El verdadero poder de Nvidia es la fábrica de IA de pila completa

Nvidia generó 215.900 millones de dólares en ingresos durante el ejercicio fiscal de 2026, pero los titulares de Google News todavía suelen reducir su influencia a un solo producto: la GPU. Esa descripción ya no refleja el conflicto central. Nvidia vende procesadores, pero cada vez controla más el software, las redes y los diseños de sistemas que determinan cómo esos procesadores se convierten en infraestructura de IA utilizable.

El cambio importa porque los principales competidores de Nvidia ya no necesitan únicamente un acelerador más rápido. AMD, Google, Amazon y los fabricantes emergentes de chips deben desafiar una plataforma informática integrada. Los clientes también deben decidir si sus ventajas de rendimiento y despliegue justifican una dependencia más profunda de un único proveedor.

Esta es la inversión que explica la posición de Nvidia. Sus GPU crearon la oportunidad, pero ahora es el ecosistema que las rodea el que la protege. La competencia se está convirtiendo en la fábrica de IA integrada de Nvidia frente a un mercado más abierto de componentes intercambiables.

Google News sigue llamando a Nvidia fabricante de chips, pero sus resultados financieros dicen otra cosa

El negocio de Nvidia se parece ahora menos al de un proveedor de componentes y más al de una plataforma de infraestructura construida en torno a la computación acelerada.

La evidencia más clara aparece en los propios informes financieros de Nvidia. Su presentación fiscal de 2026 registró 215.900 millones de dólares en ingresos totales, un 65 por ciento más que el año anterior.

Los ingresos del segmento de centros de datos alcanzaron los 193.700 millones de dólares, frente a los 115.200 millones de un año antes. Eso significa que los centros de datos generaron casi el 90 por ciento de los ingresos anuales de Nvidia. Gaming, que en otro tiempo fue el mercado definitorio de la compañía, aportó 16.000 millones de dólares.

Incluso la cifra de centros de datos oculta una división importante. Los ingresos por computación alcanzaron los 162.400 millones de dólares, mientras que las redes generaron 31.400 millones. Solo las redes tuvieron casi el doble del tamaño del negocio de gaming de Nvidia.

Estos ingresos por redes crecieron desde los 13.000 millones de dólares del ejercicio fiscal anterior. Nvidia atribuyó el incremento a la infraestructura de computación NVLink, Ethernet e InfiniBand. Estos productos trasladan información entre aceleradores, servidores y sistemas de almacenamiento.

Ese tráfico se ha convertido en una limitación central en los grandes despliegues de IA. Un modelo no puede beneficiarse de miles de procesadores si estos pasan demasiado tiempo esperando datos. La red se convierte en parte del ordenador.

Nvidia anticipó esta necesidad antes de que la demanda de IA generativa alcanzara su escala actual. Completó la adquisición de Mellanox en 2020, incorporando redes InfiniBand y tecnologías relacionadas. Esa compra dio a Nvidia control sobre otra capa crítica de la computación en clúster.

La compañía ahora combina GPU con switches NVLink, adaptadores de red ConnectX, unidades de procesamiento de datos BlueField y switches Ethernet Spectrum. También proporciona arquitecturas de referencia que especifican cómo encajan esas piezas dentro de un centro de datos.

Por tanto, un cliente compra más que capacidad de cálculo. La adquisición puede incluir la infraestructura de comunicación, herramientas de gestión, bibliotecas, recetas de despliegue y soporte técnico necesarios para operar esa capacidad.

Esta estructura cambia la posición negociadora de Nvidia. Un acelerador rival puede igualar un benchmark sin igualar el despliegue completo. Los compradores deben evaluar la compatibilidad de las aplicaciones, el diseño de red, la disponibilidad del sistema y el riesgo operativo.

También cambia cómo debe medirse Nvidia. Las ventas unitarias y las especificaciones de los chips siguen siendo importantes, pero describen solo una parte de la influencia de la compañía. El crecimiento de las redes muestra que Nvidia captura ingresos a medida que los clústeres de IA se hacen más grandes e interconectados.

Por eso la conocida etiqueta de GPU se ha vuelto incompleta. El chip sigue siendo esencial, pero el alcance comercial de Nvidia se extiende ahora por toda la máquina que lo rodea.

CUDA convirtió la adopción de hardware en un hábito de software

CUDA hizo que el hardware de Nvidia fuera útil para los desarrolladores, mientras que sus bibliotecas en expansión hicieron que abandonar la plataforma resultara cada vez más costoso.

