Historia de Nvidia: de startup de gráficos a infraestructura de IA

Por qué importa la historia de Nvidia

El ascenso de Nvidia explica cómo un chip especializado en gráficos se convirtió en la base de la computación moderna de IA. La empresa empezó con gráficos 3D para consumidores, sobrevivió a un error de arquitectura casi fatal, creó una plataforma de programación antes de que existiera un gran mercado y, durante años, transformó aceleradores individuales en sistemas completos para centros de datos.

Distintos públicos conocen versiones distintas de la empresa. Los jugadores conocen las tarjetas GeForce, el trazado de rayos y el renderizado asistido por IA. Los investigadores conocen CUDA y los aceleradores para cálculo científico. Los operadores de nube compran sistemas densos con GPU, CPU, redes, switches y software de gestión. Los inversores ven una compañía cuyos ingresos pasaron de los videojuegos a la infraestructura de IA con una rapidez inusual.

Todas esas líneas de negocio comparten una idea: una CPU no debe ejecutar cada tipo de cálculo. Nvidia identifica repetidamente cargas con gran cantidad de trabajo paralelo, diseña procesadores especializados y los rodea de software útil. Los gráficos aportaron el primer mercado masivo. La computación científica aportó usuarios exigentes. El aprendizaje profundo convirtió la computación acelerada en prioridad para los centros de datos.

Nada de ello estaba asegurado. NV1 usó primitivas gráficas distintas de los estándares que acabaron imponiéndose. CUDA exigió años de inversión en software antes de generar ingresos relevantes. Nvidia entró en servidores frente a proveedores consolidados de CPU, compró una empresa de redes por 6.900 millones de dólares y se comprometió con sistemas refrigerados por líquido a escala de rack, mucho más difíciles de construir que las tarjetas de expansión.

Tres decisiones explican gran parte del resultado:

• Nvidia trató el software, las bibliotecas y el soporte a desarrolladores como productos, no como accesorios del silicio.
• Usó el volumen de los videojuegos para financiar arquitecturas que más tarde atenderían investigación y centros de datos.
• Se expandió alrededor de la GPU cada vez que otro cuello de botella, como el movimiento de memoria o la red, limitaba el rendimiento útil.

Las especificaciones de un chip cuentan solo una parte de la historia. Un procesador se convierte en una plataforma duradera cuando los desarrolladores pueden programarlo, los sistemas pueden escalarlo, los clientes pueden operarlo y cada generación nueva ejecuta el software existente sin grandes interrupciones.

La fundación de Nvidia y la supervivencia tras el primer giro equivocado

Nvidia fue fundada el 5 de abril de 1993 por Jensen Huang, Chris Malachowsky y Curtis Priem para llevar gráficos 3D de alto rendimiento a los PC de consumo. Huang había trabajado en diseño de microprocesadores en AMD e integración de chips en LSI Logic. Malachowsky y Priem aportaron experiencia en gráficos y sistemas de Sun Microsystems, y Priem también había trabajado en IBM. Los tres dieron forma al plan de Nvidia durante reuniones en un restaurante Denny's.

La oportunidad era grande, aunque inestable. Los gráficos 3D profesionales se usaban sobre todo en costosas estaciones de trabajo para diseño asistido por ordenador, visualización y producción audiovisual. Los PC de consumo ganaban procesadores más rápidos, unidades CD-ROM, mejores pantallas y un mercado de juegos creciente, pero el hardware gráfico seguía fragmentado. Decenas de empresas de semiconductores perseguían la misma apertura.

El primer producto de Nvidia, NV1, llegó en 1995 en la tarjeta Diamond Edge 3D. Combinaba gráficos 2D y 3D, audio y soporte para mandos de Sega. Su decisión técnica más importante fue el mapeado de texturas cuadrático, basado en superficies curvas y no en los polígonos triangulares que se convirtieron en estándar en Microsoft Direct3D y buena parte del sector.

NV1 podía ejecutar software creado para su arquitectura, incluida una versión para PC de Virtua Fighter de Sega. Sin embargo, los desarrolladores tenían pocos motivos para apoyar un objetivo propietario pequeño cuando las API basadas en triángulos ganaban impulso. Un chip técnicamente ambicioso se encontró sin software justo cuando la compatibilidad de plataforma se volvió decisiva.

El trabajo con Sega produjo otro proyecto gráfico, conocido como NV2. Huang concluyó que continuar con esa arquitectura desperdiciaría el tiempo de ambas empresas. Sega canceló el proyecto de consola, pero aportó apoyo financiero que ayudó a Nvidia a redirigir los recursos que le quedaban. La startup apenas tenía margen para otro fracaso.

El reemplazo se centró en estándares, calendario y una definición de producto más limitada. Nvidia redujo plantilla, adoptó renderizado por triángulos y diseñó NV3 para Direct3D. Ese chip se convirtió en RIVA 128, lanzado en 1997. Vendió más de un millón de unidades en sus primeros cuatro meses y dio a Nvidia ingresos y credibilidad ante los fabricantes de PC.

El rescate estableció hábitos que sobrevivieron a la etapa de startup. Nvidia abandonaría un diseño elegante si el mercado había elegido otro estándar de programación. Lanzaría hardware y controladores con rapidez. También trabajaría directamente con desarrolladores, porque un procesador gráfico sin juegos compatibles era inventario, no una plataforma.

En 1998 formalizó su modelo sin fábricas mediante una relación de fabricación con TSMC. En lugar de poseer plantas muy costosas, Nvidia concentró el gasto en arquitectura, software y diseño de productos, y recurrió a una fundición externa. La estructura permitió crecer rápido, pero creó una dependencia que se volvió más importante a medida que la fabricación avanzada se concentraba en Taiwán.

Nvidia salió a bolsa en enero de 1999 a 12 dólares por acción. La OPV no eliminó la presión operativa: las generaciones gráficas avanzaban deprisa, la calidad de los controladores afectaba a cada reseña y rivales como 3dfx, ATI, Matrox y S3 podían quitar clientes con un solo lanzamiento sólido.

RIVA, GeForce y la competencia por los gráficos de PC

RIVA y GeForce consolidaron a Nvidia al combinar silicio competitivo, controladores estables y amplia compatibilidad. RIVA 128 demostró que la empresa podía recuperarse de NV1. RIVA TNT y TNT2 mejoraron profundidad de color, calidad de imagen, multitextura y rendimiento en las API que adoptaban los desarrolladores.

