaldaría a una empresa que convierte la personalización de pesos abiertos en un servicio comercial gestionado.
Ninguna de estas relaciones demuestra que Nvidia vaya a restringir a sus competidores. Su compromiso público con Hugging Face respalda explícitamente múltiples aceleradores y nubes.
Aun así, los incentivos merecen escrutinio. Nvidia tiene un interés económico en facilitar el despliegue de modelos abiertos cuando esos despliegues aumentan la demanda de computación de Nvidia.
También le interesa saber hacia dónde se mueven los desarrolladores. Una plataforma de distribución puede revelar qué arquitecturas, familias de modelos, conjuntos de datos y aplicaciones atraen atención.
Las protecciones de gobernanza pueden limitar el uso de esa información. Una separación clara de productos, políticas de clasificación transparentes, herramientas de exportación y soporte para aceleradores competidores ayudarían a preservar la confianza.
Los desarrolladores deberían juzgar esas prácticas a través de comportamientos observables. Las promesas hechas al anunciar una adquisición son útiles, pero la implementación determina si una plataforma sigue siendo neutral.
Thinking Machines introduce sus propias incertidumbres. Los términos de financiación reportados no se han confirmado, y la diferencia entre la valoración comunicada y el rendimiento empresarial divulgado parece considerable.
La empresa también depende de una costosa expansión de infraestructura. Un despliegue a escala de gigavatios requiere sistemas, instalaciones, energía, redes y una demanda continua de clientes que paguen.
El éxito técnico no garantiza una utilización eficiente. Los clústeres de entrenamiento pueden operar por debajo de su capacidad cuando los proyectos se retrasan, los clientes posponen trabajo o el software no logra programar las tareas de forma eficaz.
El diseño de computación compartida de Tinker aborda parte de ese problema. El servicio utiliza adaptación de bajo rango, un método que ajusta un conjunto menor de parámetros del modelo en lugar de reentrenar cada peso.
Este enfoque puede reducir la computación necesaria para la personalización. También puede permitir que varios trabajos de entrenamiento compartan infraestructura de forma más eficiente.
Sin embargo, la eficiencia crea otra tensión para Nvidia. Si el ajuste fino se abarata, cada tarea individual necesita menos hardware. Nvidia debe depender de que unas barreras más bajas generen mucho más uso total.
La estrategia se asemeja a otros mercados de computación donde una mayor eficiencia amplía la demanda al hacer económicas nuevas aplicaciones. Ese resultado es plausible, pero sigue siendo una previsión y no un resultado verificado.
La seguridad añade otra complicación. Los lanzamientos de pesos abiertos permiten que investigadores independientes examinen y mejoren los modelos, pero también pueden reducir la capacidad de un desarrollador para retirar un sistema peligroso.
Thinking Machines ha defendido una evaluación por etapas y salvaguardas en torno a los lanzamientos abiertos. El enfoque de la empresa merece ser evaluado frente a las capacidades reales de los modelos, la documentación y la gestión de incidentes.
Para los usuarios empresariales, la pregunta práctica no es si los modelos abiertos o cerrados son universalmente mejores. Es qué vía proporciona el control, la fiabilidad, la responsabilidad y las opciones de cambio requeridos para una carga de trabajo específica.
Los equipos que comparan estas opciones también deben preservar su propio contexto fuera de cualquier proveedor de modelos individual. Una base de conocimientos de IA mantenida puede hacer que las pruebas de modelos sean más consistentes porque el material de origen permanece bajo el control del equipo.
Esa independencia operativa será más importante si el acceso a los modelos se consolida alrededor de unas pocas empresas integradas verticalmente.
Tres señales pondrán a prueba la estrategia de Nvidia con Thinking Machines
Las próximas pruebas deben proceder de términos firmados, adopción medible y una neutralidad creíble de la plataforma.
La primera señal es un anuncio de financiación completado. Los lectores deberían seguir el monto final, la contribución de Nvidia, la base de valoración, los derechos de la junta directiva y cualquier compromiso comercial vinculado a la inversión.
Una ronda cercana al rango reportado de 5.000 a 6.000 millones de dólares reforzaría el argumento de que Nvidia está construyendo una amplia red de capital y computación. Un cierre mucho menor debilitaría esa interpretación.
Los términos importan tanto como el tamaño. Una inversión minoritaria ordinaria tiene implicaciones distintas del acceso preferente, las obligaciones de compra, las disposiciones de infraestructura exclusiva o la influencia sobre decisiones estratégicas.
La segunda señal es el uso de Tinker e Inkling. Thinking Machines necesita demostrar que desarrolladores y empresas pagan repetidamente por personalizar y operar modelos, no que simplemente prueban infraestructura subvencionada.
Los indicadores útiles incluirían retención de clientes, consumo recurrente de computación, despliegues en producción y evaluaciones independientes en tareas especializadas. Las afirmaciones sobre ingresos deberían terminar respaldadas por divulgaciones consistentes.
Una adopción exitosa validaría el enfoque del laboratorio en la personalización. Una retención débil sugeriría que las empresas prefieren API cerradas, modelos abiertos autogestionados o plataformas gestionadas competidoras.
La tercera señal es la neutralidad de Hugging Face después de la adquisición. Los desarrolladores deberían observar si el descubrimiento de modelos, las integraciones, la documentación y los servicios alojados siguen admitiendo sistemas que no sean de Nvidia en condiciones comparables.
La portabilidad de los repositorios ofrecerá otra prueba. Los usuarios deberían poder exportar modelos y conjuntos de datos sin enfrentarse a barreras técnicas o contractuales diseñadas para mantener las cargas de trabajo dentro del entorno de Nvidia.
Un soporte visible para múltiples aceleradores reforzaría la afirmación de Nvidia de que está ampliando el ecosistema abierto. Un trato preferente que dirija a los usuarios hacia su propio hardware socavaría esa afirmación.
Estas señales también aclararán la rivalidad entre hugging-face y openai. OpenAI no necesita publicar los pesos de sus modelos líderes para que su estrategia tenga éxito, pero debe conservar a los clientes que valoran cada vez más la portabilidad y la personalización.
Thinking Machines afronta el desafío opuesto. Debe convertir el control de los desarrolladores en un negocio capaz de sostener enormes costes de infraestructura.
Nvidia está en posición de beneficiarse independientemente del modelo de acceso que termine imponiéndose. Suministra a OpenAI a una escala extraordinaria, al tiempo que financia alternativas de pesos abiertos y adquiere su principal canal de distribución.
Esa posición explica por qué la inversión reportada de 2.500 millones de dólares no es una noticia habitual de capital de riesgo. Representa otro paso en el esfuerzo de Nvidia por financiar la demanda, la infraestructura y los canales de desarrolladores que rodean a la IA moderna.
La cuestión decisiva es si esta red amplía las opciones reales o simplemente traslada el control. Habrá que seguir los términos de financiación firmados, el uso real por parte de los clientes y el trato que Hugging Face dé a los sistemas competidores. Estas tres pruebas revelarán si Nvidia está respaldando un mercado abierto o si, discretamente, se está convirtiendo en su guardián.
