Nvidia y sus gráficas enfocadas en Inteligencia Artificial, ¿el futuro es hoy?
Jensen Huang, el director ejecutivo de la empresa, sostiene que sus chips de IA avanzan más rápido que la Ley de Moore
NVIDIA y sus nuevas noticias Fuentes: XLa inercia brutal de Nvidia trasciende su facturación y la potencia de sus chips: también se aplica a su expansión exponencial. El desempeño de sus procesadores se ha incrementado en mil en diez años, contradiciendo de esta manera la proyección que orientaba el progreso tecnológico desde 1965.
¿POR QUÉ RESULTA RELEVANTE?
Noticia Relacionada
La Ley de Moore, que anticipaba la duplicación del poder computacional cada dos años, resulta ser muy limitada ante el ritmo de avance de la Inteligencia Artificial, especialmente la de Nvidia.
Durante este CES 2025, Jensen Huang afirmó que sus chips más recientes pueden ser hasta cuarenta veces más veloces en tareas de inteligencia artificial que la generación previa, un avance que pone de manifiesto la Ley de Moore. "Nuestros sistemas avanzan mucho más velozmente", afirmó ante TechCrunch.
LOS DATOS
- El superchip GB200 NVL72 es entre treinta y cuarenta veces más veloz que su predecesor, el H100.
- Nvidia ha reducido el coste de computación en un millón de veces en veinte años.
- Una tarjeta gráfica básica de hoy día es 2.359 veces más potente que su equivalente de 2005.
- Un modelo avanzado como O3 de OpenAI cuesta 20 dólares por tarea (a OpenAI, porque la suscripción de 200 dólares es una tarifa plana).
LA EMPRESA MÁS VALIOSA DEL MUNDO
La supremacía total de Nvidia en chips para Inteligencia Artificial —que le ha otorgado la posición de ser la compañía más valiosa del mundo, un trono que se va alternando con Apple— justifica el optimismo de Huang. La cuestión es si será capaz de sostener este ritmo de innovación y democratizar la IA.
Huang propone tres nuevas leyes de escalado que sustituyen a Moore:
- Preentrenamiento: fase inicial donde los modelos aprenden patrones.
- Postentrenamiento: ajuste fino mediante feedback humano.
- Computación en tiempo de prueba: clave para el razonamiento de los modelos, aunque dispara los costes.