A finales de los noventa, una tarjeta rápida podía decepcionar si sus controladores fallaban, mostraban mal un juego o se retrasaban frente a una nueva versión de DirectX. Nvidia trató los controladores como una responsabilidad permanente de ingeniería y lanzó actualizaciones frecuentes para apoyar juegos nuevos y corregir problemas. Esa práctica ayudó después a gestionar una pila de software de computación mucho mayor.

En 1999 Nvidia presentó GeForce 256 y la promocionó como la primera unidad de procesamiento gráfico, o GPU. La importancia histórica no depende tanto de quién acuñó el término como del cambio de arquitectura: GeForce 256 integró transformación e iluminación por hardware y trasladó al procesador gráfico cálculos geométricos que antes realizaban las CPU.

Esta descarga dejó más margen para lógica de juego, física y escenas más ricas. También amplió la definición de aceleración gráfica. El procesador dejó de ser un dispositivo fijo que solo colocaba píxeles texturizados en pantalla. Cada generación absorbió más partes del proceso de renderizado y expuso más control al software.

Nvidia reforzó su posición con grandes fabricantes de PC y desarrolladores de juegos. Los contratos OEM llevaron sus chips a sistemas de consumo, y las relaciones con desarrolladores ayudaron a los estudios a ajustar lanzamientos para GeForce. La empresa también obtuvo el contrato gráfico de la Xbox original de Microsoft, con exigencias estrictas de rendimiento, coste y entrega.

La competencia siguió siendo intensa. En 2000 Nvidia acordó adquirir activos esenciales de 3dfx, cuyas tarjetas Voodoo habían definido los primeros juegos 3D para entusiastas. ATI siguió siendo rival independiente y más tarde pasó a formar parte de AMD. Nvidia podía liderar una generación y tropezar en la siguiente, como mostró la recepción desigual de GeForce FX durante parte de la era DirectX 9.

La respuesta fue una corrección arquitectónica rápida. GeForce 6 restauró la competitividad. Las generaciones posteriores añadieron shaders unificados, más capacidad de programación y mayor rendimiento en coma flotante. Nvidia mantuvo marcas distintas: GeForce para consumo, Quadro para visualización profesional y, después, Tesla para aceleradores de cálculo.

Los gráficos siguieron aportando ideas que llegaron a la IA. Los shaders programables enseñaron a Nvidia cómo aprovechaban los desarrolladores la ejecución paralela. Las exigencias de texturas y búferes de fotogramas impulsaron el ancho de banda de memoria. Los juegos con varias GPU aportaron experiencia en interconexiones y reparto de cargas. La necesidad de soportar juegos antiguos al lanzar hardware nuevo impuso una disciplina de compatibilidad que muchas startups centradas solo en hardware subestiman.

En 2018 Nvidia renovó el modelo de renderizado con la arquitectura Turing y GeForce RTX. Los RT Cores aceleraron cálculos de intersección de rayos y los Tensor Cores admitieron métodos neuronales como Deep Learning Super Sampling. El renderizado combinó cada vez más rasterización convencional, trazado de rayos y reconstrucción aprendida.

La familia GeForce RTX 50 basada en Blackwell, presentada en 2025, continuó esa convergencia con RT Cores de cuarta generación, Tensor Cores de quinta generación, shaders neuronales y DLSS 4. Los videojuegos siguieron siendo un canal importante para gráficos asistidos por IA e inferencia local de modelos, incluso después de que los centros de datos se convirtieran en el negocio mayor.

Los shaders programables abrieron el camino a la computación general

Los shaders programables cambiaron la dirección estratégica de Nvidia al demostrar que un procesador gráfico podía ejecutar programas útiles fuera de una canalización de renderizado fija. Las primeras GPU tenían etapas dedicadas a geometría, iluminación, aplicación de texturas y salida de píxeles. Eran rápidas por su especialización, pero permitían modificar pocas opciones.

GeForce 3, lanzada en 2001, admitía shaders de vértices programables. Los programas de píxeles y fragmentos se hicieron más capaces en las generaciones siguientes. Los desarrolladores de juegos los usaron para iluminación personalizada, agua, piel, sombras y posprocesado. Al mismo tiempo, investigadores empezaron a tratar esos procesadores como máquinas paralelas económicas.

Los experimentos eran incómodos. Un científico que quería realizar operaciones matriciales solía tener que expresar datos como texturas y cálculos como operaciones de dibujo. Los resultados podían escribirse en un búfer de fotogramas y leerse de vuelta mediante API gráficas. El hardware ofrecía un rendimiento notable, pero el método exigía conocimientos de gráficos ajenos al problema científico.

Aun así, los experimentos revelaron una estructura económica favorable. Los videojuegos creaban volumen suficiente para financiar chips grandes con muchas unidades aritméticas y memoria de alto ancho de banda. Los investigadores podían comprar ese hardware por una fracción del coste de un procesador científico a medida. La misma inversión en transistores podía servir al entretenimiento y a la computación técnica si Nvidia aportaba una capa de programación adecuada.

Nvidia avanzó hacia una arquitectura de shaders unificados, donde grupos de procesadores programables podían encargarse de diferentes etapas en vez de asignar hardware separado a cada una. La familia GeForce 8 y su arquitectura G80 hicieron este modelo relevante comercialmente. Un conjunto unificado mejoró la utilización en gráficos y ofreció a la computación general un destino de ejecución más regular.

La computación con GPU también imponía límites. El hardware paralelo destaca cuando una carga contiene muchas operaciones similares e independientes, suficientes para ocupar miles de vías de ejecución. El código serial con muchas ramas puede funcionar mejor en una CPU. El traslado de datos puede borrar las ganancias de aceleración si una aplicación mueve repetidamente pequeñas cantidades de información entre memorias de procesador. La aritmética rápida solo sirve si la capacidad de memoria, el ancho de banda y la comunicación mantienen alimentadas las unidades.

Estas restricciones explican la expansión posterior de Nvidia. CUDA resolvió la programación. La memoria de alto ancho de banda mejoró el suministro local de datos. NVLink aceleró el movimiento entre procesadores. Las redes de Mellanox mejoraron la comunicación entre servidores. La historia se alejó del chip porque cada cuello de botella resuelto dejaba al descubierto el siguiente.

CUDA convirtió el hardware GPU en una plataforma de computación

CUDA dio a los programadores un modelo directo de computación paralela y creó un compromiso de software que los competidores no podían responder solo con un chip más rápido. Nvidia anunció la arquitectura en 2006 y lanzó las primeras herramientas de desarrollo en 2007. Los desarrolladores podían escribir kernels con estilo C sin traducir sus problemas a operaciones gráficas.