CUDA es la plataforma de programación de Nvidia para ejecutar cargas de trabajo de computación general en sus GPU. La compañía la presentó en 2006, años antes de que el aprendizaje profundo generara una demanda extraordinaria de computación paralela.

La ventaja clave no era simplemente un lenguaje de programación. CUDA conectaba a los desarrolladores con compiladores, herramientas de depuración, bibliotecas matemáticas optimizadas y funciones específicas de hardware. Los investigadores podían acelerar cargas de trabajo sin escribir por sí mismos cada instrucción de bajo nivel.

Esa comodidad se acumuló con el tiempo. Las universidades enseñaron CUDA. Los investigadores publicaron código diseñado en torno a ella. Los proveedores de nube ofrecieron instancias compatibles, mientras que las empresas de software crearon productos que asumían acceso a hardware de Nvidia.

La documentación de CUDA de Nvidia ahora se sitúa junto a cientos de bibliotecas especializadas y kits de desarrollo. Cubren entrenamiento e inferencia de modelos, analítica de datos, visión por computadora, ciberseguridad, robótica, simulación y computación científica.

El ecosistema resultante de Nvidia CUDA genera varios tipos de costes de cambio. Los desarrolladores deben migrar código, sustituir bibliotecas, probar el comportamiento numérico y volver a formar a los equipos de ingeniería. Los operadores también deben validar el rendimiento con cargas de trabajo reales de producción.

Estos costes no son barreras absolutas. Los frameworks de IA populares pueden ocultar algunas diferencias de hardware detrás de interfaces de mayor nivel. Los proyectos de compiladores de código abierto también pueden orientarse a varias arquitecturas de aceleradores.

Sin embargo, la abstracción no elimina la optimización. Los grandes sistemas de IA dependen de kernels, rutinas especializadas que ejecutan operaciones matemáticas frecuentes. Pequeñas mejoras en esas rutinas pueden afectar la utilización, la latencia, el uso energético y los requisitos totales de capacidad.

Nvidia ajusta continuamente sus bibliotecas para el hardware nuevo. Puede coordinar cambios entre la arquitectura de la GPU, el compilador, la capa de red y el software de servicio de modelos. Esa coordinación reduce el tiempo entre recibir hardware nuevo y utilizarlo con eficiencia.

La ventaja se aprecia con mayor claridad durante las transiciones de arquitectura. Un cliente que adopta Blackwell no parte de un entorno de software vacío. Las aplicaciones CUDA existentes, los frameworks y el conocimiento operativo proporcionan una ruta de migración.

Nvidia también extiende este patrón más allá del entrenamiento de modelos. TensorRT optimiza cargas de trabajo de inferencia, mientras que Triton gestiona el servicio de modelos. RAPIDS se orienta a la ciencia de datos, e Isaac respalda el desarrollo de robótica.

Cada producto anima a los desarrolladores a tratar la plataforma de IA de Nvidia como el entorno predeterminado para otra categoría de trabajo. La estrategia amplía el alcance de la compañía sin exigir que cada herramienta de software genere ingresos directos sustanciales.

El software, en cambio, respalda la demanda de hardware y la retención de clientes. Una biblioteca puede facilitar la compra, el despliegue y la permanencia de un acelerador. Este valor económico indirecto es una de las razones por las que la posición de Nvidia en software no puede evaluarse solo a través de los ingresos por software.

Todavía existe un riesgo al describir CUDA como un foso infranqueable. La portabilidad entre frameworks está mejorando, y los grandes clientes de nube tienen fuertes incentivos para reducir su dependencia de Nvidia.

Un artículo de investigación de 2025 que evaluó Intel Gaudi sostuvo que el entorno de software más amplio importaba más que CUDA por sí sola. Esa conclusión respalda una interpretación más precisa: la ventaja de Nvidia procede de todo el sistema de desarrollo y despliegue.

CUDA inició el hábito, pero las bibliotecas, las herramientas, el conocimiento de la comunidad y la coordinación con el hardware lo reforzaron. Los competidores deben desafiar ese sistema acumulado, no limitarse a reproducir una interfaz de programación.

Las redes hicieron que miles de GPU se comportaran como un solo ordenador

Cuanto mayor se vuelve un clúster de IA, más influyen los productos de interconexión y redes de Nvidia en su rendimiento utilizable.