El modelo expuso hilos, bloques, cuadrículas, memoria compartida y memoria de dispositivo. Seguía siendo necesario entender el trabajo paralelo y el movimiento de datos, pero ya no había que fingir que una matriz numérica era una imagen. Eso abrió el hardware a científicos, ingenieros y desarrolladores cuantitativos con poco interés por el renderizado.

Nvidia financió las partes menos visibles de la adopción: compiladores, depuradores, perfiladores, documentación, ejemplos, cursos universitarios y compatibilidad entre generaciones de GPU. Las bibliotecas marcaron la mayor diferencia para quienes no querían escribir kernels. cuBLAS aportó álgebra lineal optimizada, cuFFT manejó transformadas rápidas de Fourier y otras bibliotecas cubrieron operaciones dispersas, números aleatorios, imagen, analítica y más dominios.

La adopción temprana llegó desde cargas con estructura paralela evidente:

• Dinámica molecular y química computacional
• Procesamiento sísmico e imagen médica
• Valoración de opciones y simulación Monte Carlo
• Álgebra lineal y solucionadores científicos
• Procesamiento de señales y dinámica de fluidos computacional

Las afirmaciones de rendimiento requerían cautela. Una GPU podía reducir un kernel de horas a minutos mientras la aplicación completa seguía limitada por el procesamiento de entrada, el trabajo serial o la comunicación. El beneficio duradero aparecía cuando los equipos reorganizaban cargas completas alrededor del acelerador, en vez de tratarlo como sustituto directo de cada instrucción de CPU.

Nvidia apoyó ese trabajo mediante subvenciones de investigación, programas universitarios, eventos para desarrolladores y la GPU Technology Conference. Los estudiantes aprendían un entorno de programación, los investigadores publicaban código con él y los empleadores contrataban después a personas que ya conocían las herramientas. Las bibliotecas acumularon años de optimización y pruebas numéricas.

Esto generó costes de cambio, pero el bloqueo por sí solo no explica el uso continuado. Los desarrolladores permanecen cuando mover su trabajo cuesta más de lo que aporta y la plataforma actual sigue mejorando. Nvidia usó compatibilidad hacia atrás, soporte amplio de frameworks, bibliotecas optimizadas y funciones de hardware nuevas para mantener ese cálculo durante varios ciclos de producto.

CUDA también cambió a Nvidia por dentro. Una empresa de chips puede declarar acabado un producto cuando empieza la fabricación. Una plataforma de computación exige trabajo continuo en compiladores, actualizaciones de seguridad, mantenimiento de bibliotecas, documentación y soporte de nuevos frameworks. Los ingresos de una tarjeta se reconocen una vez, mientras las obligaciones de software continúan durante su vida útil.

Ese compromiso parecía caro antes de que madurara el mercado de la computación GPU. Se convirtió en la defensa más fuerte de Nvidia cuando se aceleró la demanda de IA, porque un nuevo proveedor de aceleradores debía competir contra años de código funcional y experiencia de desarrolladores, no solo contra resultados de benchmarks.

Tesla y el paso a los centros de datos

La línea Tesla dio a Nvidia una ruta específica hacia servidores y superordenadores, separando los productos de cálculo de las tarjetas gráficas pensadas para controlar pantallas. Presentados en 2007, los aceleradores Tesla priorizaban rendimiento numérico, capacidad de memoria, funciones de fiabilidad y operación en sistemas densos.

Los compradores de centros de datos valoran restricciones distintas de las de los jugadores: rendimiento sostenido, gestión de errores, diseño térmico, periodos de soporte de software, facilidad de servicio, comunicación de clústeres y rendimiento por unidad de energía. La aritmética de doble precisión importa en muchas simulaciones científicas, aunque aporte poco a un juego. La memoria con corrección de errores puede ser imprescindible cuando un cálculo se ejecuta durante días en miles de dispositivos.

Los laboratorios nacionales y las universidades fueron clientes de referencia tempranos. El superordenador Titan, en Oak Ridge National Laboratory, combinó CPU con aceleradores Nvidia K20X y empezó a atender a investigadores en 2012. Sistemas como Titan demostraron que la aceleración GPU podía operar a escala de superordenador en ciencia de producción.

La visualización profesional sirvió de puente. Los productos Quadro ya colocaban hardware Nvidia en organizaciones de ingeniería, diseño, cine y ciencia. Esas relaciones ayudaron a entender aplicaciones certificadas, ciclos de soporte largos y compras institucionales antes de que los clústeres de IA se convirtieran en una inversión de consejo de administración.

El acceso en la nube amplió el mercado. Amazon Web Services introdujo instancias GPU, seguido por Microsoft Azure, Google Cloud y otros proveedores. Investigadores y startups podían alquilar aceleradores por horas en vez de comprar un servidor, buscarle espacio y mantener controladores. Esto redujo el coste de experimentar y permitió solicitar más capacidad sin reconstruir infraestructura local.

La hoja de ruta pasó por varias arquitecturas. Kepler mejoró la eficiencia energética y la capacidad de cálculo. Pascal combinó P100 con memoria de alto ancho de banda y NVLink. V100 de Volta introdujo Tensor Cores para operaciones matriciales densas. A100 de Ampere amplió precisión mixta y particionado. H100 de Hopper se orientó a entrenamiento e inferencia de transformadores con Transformer Engine e interconexiones más rápidas.

Cada generación elevó el rendimiento teórico, pero el rendimiento útil de un clúster dependía del sistema entero: procesadores host compatibles, almacenamiento, adaptadores de red, switches, suministro eléctrico, refrigeración, firmware, planificadores, contenedores y monitorización. Un acelerador podía liderar un benchmark y un clúster mal equilibrado dejar procesadores caros esperando datos.

Esta realidad llevó a Nvidia hacia la ingeniería de sistemas. Primero presentó diseños de referencia y trabajó estrechamente con fabricantes de servidores. Después empezó a enviar equipos integrados. Los clientes compraban tiempo hasta obtener resultados, y Nvidia controló cada vez más los componentes que determinaban si se podía sostener el cálculo anunciado.

AlexNet convirtió el aprendizaje profundo en una dirección comercial

AlexNet mostró que las redes neuronales entrenadas con GPU podían superar a los métodos establecidos de visión artificial a una escala significativa. En la competición ImageNet de 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton entrenaron la red durante aproximadamente cinco o seis días con dos GPU GeForce GTX 580 de 3 GB. Su tasa de error fue mucho menor que la de los sistemas competidores y atrajo atención hacia las redes convolucionales profundas y el hardware usado para entrenarlas.

Las redes neuronales encajan con las GPU porque el entrenamiento repite multiplicaciones de matrices, convoluciones, funciones de activación y reducciones sobre grandes matrices. Esas operaciones contienen trabajo paralelo suficiente para ocupar muchas unidades de ejecución. Las GPU también ofrecían ancho de banda de memoria para alimentar los cálculos, aunque el tamaño de los modelos y la comunicación pronto crearon nuevos límites.

El avance fue una demostración, no una pila comercial completa. Los investigadores todavía necesitaban primitivas fiables, integración con frameworks, comunicación entre varias GPU y métodos de precisión reducida. Nvidia respondió con cambios de software y arquitectura orientados a redes neuronales.

La biblioteca cuDNN, lanzada por primera vez en 2014, aportó implementaciones optimizadas de operaciones de aprendizaje profundo. Los mantenedores de frameworks podían integrarla una vez y permitir que muchos usuarios recibieran aceleración GPU sin escribir kernels personalizados. Caffe, Theano, Torch, TensorFlow y PyTorch alejaron la abstracción de las instrucciones individuales del dispositivo.

La precisión reducida cambió la economía del entrenamiento. Muchas operaciones de redes neuronales no necesitan coma flotante de 64 bits. Hardware que procesa formatos de 32, 16, 8 bits y menores puede elevar el rendimiento y reducir el uso de memoria si el software administra correctamente la precisión numérica. Los Tensor Cores de Volta, presentados en 2017, aceleraron operaciones matriciales adecuadas para este patrón. Las arquitecturas posteriores añadieron formatos y controles para transformadores e inferencia.

Nvidia reunió estas piezas en DGX-1 en 2016. El sistema de 3U combinaba ocho aceleradores Tesla P100, conexiones NVLink, almacenamiento, red y un entorno de software preparado. Un laboratorio podía comprar una máquina integrada en vez de montar componentes compatibles y resolver por sí mismo la configuración de software.

El modelo pasó de vender un procesador a vender un ordenador de IA. HGX suministró placas base y plataformas de referencia para fabricantes de sistemas. DGX creció hacia sistemas mayores y diseños SuperPOD. Los proveedores de nube ofrecieron instancias basadas en las mismas generaciones de aceleradores, y las empresas podían desplegar software relacionado en sus propios servidores.

Los modelos transformadores aumentaron el valor de la escala. Entrenar modelos de lenguaje más grandes exigió más cálculo, más memoria de acelerador y comunicación colectiva más rápida. Servir esos modelos añadió otra medida económica: coste y latencia al generar tokens. Nvidia pudo abordar ambas fases porque su pila incluía bibliotecas de entrenamiento, herramientas de comunicación, optimización de inferencia y componentes para servir modelos.

La IA generativa amplificó trabajo iniciado años antes de AlexNet. El resultado de 2012 identificó una aplicación de gran crecimiento para procesadores paralelos. La inversión previa en CUDA hizo de Nvidia la plataforma práctica disponible cuando llegó esa aplicación.

El ecosistema de software se convirtió en la ventaja competitiva

El ecosistema de software de Nvidia reduce el trabajo necesario para convertir hardware acelerador en una aplicación funcional. Su valor procede de varias capas que resuelven problemas distintos, no de una sola interfaz propietaria.

CUDA aporta la base de programación y el entorno de ejecución. Las bibliotecas CUDA-X ofrecen funciones optimizadas para matemáticas, procesamiento de datos, comunicaciones, imagen y aprendizaje automático. NCCL coordina operaciones colectivas entre GPU, necesarias cuando un modelo se distribuye entre muchos dispositivos. TensorRT optimiza modelos entrenados para inferencia y Triton Inference Server gestiona el servicio de modelos entre frameworks y configuraciones de hardware compatibles.

Las capas superiores cubren flujos completos. RAPIDS acelera la preparación de datos y la analítica. NeMo ofrece herramientas para desarrollar y adaptar modelos generativos. NIM empaqueta modelos seleccionados y componentes de inferencia como microservicios desplegables. Nvidia AI Enterprise ofrece software con soporte para organizaciones que desean procesos definidos de lanzamiento y mantenimiento.

La ventaja práctica se acumula. Un framework puede usar kernels optimizados sin convertir a cada usuario en especialista en GPU. Una biblioteca puede adoptar instrucciones de una nueva arquitectura mientras mantiene familiar la interfaz de aplicación. Una empresa puede validar una combinación compatible de controladores, contenedores, orquestación y servidores, en vez de probar cada componente de forma independiente.

La compatibilidad nunca es automática. Las precisiones nuevas pueden afectar a la exactitud de un modelo. Cambios de compilador pueden revelar supuestos de código antiguo. Las versiones de controladores, firmware, contenedores y frameworks deben coordinarse. Nvidia invierte mucho en esta integración porque una operación predecible protege el valor del hardware.

El ecosistema se extiende mediante socios. Los fabricantes de servidores construyen sistemas alrededor de HGX y MGX. Los proveedores de nube operan instancias GPU y servicios gestionados. Los proveedores de software certifican aplicaciones. Consultoras e integradores despliegan clústeres. Las universidades forman desarrolladores y las startups reciben apoyo técnico a través de programas de Nvidia.

Las plataformas verticales reutilizan los mismos componentes subyacentes y añaden herramientas de dominio:

• DRIVE combina computación para automoción, simulación, software de percepción y herramientas de desarrollo.
• Isaac aborda desarrollo robótico, datos sintéticos, percepción y control.
• Clara agrupa flujos de salud y ciencias de la vida, como imagen y genómica.
• Omniverse conecta simulación y flujos colaborativos 3D en torno a OpenUSD.
• Jetson reúne hardware acelerador y software para robots, cámaras y otros sistemas edge.

Estas ofertas no garantizan adopción en todos los sectores. Los programas de automoción tienen ciclos largos de validación. Los despliegues sanitarios afrontan límites clínicos y regulatorios. Las simulaciones industriales requieren modelos precisos e integración con datos operativos existentes. Nvidia aporta una base de computación común, pero clientes y socios siguen realizando mucho trabajo específico de cada dominio.

La ventaja también puede debilitarse. Los frameworks abiertos aíslan cada vez más las aplicaciones del código específico de un proveedor. Los proyectos de compiladores pueden apuntar a varios tipos de acelerador. El entorno ROCm de AMD ha madurado y las empresas de nube controlan servicios propios sobre chips personalizados. Los grandes compradores pueden aceptar costes de migración para ganar diversidad de suministro o reducir gastos operativos.