El entrenamiento de un modelo de frontera divide el trabajo entre muchos procesadores. Estos procesadores intercambian repetidamente parámetros, resultados intermedios y señales de sincronización. Las demoras en esos intercambios dejan inactivos costosos recursos informáticos.

NVLink proporciona comunicación de gran ancho de banda entre procesadores de Nvidia. NVSwitch amplía esas conexiones a grupos más grandes, mientras que InfiniBand y Spectrum-X Ethernet conectan servidores por todo el centro de datos.

Estas tecnologías abordan distintas distancias dentro del clúster, pero sirven a un mismo objetivo arquitectónico. Nvidia quiere que los clientes traten el clúster como un sistema informático unificado.

Los resultados del ejercicio fiscal de 2026 muestran el efecto económico. Los ingresos por redes de centros de datos alcanzaron los 31.400 millones de dólares, un 142 por ciento más que el año anterior. Nvidia afirmó que la expansión de Blackwell con NVLink impulsó gran parte de ese crecimiento.

El resultado debilita la antigua distinción entre chips y redes. Un benchmark de aceleradores mide el rendimiento local. Un clúster de producción debe medir con qué eficiencia el conjunto completo termina una carga de trabajo.

Esta distinción es especialmente importante para los modelos mixture-of-experts. Estos modelos activan grupos seleccionados de parámetros para cada solicitud. Su diseño puede reducir el cómputo, pero crea exigentes patrones de comunicación entre procesadores.

La inferencia también eleva la presión sobre las redes. Los modelos de razonamiento generan secuencias más largas y trasladan más datos a través de las capas de memoria, almacenamiento y red. Atender millones de solicitudes simultáneas convierte la eficiencia de comunicación en una métrica de negocio.

La respuesta de Nvidia es el codiseño, es decir, desarrollar componentes relacionados como un único sistema coordinado. La compañía puede ajustar una GPU, un switch, un adaptador de red y una biblioteca de software en torno a las mismas cargas de trabajo previstas.

Su generación Rubin hace explícita esa estrategia. La plataforma Rubin anunciada combina CPU Vera, GPU Rubin, switches NVLink 6, adaptadores ConnectX-9, procesadores BlueField-4 y Ethernet Spectrum-6.

Nvidia afirma que Rubin puede reducir los costes por token de inferencia y el número de procesadores necesarios para determinadas tareas de entrenamiento de modelos. Estas afirmaciones dependen de las propias pruebas de Nvidia y requieren evidencia independiente en producción.

Aun así, la estructura del producto revela la dirección de la compañía. Nvidia está vendiendo una arquitectura de centro de datos con seis chips coordinados, no una GPU aislada instalada dentro de un servidor genérico.

Este enfoque presiona a los proveedores comerciales especializados en una sola capa. Un proveedor de redes puede ofrecer un switch sólido, mientras que una empresa de aceleradores ofrece computación competitiva. El sistema combinado puede seguir requiriendo integración adicional.

También presiona a los clientes que prefieren componentes intercambiables. Una plataforma integrada puede mejorar la velocidad de despliegue, pero las conexiones propietarias pueden limitar las futuras opciones de compra.

Nvidia se beneficia cuando los clientes optimizan en torno a NVLink y sus arquitecturas de referencia. Sustituir un acelerador se convierte entonces en un proyecto de ingeniería más amplio que implica racks, redes, refrigeración, software de gestión y rendimiento de aplicaciones.

Eso no significa que todos los clientes aceptarán una configuración cerrada. Ethernet sigue siendo importante precisamente porque los compradores quieren estándares conocidos y múltiples proveedores. Los productos Spectrum-X de Nvidia reconocen esa preferencia al tiempo que añaden optimización específica de Nvidia.

Por tanto, la compañía persigue ambas vías. Promueve conexiones propietarias de escalado vertical dentro de los sistemas y Ethernet optimizado entre sistemas. Esto permite a Nvidia participar tanto si los clientes priorizan la máxima integración como una compatibilidad de red más amplia.

Cuanto más se desplace la computación de IA hacia sistemas a escala de rack, más valiosa se vuelve esa posición. La ventaja de Nvidia crece con el número de dependencias que rodean al procesador.

El verdadero rival de Nvidia es la pila modular de IA

La competencia principal no es Nvidia contra un solo fabricante de chips; es infraestructura integrada contra componentes que los clientes pueden sustituir de forma independiente.