La defensa de Nvidia debe ser utilidad continua, no incompatibilidad por sí misma. La empresa tiene que mantener rápidas sus bibliotecas, dar soporte a los frameworks más usados, hacer productivo el hardware nuevo con rapidez y aportar suficiente valor operativo para que los compradores prefieran la plataforma integrada pese a su precio y al riesgo de concentración.

Las apuestas estratégicas llevaron a Nvidia más allá de la GPU

Nvidia se expandió más allá de los procesadores gráficos cuando una tecnología adyacente limitaba el rendimiento del sistema o abría otro mercado de computación. Algunas apuestas se convirtieron en negocios centrales; otras consumieron años de trabajo sin dar el resultado esperado.

Tegra fue un intento temprano de colocar procesadores Nvidia en teléfonos, tabletas, coches y dispositivos integrados. El mercado de teléfonos favorecía a proveedores de sistemas en chip integrados con posiciones fuertes en módems, un ámbito donde Nvidia no tenía una ventaja duradera. Tegra encontró papeles más adecuados en sistemas de automoción, la familia Shield, placas de desarrollo integradas y la consola Switch de Nintendo.

La lección fue que el rendimiento del procesador por sí solo no supera la economía de plataforma. La energía, la integración de radio, la compatibilidad de aplicaciones, los acuerdos de suministro y las hojas de ruta de clientes pueden importar más que la capacidad gráfica. Nvidia redujo sus ambiciones móviles y aplicó la tecnología a mercados donde el cálculo paralelo y los gráficos pesaban más.

También creó o adquirió tecnologías de interconexión. NVLink, anunciado en 2014 e introducido con sistemas Pascal, ofreció comunicación directa más rápida entre GPU y conexiones CPU-GPU más estrechas en determinados diseños. NVSwitch permitió que más aceleradores se comunicaran mediante una estructura de conmutación de gran ancho de banda dentro de un servidor o rack.

La compra de Mellanox por 6.900 millones de dólares, anunciada en 2019 y completada en 2020, extendió ese control por la red del centro de datos. Mellanox aportó InfiniBand, Ethernet de alta velocidad, adaptadores de red, switches y experiencia profunda en acceso directo remoto a memoria. Estos activos ganaron valor a medida que los clústeres de IA pasaban de unos pocos aceleradores a miles.

El entrenamiento distribuido puede detenerse cuando los procesadores esperan gradientes, parámetros o activaciones. Una red de baja latencia y operaciones colectivas eficientes elevan el porcentaje de tiempo que las GPU calculan. Mellanox afectaba así a la economía de cada acelerador de un clúster, no era una simple función periférica.

Las unidades de procesamiento de datos BlueField trasladaron tareas de red, almacenamiento, seguridad e infraestructura fuera de las CPU host. Spectrum-X aplicó productos Ethernet y software al tráfico de clústeres de IA, mientras los sistemas Quantum continuaron la línea InfiniBand. Nvidia podía diseñar el tejido de cálculo desde los enlaces dentro de un rack hasta las conexiones entre muchos racks.

La adquisición intentada de Arm siguió un camino diferente. Nvidia anunció la propuesta de 40.000 millones de dólares en 2020 para combinar su computación acelerada con el conjunto de instrucciones de CPU y la propiedad intelectual de Arm, ampliamente licenciados. Clientes y reguladores temían que la propiedad por un proveedor de chips comprometiera la posición neutral de Arm. Nvidia canceló la operación en 2022 tras la oposición regulatoria.

El fracaso no acabó con los planes de CPU de Nvidia. Grace, una CPU para centros de datos basada en Arm y diseñada por Nvidia, llegó a sistemas combinados con GPU Hopper y Blackwell. Construir una CPU permitió ajustar memoria, coherencia, consumo y comunicación entre chips para cargas centradas en aceleradores sin poseer el ecosistema Arm.

Nvidia también ha adquirido empresas de software, almacenamiento, gestión de clústeres y desarrollo de IA. Las operaciones más significativas comparten un propósito: reducir fricción o tiempo inactivo alrededor de computación cara. Ese criterio distingue una expansión coherente de plataforma de la diversificación sin rumbo.

Blackwell y Rubin convirtieron el rack en el producto

Blackwell y Rubin marcan el paso de Nvidia desde vender aceleradores dentro de servidores hasta diseñar el rack de centro de datos como una unidad de computación. El cambio responde a tamaños de modelos y cargas de inferencia que superan los límites de memoria, comunicación y energía de un chip individual.

Nvidia anunció la plataforma Blackwell en 2024. Una GPU Blackwell combina dos grandes matrices de silicio mediante una conexión de alta velocidad, de modo que operan como un dispositivo lógico. El Superchip GB200 Grace Blackwell empareja dos GPU Blackwell con una CPU Grace mediante NVLink-C2C.

El GB200 NVL72 extiende el diseño a un rack refrigerado por líquido con 72 GPU Blackwell y 36 CPU Grace conectadas mediante NVLink de quinta generación. Las unidades de procesamiento de datos BlueField y redes externas InfiniBand o Spectrum-X Ethernet unen el rack con almacenamiento y otros sistemas. El límite del producto incluye ahora refrigeración, cableado, conmutación, firmware y orquestación, además de procesadores.

Blackwell Ultra, incluidos los sistemas GB300, aumentó la memoria y se orientó a razonamiento e inferencia con contextos largos o grandes cantidades de estado de modelo. Los resultados fiscales de 2026 de Nvidia mostraron el impacto comercial: el crecimiento procedía tanto de la computación Blackwell como de los productos NVLink, Ethernet e InfiniBand necesarios para operarla a escala.

La plataforma Rubin entró en producción en 2026, con sistemas de socios previstos para la segunda mitad del año. Combina la CPU Vera, la GPU Rubin, el switch NVLink 6, el adaptador de red ConnectX-9, el procesador de datos BlueField-4 y el switch Ethernet Spectrum-6. Nvidia diseñó estas piezas conjuntamente para grandes modelos mixture-of-experts, inferencia de contexto largo y agentes de IA que repiten pasos de razonamiento y uso de herramientas.

Este ritmo anual de plataformas cambia el problema del comprador. Un operador de nube ya no compara solo el rendimiento máximo de una GPU aislada. Debe comparar tokens por unidad de energía, latencia de aplicación, memoria efectiva, uso de red, preparación del software, requisitos de refrigeración, tiempo de instalación e ingresos que puede generar un rack.