AMD es el rival más directo de Nvidia en GPU comerciales. Sus aceleradores Instinct se orientan al entrenamiento y la inferencia, mientras que la pila de software ROCm ofrece herramientas de programación y bibliotecas optimizadas.

La oportunidad de AMD surge de la demanda de los clientes por diversificar el suministro y ganar capacidad de negociación. Una segunda fuente compatible puede reducir el riesgo de aprovisionamiento, especialmente cuando la demanda supera la disponibilidad de los sistemas líderes.

Sin embargo, AMD debe demostrar más que rendimiento de procesador. Los clientes necesitan compatibilidad predecible con frameworks, bibliotecas maduras, redes fiables e ingenieros capaces de migrar aplicaciones sin largos proyectos de optimización.

Google representa una ruta diferente. Sus Tensor Processing Units son aceleradores personalizados desarrollados para cargas de trabajo de aprendizaje automático. Google los utiliza internamente y los ofrece a través de su plataforma cloud.

La plataforma Cloud TPU ofrece a los clientes una alternativa a los sistemas de Nvidia para determinadas cargas de trabajo. Google puede coordinar sus chips con infraestructura cloud, redes y frameworks de software.

Amazon sigue un modelo similar con Trainium para entrenamiento e Inferentia para inferencia. Microsoft también ha desarrollado aceleradores internos de IA. Estas empresas pueden dirigir cargas de trabajo hacia sus chips mediante servicios cloud gestionados.

El silicio personalizado no necesita sustituir a Nvidia en todas partes para debilitar su posición. Puede captar cargas de trabajo repetitivas y de gran volumen en las que el proveedor cloud controla el entorno de software.

Eso genera la presión central sobre Nvidia. Sus mayores clientes tienen el capital, los datos, el talento de ingeniería y el volumen de cargas de trabajo necesarios para desarrollar sustitutos. También entienden qué parte de su gasto en infraestructura fluye hacia Nvidia.

Los estándares abiertos forman otra parte de la respuesta modular. Proveedores de Ethernet, empresas de aceleradores y operadores cloud trabajan para mejorar la comunicación entre sistemas mixtos. Los proyectos de compiladores buscan hacer el código portable entre distintos procesadores.

Si estos esfuerzos maduran, los clientes podrían elegir aceleradores, switches y software con mayor independencia. El hardware competiría más directamente por rendimiento en las cargas de trabajo y economía operativa.

Nvidia responde avanzando más rápido a nivel de sistema. Publica hojas de ruta anuales de arquitectura, suministra racks completos, amplía el software gestionado y colabora con fabricantes de servidores y proveedores cloud.

Esta estrategia reduce el tiempo de integración, pero también eleva el coste de salida. Cuantas más capas adopte un cliente, más dependencias deberá deshacer durante una migración.

Por tanto, los compradores afrontan una disyuntiva real. Una arquitectura modular puede preservar la capacidad de elección, pero ensamblarla y optimizarla exige esfuerzo de ingeniería. El enfoque integrado de Nvidia puede acelerar el despliegue, pero concentra la exposición técnica y comercial.

Ningún resultado está predeterminado. Las grandes empresas cloud pueden respaldar alternativas internas porque operan a una escala enorme. Las empresas más pequeñas pueden preferir una plataforma con documentación extensa y soporte consolidado.

Los requisitos de las aplicaciones también varían. Una empresa que entrena nuevos modelos de frontera tiene prioridades distintas a otra que ofrece un modelo de recomendaciones estable. La mejor arquitectura puede depender del diseño del modelo, los objetivos de latencia, la experiencia del equipo y la infraestructura existente.

Por eso, un único benchmark rara vez resuelve la competencia. La decisión incluye el tiempo de despliegue, la migración de software, la utilización de la red, la disponibilidad y la flexibilidad a largo plazo.

La cobertura de Google News tiende a destacar cada nuevo lanzamiento de aceleradores. La historia más relevante es si esas alternativas desarrollan entornos operativos completos en los que los clientes confíen.

La ventaja full-stack también concentra los riesgos de Nvidia

La estrategia de integración de Nvidia aumenta su control, pero también vincula una mayor parte de su rendimiento financiero al mismo ciclo de inversión en IA.

Las cifras fiscales de Nvidia para 2026 muestran una concentración extraordinaria. Los centros de datos aportaron casi el 90 por ciento de los ingresos anuales, mientras que Compute and Networking generó la mayor parte de los ingresos operativos.