La integración a escala de rack crea ventajas y obligaciones. Nvidia puede ajustar toda la ruta de comunicación y vender más contenido por instalación. Los clientes reciben un diseño validado con menos decisiones de integración. A la vez, la empresa debe coordinar una cadena de suministro mucho mayor, gestionar fallos a nivel de sistema, dar soporte a refrigeración líquida y ofrecer software suficientemente maduro para que los compradores usen una arquitectura nueva con rapidez.

El enfoque también cambia los márgenes brutos. Vender un sistema completo incluye más componentes físicos de menor margen que vender un acelerador independiente, aunque el beneficio total por instalación sea alto. Defectos de fabricación, cambios de diseño de última hora o falta de memoria y capacidad de empaquetado pueden afectar a una lista de materiales mucho mayor.

La energía se ha convertido en un límite estricto. Un centro de datos puede obtener chips antes que capacidad eléctrica, subestaciones, generadores, equipos de refrigeración o permisos de construcción. Las mejoras futuras de Nvidia dependen del trabajo útil por vatio y por rack, no solo de operaciones aritméticas impresas en una especificación.

La competencia pone a prueba cada capa de la plataforma

Nvidia se enfrenta a aceleradores comerciales, chips diseñados por nubes, pilas de software alternativas y clientes que buscan poder de negociación. La amenaza cambia según la carga, por lo que ningún benchmark resuelve la competencia por sí solo.

AMD es el competidor directo más cercano tanto en gráficos para juegos como en GPU de centros de datos. Sus aceleradores Instinct y el software ROCm apuntan a entrenamiento, inferencia y computación de alto rendimiento. La generación MI300 logró despliegues relevantes, seguida por productos MI350 y la familia MI400 con el diseño de rack Helios en 2026. AMD compite con capacidad de memoria, estándares abiertos, integración de procesadores y el deseo de los clientes de contar con un segundo proveedor.

Intel conserva una gran base de CPU para servidores y ha perseguido GPU discretas y aceleradores Gaudi. Su estrategia de aceleradores ha cambiado varias veces, lo que ilustra lo difícil que es mantener a la vez el ritmo de silicio, la adopción de software y la disponibilidad de sistemas. Una alternativa creíble necesita soporte de frameworks y operación a escala de clúster, no un chip llamativo aislado.

Los proveedores de nube atacan otra parte de la posición de Nvidia. Las TPU de Google alimentan servicios internos y están disponibles en Google Cloud. Ironwood se dirige a entrenamiento, razonamiento e inferencia a gran escala. AWS ofrece Trainium para desarrollo de modelos e Inferentia para servirlos, incluidos sistemas Trainium3. Otras grandes tecnológicas diseñan aceleradores o silicio de red para sus propias cargas.

Los chips personalizados pueden ganar cuando un comprador controla los modelos, el compilador, los centros de datos y la utilización. Puede eliminar funciones que no necesita y optimizar para software predecible. Las GPU comerciales conservan ventaja cuando los clientes necesitan compatibilidad amplia con frameworks, muchos tipos de modelos, despliegue rápido y acceso en varias nubes.

Empresas especializadas persiguen procesadores a escala de oblea, arquitecturas de flujo de datos, chips de inferencia, interconexiones ópticas y otros enfoques. Cerebras, Groq y numerosas startups se concentran en problemas concretos de rendimiento o latencia. Su reto consiste en convertir una ventaja técnica en sistemas disponibles, software fiable y capacidad de producción suficiente para grandes clientes.

La abstracción también compite. PyTorch, JAX, compiladores portables, servicios en contenedores y motores de inferencia pueden reducir la cantidad de trabajo específico de un proveedor visible para quienes desarrollan aplicaciones. Si los equipos pueden mover un modelo con pocos cambios, los departamentos de compras ganan margen de negociación aunque los kernels sigan muy optimizados para cada dispositivo.

Los compradores deberían comparar sistemas con su propia carga, no basarse en aritmética máxima. Una evaluación útil incluye exactitud del modelo con la precisión elegida, tamaño de lote, comportamiento de prefill y decode, límites de memoria, escalado de interconexión, energía, disponibilidad, soporte y esfuerzo de ingeniería. Un acelerador barato puede resultar caro si permanece inactivo o exige meses de migración. Una plataforma premium también puede ser antieconómica si un dispositivo más sencillo cumple el objetivo de latencia y rendimiento.

La posición de Nvidia es más fuerte cuando los clientes valoran un entorno ampliamente compatible desde el desarrollo local y el entrenamiento en la nube hasta grandes clústeres y la inferencia en producción. Su vulnerabilidad crece cuando un comprador tiene escala y control de software suficientes para optimizar una alternativa más limitada.

Los controles de exportación y la concentración de suministro se volvieron riesgos operativos

La política gubernamental y la fabricación concentrada influyen ahora en el diseño de productos de Nvidia, su inventario, el acceso de clientes y sus márgenes. Los aceleradores avanzados se tratan como tecnología estratégica porque pueden respaldar IA comercial, investigación científica, análisis de inteligencia y aplicaciones militares.

Las restricciones de exportación de Estados Unidos introducidas en 2022 afectaron a los productos A100 y H100 vendidos a China y otros destinos restringidos. Las normas se ampliaron en 2023 para cubrir más productos y medidas de rendimiento. Nvidia desarrolló variantes compatibles, incluido H20, pero la política siguió cambiando.

En abril de 2025 Estados Unidos exigió licencias para envíos de H20 a China y ciertos mercados relacionados. Nvidia registró un cargo de 4.500 millones de dólares por inventario excedente y obligaciones de compra durante el ejercicio fiscal 2026. Más tarde, licencias limitadas permitieron algunos envíos de H20 y una política de 2026 permitió revisar caso por caso solicitudes de H200 bajo condiciones concretas. Nvidia seguía informando al final del ejercicio fiscal 2026 que, en la práctica, no podía competir en el mercado chino de computación para centros de datos.

El episodio muestra un riesgo propio de los semiconductores. Una empresa se compromete con obleas, memoria, empaquetado y sistemas meses antes de la entrega final. Una norma impuesta después puede convertir un producto diseñado para una región en inventario difícil de redirigir. Un rediseño compatible también puede ser comercialmente débil si los competidores locales tienen menos restricciones o si llega otra norma antes de que la producción escale.

Las cuestiones antimonopolio surgen de la posición de Nvidia y su estrategia de pila completa. Los reguladores pueden examinar adquisiciones, prácticas de suministro, empaquetado de productos, relaciones con nubes y acceso a software o hardware. La operación abandonada de Arm mostró que el control de infraestructura neutral recibe un escrutinio distinto de la expansión ordinaria de productos.