Esa concentración vincula a Nvidia con el gasto de capital de un grupo relativamente pequeño de proveedores cloud y empresas tecnológicas. Su informe anual identifica la concentración de clientes como un riesgo material.

La demanda puede seguir siendo elevada mientras el crecimiento se vuelve más difícil de sostener. Los clientes deben asegurar electricidad, terrenos, permisos, equipos de refrigeración y capacidad de red antes de instalar sistemas de IA adicionales.

La restricción energética es especialmente importante. Un acelerador más rápido tiene un valor limitado si un centro de datos no puede energizar el rack. Nvidia aborda cada vez más este problema mediante afirmaciones sobre eficiencia del sistema, pero el desarrollo de infraestructura sigue fuera de su control directo.

La transición de plataforma de Nvidia también implica riesgo de ejecución. Los sistemas Blackwell introdujeron diseños a nivel de rack más complejos que los servidores GPU anteriores. Los sistemas completos requieren que procesadores, memoria, switches, cables, equipos de red, suministro eléctrico y refrigeración lleguen a la vez.

Una escasez o un defecto en un componente puede retrasar los ingresos de todo el rack. La integración de sistemas da a Nvidia más control sobre el rendimiento, pero aumenta el número de dependencias operativas que debe gestionar.

Las restricciones a la exportación crean otra debilidad. Nvidia registró un cargo de 4.500 millones de dólares relacionado con inventario y obligaciones de compra de H20 durante el ejercicio fiscal 2026. El cargo siguió a nuevas restricciones que afectaban a los envíos a China.

Ese episodio muestra cómo la política puede interrumpir incluso una fuerte demanda de productos. Nvidia puede diseñar procesadores conformes con la normativa, pero los reguladores pueden modificar los límites de rendimiento o los requisitos de licencias.

China también crea un riesgo competitivo. Las restricciones animan a clientes y gobiernos locales a respaldar alternativas nacionales. Por tanto, los límites a corto plazo sobre las ventas de Nvidia pueden acelerar la inversión a largo plazo en hardware y software competidores.

El foso de software afronta su propio desafío. Los clientes toleran los costes de cambio cuando el rendimiento y la disponibilidad de Nvidia los justifican. Invertirán de forma más agresiva en la migración si el coste, el suministro o la política hacen dolorosa la dependencia.

Los frameworks de código abierto pueden reducir gradualmente el trabajo específico de cada hardware. Las mejoras en los compiladores pueden automatizar la optimización, mientras que los desarrolladores de modelos pueden diseñar cargas de trabajo para varios backends desde el principio.

Los proveedores cloud tienen otra ventaja: pueden ocultar las decisiones de hardware detrás de una interfaz de servicio. Un cliente podría usar un modelo gestionado sin saber si cada solicitud se ejecuta en GPU de Nvidia, TPU de Google o aceleradores de Amazon.

Nvidia también está haciendo ambiciosas afirmaciones de rendimiento para Rubin. La empresa afirma que la plataforma puede ofrecer hasta diez veces más rendimiento de inferencia por vatio en algunas configuraciones.

Estas comparaciones utilizan las cargas de trabajo seleccionadas por Nvidia, sus supuestos de sistema y una base de referencia de la generación anterior. Los resultados reales variarán según la arquitectura del modelo, la precisión, el tamaño de lote, el diseño de red y la madurez del software.

Por tanto, estas afirmaciones deben tratarse como objetivos de hoja de ruta, no como resultados universales. Los benchmarks independientes y los despliegues de clientes determinarán si las mejoras se mantienen fuera de configuraciones controladas.

La escala financiera no elimina estas incertidumbres. Aumenta las consecuencias de cualquier desaceleración del gasto, transición retrasada o sustitución por parte de los clientes.

La ventaja de Nvidia es real porque las piezas se refuerzan mutuamente. Esa misma interdependencia implica que una debilidad en el suministro, la política, la energía o la adopción de software puede afectar simultáneamente a varias partes del negocio.

Tres señales pondrán a prueba la estrategia de fábrica de IA de Nvidia

La próxima fase se decidirá por los despliegues de Rubin, el crecimiento de las redes y el volumen de tráfico de producción que se traslade a aceleradores alternativos.

La primera señal es el despliegue de Rubin en producción. Nvidia ha descrito un sistema coordinado que contiene CPU, GPU, switches, adaptadores de red, unidades de procesamiento de datos y equipos Ethernet.

Enviar chips individuales no será suficiente. Los clientes deben instalar sistemas completos, alcanzar una utilización estable y mostrar mejoras medibles en la economía del entrenamiento o la inferencia.

Los primeros despliegues en proveedores cloud revelarán si el codiseño de Nvidia reduce el trabajo operativo. Los retrasos relacionados con energía, refrigeración, redes o software debilitarían el argumento full-stack.

La evidencia más sólida provendría de pedidos repetidos después de que los clientes operen los sistemas. Las compras iniciales pueden reflejar escasez o compromisos estratégicos. Los pedidos de ampliación sugieren que el rendimiento en producción cumplió las expectativas.

La segunda señal son los ingresos de redes de Data Center. Las ventas de redes del ejercicio fiscal 2026 crecieron mucho más rápido que los ingresos de computación, lo que convierte a esta categoría en una medida directa del alcance de Nvidia más allá de las GPU.

Un crecimiento continuado mostraría que los clientes están adoptando las fabrics de Nvidia junto con sus aceleradores. También sugeriría que la computación a escala de rack está aumentando el valor económico de la interconexión.

Una desaceleración requeriría interpretación. Podría reflejar el calendario de los despliegues, el suministro de componentes, el uso por parte de los clientes de productos Ethernet competidores o una pausa más amplia en la construcción de infraestructura de IA.

La combinación entre NVLink, InfiniBand y Spectrum-X importará tanto como el total. La adopción del NVLink propietario profundiza la integración de Nvidia, mientras que el crecimiento de Ethernet muestra si Nvidia puede competir en un mercado más estandarizado.

La tercera señal es la adopción en producción de aceleradores alternativos. Los anuncios por sí solos revelan poco, porque los clientes suelen probar varias tecnologías antes de asignarles cargas de trabajo importantes.

Hay que observar si los proveedores cloud informan de un uso interno sustancial de Trainium, Inferentia o TPU. También conviene vigilar si empresas de software independientes despliegan sistemas AMD sin una extensa ingeniería personalizada.

La velocidad de migración será crucial. Si los equipos pueden mover modelos entre arquitecturas dentro de ciclos normales de desarrollo, los costes de cambio de software de Nvidia se debilitarán.

Si las alternativas siguen limitadas a cargas de trabajo estrechamente controladas, la ventaja más amplia de la plataforma de Nvidia se mantendrá intacta. Los chips especializados pueden crecer sin desplazar el entorno predeterminado para nuevos proyectos de IA.

Estas señales importan más que otro benchmark aislado. La estrategia de Nvidia tiene éxito cuando los clientes consideran su arquitectura de sistema como el camino más corto desde una idea de modelo hasta una producción fiable.

Se debilita cuando los compradores pueden ensamblar sistemas comparables a partir de componentes sustituibles. Eso devolvería la competencia al rendimiento de los procesadores, la disponibilidad y el coste operativo.

Para los desarrolladores, la cuestión práctica es si el código y el conocimiento operativo siguen siendo portables. Admitir múltiples backends puede preservar la flexibilidad, pero también consume tiempo de ingeniería.

Los compradores empresariales deberían examinar las dependencias antes de comprometerse con un gran despliegue. Deben identificar qué bibliotecas, diseños de red y herramientas de gestión requerirían sustitución durante una futura migración.

Los trabajadores del conocimiento y los usuarios de IA sentirán el resultado de forma indirecta. La economía de la infraestructura influye en la disponibilidad de modelos, la latencia, los límites de uso y la velocidad a la que las nuevas capacidades llegan a los productos.

El próximo titular de Google News probablemente se centrará en otra GPU, benchmark o hito de mercado. Los lectores deberían mirar más allá, hacia los compromisos de red, software y sistemas asociados a ese anuncio.

El poder de Nvidia se convirtió en algo más que chips GPU porque cada capa resolvía un problema creado por la anterior. CUDA hizo programables los aceleradores. Las bibliotecas los hicieron útiles. Las redes los hicieron escalables. Los sistemas completos los hicieron desplegables.

La cuestión pendiente es si los clientes siguen considerando esa integración una ventaja. Habrá que observar las implementaciones, los ingresos por redes y las cargas de trabajo que abandonan Nvidia. Esas señales mostrarán si la fábrica de IA se convierte en un estándar duradero o en una costosa fase del próximo ciclo de la informática.