La concentración de fabricación crea otra exposición. Nvidia sigue siendo fabless y depende mucho de TSMC para obleas avanzadas. También necesita memoria de alto ancho de banda, empaquetado avanzado, sustratos, componentes de red, sistemas de energía y fabricantes capaces de ensamblar racks complejos. La capacidad de un componente no compensa la escasez de otro.

Taiwán es esencial para la fabricación de semiconductores de vanguardia y el ensamblaje de sistemas, mientras Corea del Sur es importante para el suministro de memoria. Terremotos, cortes eléctricos, problemas de transporte, restricciones comerciales o conflictos podrían interrumpir la producción. La diversificación geográfica tarda años porque las instalaciones avanzadas, los procesos cualificados y las redes de proveedores no se duplican trasladando un pedido a una fábrica convencional.

Los centros de datos de IA añaden límites locales. Los grandes despliegues requieren generación y transmisión eléctrica, agua de refrigeración u otros sistemas de evacuación de calor, terrenos, permisos y operadores cualificados. Las normas nacionales y regionales sobre energía, localización de datos, privacidad e inversión extranjera pueden decidir dónde se instalan los sistemas, incluso cuando hay aceleradores disponibles.

Nvidia debe gestionar conjuntamente ingeniería, política e infraestructura física. Su escala mejora el poder de compra y la coordinación de proveedores, pero el valor concentrado en cada generación hace más caros los errores y los golpes externos.

El liderazgo de Jensen Huang dio forma al modelo operativo de Nvidia

La larga permanencia de Jensen Huang dio a Nvidia una continuidad poco habitual a través de gráficos, computación móvil, aceleración científica e IA. Ha sido director ejecutivo desde la fundación de la empresa, lo que permitió mantener inversiones técnicas durante periodos en que los mercados públicos las valoraban poco.

Huang combina comunicación de producto con implicación técnica detallada. Sus presentaciones públicas traducen arquitecturas a cargas de trabajo y economía de sistemas, mientras que las revisiones internas son conocidas por comentarios directos e intercambio amplio de información. La chaqueta de cuero se volvió una seña reconocible, pero el rasgo más relevante es su insistencia en entender cómo se afectan entre sí hardware, software, redes y mercados.

Nvidia opera con una estructura relativamente plana para su tamaño. La información puede llegar a la dirección mediante mensajes breves de estado y grandes grupos de revisión, en vez de una larga cadena de reuniones privadas. Esto puede sacar a la luz problemas con rapidez y permitir que especialistas cuestionen supuestos entre áreas.

El modelo también genera presión. La crítica directa, las expectativas elevadas, los ciclos frecuentes de producto y la visibilidad sobre trabajo sin terminar son exigentes para los empleados. Las prácticas que ayudaron a una empresa de ingeniería pequeña a moverse rápido requieren disciplina a medida que crecen la plantilla, las obligaciones regulatorias y los compromisos con clientes.

Varios principios culturales se repiten en las grandes decisiones de Nvidia:

• La honestidad intelectual importa cuando falla una arquitectura o un supuesto de mercado.
• Los planes de producto combinan largos ciclos de semiconductores con iteración rápida de software.
• Los desarrolladores se tratan como usuarios principales cuya adopción debe ganarse.
• Las apuestas técnicas pueden continuar durante años si el razonamiento de fondo sigue siendo sólido.
• El rendimiento del sistema importa más que optimizar un componente aislado.

CUDA es el ejemplo más claro de inversión paciente, mientras que el giro de NV1 muestra la habilidad opuesta: abandonar una ruta cuando la evidencia la invalida. La perseverancia y la flexibilidad solo son compatibles cuando los líderes distinguen un plan difícil de una premisa falsa.

El control de un fundador puede aportar coherencia, pero también concentra el juicio. El futuro de Nvidia depende de la planificación de sucesión, de líderes capaces de cuestionar a Huang y de procesos que funcionen sin su participación en cada decisión importante. La escala introduce responsabilidades que la urgencia de una startup no resuelve por sí sola, como cumplimiento normativo, seguridad, gestión laboral y entregas fiables a gobiernos y empresas globales.

La cultura de la empresa también se ha ampliado más allá de la ingeniería gráfica. Investigadores, equipos de compiladores, especialistas en redes, arquitectos de sistemas, operadores de nube, grupos de automoción y equipos de software industrial deben coordinarse en la misma plataforma. El reto organizativo consiste en mantener el debate técnico ágil mientras opera infraestructura cuyo fallo puede afectar a clientes mucho más allá del mercado de juegos para PC.

La transformación financiera siguió a la transformación del producto

Los resultados financieros de Nvidia cambiaron cuando los sistemas para centros de datos se convirtieron en su principal fuente de ingresos y transformaron a un proveedor cíclico de gráficos en una de las mayores empresas de infraestructura informática del mundo. La progresión fue gradual durante años y se aceleró con la demanda de IA generativa.

Tras la OPV de 1999, los ingresos dependían mucho de los gráficos para PC, los ciclos de juegos, la demanda de estaciones de trabajo y las relaciones con fabricantes de tarjetas y OEM. El negocio gaming seguía siendo rentable, pero las correcciones de inventario podían ser duras. Las nuevas generaciones gráficas exigían gran inversión en investigación antes de que la demanda fuera segura.

Varios descensos revelaron esa ciclicidad. La crisis financiera de 2008 redujo el gasto tecnológico. La minería de criptomonedas impulsó una demanda excepcional de tarjetas gráficas y después contribuyó a una corrección de inventario en 2018. La demanda de la pandemia y las alteraciones de suministro fueron seguidas por otro ajuste de videojuegos en 2022. Nvidia también registró cargos relacionados con productos cuando fallaron supuestos técnicos o de mercado.

Las ventas de centros de datos cambiaron tanto la escala como la concentración de clientes. Los ingresos del ejercicio fiscal 2024 alcanzaron 60.900 millones de dólares, incluidos 47.500 millones de Data Center. En el ejercicio 2025 subieron a 130.500 millones, con 115.200 millones de Data Center. En el ejercicio 2026 llegaron a 215.900 millones, incluidos 193.700 millones de Data Center.

Las cifras de 2026 muestran hasta qué punto cambió la mezcla. Data Center representó casi el 90% de los ingresos anuales, mientras los videojuegos siguieron siendo un negocio grande, aunque mucho menor. En el trimestre terminado el 26 de abril de 2026, los ingresos totales fueron 81.600 millones de dólares y los de Data Center, 75.200 millones, mientras despegaban los sistemas Blackwell 300 y los productos de red.

La rentabilidad refleja tanto aceleradores escasos y valiosos como el coste de suministrar sistemas completos. Nvidia informó de un margen bruto GAAP del 71,1% en el ejercicio fiscal 2026, frente al 75,0% de 2025. La reducción reflejó el paso de productos Hopper HGX a soluciones completas Blackwell para centros de datos y el cargo de inventario H20. Los ingresos altos no eliminan el riesgo de mezcla de productos ni el riesgo político.

La base de clientes añade otra tensión. Proveedores de nube, laboratorios de IA, fabricantes de servidores y otros clientes directos grandes pueden concentrar compras sustanciales. Sus planes de inversión pueden cambiar rápido, y algunos desarrollan chips internos mientras compran sistemas Nvidia. La demanda agregada puede seguir fuerte aunque un producto o cliente concreto genere volatilidad.

La acción de Nvidia reflejó expectativas cambiantes. La capitalización de la empresa superó el billón de dólares en 2023, cuando los inversores valoraron la escala de la demanda de infraestructura de IA, y cruzó nuevos hitos de billones durante 2024. Un desdoblamiento de acciones de 10 por 1 entró en vigor en junio de 2024, después de uno de 4 por 1 en 2021 y varios anteriores. Los desdoblamientos cambiaron el número de acciones y el precio por acción, no el valor del negocio.

Un análisis financiero sólido separa la demanda de la economía duradera. Los compradores pueden seguir construyendo capacidad de IA y pasar hacia chips de inferencia más baratos. Nvidia puede aumentar ingresos mientras baja el margen bruto porque los sistemas incluyen más contenido de terceros. Las transiciones arquitectónicas rápidas pueden generar cargos de inventario. Las limitaciones de electricidad y construcción pueden retrasar despliegues aunque los clientes deseen más computación.

La tesis a largo plazo se apoya en que la computación acelerada sustituya más trabajo generalista, la inferencia de IA se convierta en carga recurrente de producción y Nvidia conserve una gran parte del valor de sistemas y software. La tesis contraria se apoya en concentración de clientes, silicio personalizado, aceleradores alternativos, controles de exportación, límites de suministro y gasto que puede adelantarse a aplicaciones de IA rentables. Ambas deben evaluarse con flujos de caja y economía de despliegue, no con una etiqueta simple como empresa de chips o plataforma de software.

Lo que el pasado de Nvidia dice sobre su próxima etapa

La próxima etapa de Nvidia depende de hacer económicos los sistemas de IA más grandes, no solo de acelerar cada procesador. El entrenamiento sigue siendo exigente, pero la inferencia de producción, los modelos de razonamiento y los agentes de software pueden consumir computación continuamente. Las medidas importantes para los clientes se desplazan hacia latencia, tokens por vatio, tokens por dólar, disponibilidad e ingresos por unidad de energía instalada.

Rubin muestra cómo Nvidia planea responder: lanzamientos anuales de plataforma, integración más estrecha entre procesadores y red, sistemas de memoria mayores y software ajustado a estructuras cambiantes de modelos. Una cadencia más rápida puede mantener a los clientes en la plataforma, pero también puede acortar la vida económica de equipos caros y aumentar la presión sobre proveedores y equipos de ingeniería.

La IA física es otra gran apuesta. DRIVE, Isaac, Jetson, Omniverse y las herramientas de simulación conectan el entrenamiento de modelos con máquinas que perciben y actúan en el mundo físico. Robots y vehículos necesitan inferencia local de baja latencia, mientras los sistemas de nube pueden realizar entrenamiento, análisis de flotas y simulación. El progreso depende de seguridad, fiabilidad, datos de sensores y economía real de despliegue tanto como del rendimiento del acelerador.

Los gemelos digitales extienden el mismo enfoque a fábricas, almacenes, sistemas eléctricos y otros entornos diseñados. La simulación puede reducir el coste de probar distribuciones o comportamiento de robots antes de realizar cambios físicos. Su valor depende de modelos precisos y datos operativos mantenidos, por lo que la integración de software sigue siendo tan exigente como el renderizado.

Para quienes crean aplicaciones, esta historia explica por qué la infraestructura de IA puede parecer lejana aunque dé forma al trabajo diario. Una persona fundadora sin perfil técnico puede describir una aplicación web, de servidor o móvil en Koder.ai mientras los modelos de lenguaje y una combinación de agentes realizan trabajo detrás de la interfaz de chat. Esa experiencia abstrae los aceleradores, las redes, el alojamiento y el software de modelos que hay debajo. La oportunidad comercial de Nvidia crece cuando más productos consumen IA sin exigir a sus usuarios gestionar kernels de GPU o clústeres.

Quienes construyen productos pueden extraer varias lecciones prácticas. Elijan una aplicación urgente que pueda financiar una plataforma más amplia. Inviertan en la experiencia de desarrollador antes de que los competidores la traten como prioridad. Mantengan la compatibilidad cuando los usuarios comprometen código y formación al producto. Expándanse a componentes adyacentes solo si eliminan un cuello de botella medido. Abandonen una premisa técnica cuando los estándares o la evidencia demuestren que es errónea.

Los responsables de políticas públicas se enfrentan a otras decisiones. El suministro de aceleradores, el empaquetado avanzado, la memoria, la energía, el acceso a la nube y las capacidades de software afectan ahora a la capacidad informática nacional. Los controles de exportación pueden restringir a adversarios, pero también generar pérdidas de inventario, reducir el acceso de proveedores a desarrolladores extranjeros y fomentar alternativas nacionales en mercados restringidos. La política de competencia debe distinguir la integración que mejora el rendimiento del sistema de las prácticas que impiden a los clientes elegir sustitutos viables.

La historia de Nvidia es, en última instancia, una secuencia de compromisos que se refuerzan mutuamente. Los gráficos financiaron hardware paralelo. Los shaders programables revelaron una oportunidad de computación general. CUDA acumuló software y desarrolladores. AlexNet aportó una carga de IA definitoria. DGX, Mellanox, Grace, Blackwell y Rubin expandieron el límite del producto hasta que el rack se convirtió en el ordenador.

Esa secuencia creó la ventaja de Nvidia, pero no la hace permanente. La empresa debe seguir resolviendo la siguiente restricción operativa mientras los competidores atacan el precio, la apertura, la diversidad de suministro y el rendimiento especializado. Su éxito anterior vino de reconocer cuándo había cambiado el modelo de computación. Su futuro depende de volver a hacerlo antes de que el modelo actual se convierta en un supuesto que no quiera cuestionar.