Nvidia se empeña en controlar cada chip dentro de los centros de datos de IA

Puntos clave

• El nuevo sistema de chips Vera Rubin de Nvidia afirma procesar diez veces más tareas de IA por vatio que su anterior sistema Grace Blackwell.
• OpenAI ya tiene un rack de Vera Rubin funcionando en sus instalaciones, confirmó Nvidia en una sesión técnica en junio de 2025.
• Nvidia vende la CPU Vera, el procesador principal dentro del nuevo sistema, como producto independiente e informó a clientes chinos que podría enviarse ya en agosto de 2025.
• AMD reveló su competidor rack de chips Helios el domingo, la misma semana que Nvidia realizó su sesión de Vera Rubin, en una clara carrera por contratos multianuales de chips con empresas como Meta, Amazon, Anthropic y OpenAI.

Nvidia construyó su fortuna vendiendo GPUs, los chips especializados que realizan el intensivo trabajo numérico que requiere la IA. Ahora también quiere vender el otro tipo de chip dentro de los centros de datos de IA.

En una sesión para periodistas en su sede de Santa Clara la semana pasada, reportada en detalle primero por Wired AI, ejecutivos de Nvidia presentaron el caso para Vera Rubin, su sistema de chips de próxima generación. La afirmación principal: Vera Rubin procesa diez veces más tokens por vatio que su predecesor. Un token es un pequeño fragmento de texto o datos, y tokens por vatio mide cuánto trabajo de IA puede realizar un sistema con una cantidad dada de electricidad.

Eso importa para las empresas que ejecutan IA a escala. La electricidad es uno de los mayores costos en un centro de datos, y las ganancias de eficiencia se traducen directamente en facturas más bajas.

¿Por qué Nvidia vende CPUs ahora?

Porque la IA se está volviendo más compleja. Las GPUs realizan cálculos rápidamente. Las CPUs, los procesadores de propósito general que han ejecutado computadoras durante décadas, son mejores coordinando tareas y gestionando flujos de datos. Conforme las empresas construyen agentes de IA, software que puede realizar tareas de múltiples pasos por sí solo como reservar una reunión o analizar una hoja de cálculo sin que un humano haga clic en cada paso, necesitan más potencia de CPU junto con sus GPUs.

Vera Rubin empareja una CPU con cada dos GPUs. Un rack completo Vera Rubin NVL72, una pila de chips compactados en una sola unidad enfriada por líquido, contiene 36 CPUs Vera y 72 GPUs Rubin.

Nvidia también afirma que el nuevo sistema es mucho más fácil de instalar que productos anteriores. Describe Vera Rubin como "cálculo sin cables" y dice que el tiempo de configuración puede reducirse de un par de horas por rack a unos pocos minutos. El enfriamiento por líquido, que usa menos energía que soplar aire sobre chips calientes, se ejecuta en todo el sistema.

La empresa evalúa la CPU Vera como más rápida que chips rivales de AMD e Intel. Las pruebas de comparación aparentemente usaron generaciones ligeramente más antiguas de los productos de esos competidores, que es el tipo de letra pequeña que merece atención cuando una empresa califica su propio trabajo. Ian Buck, vicepresidente de computación acelerada de Nvidia, explicó el ritmo de cambio claramente: "Estamos en una hoja de ruta para lanzar nuevas arquitecturas, no solo GPUs sino CPUs".

Los primeros clientes nombrados por Nvidia incluyen Microsoft y Oracle junto con OpenAI. Se espera que Vera Rubin se envíe ampliamente en la segunda mitad de 2025.

Hemos estado siguiendo de cerca las ambiciones de chips de Nvidia. Nuestra historia del 17 de julio sobre exportaciones de H200 a China es un recordatorio útil de que la disponibilidad de hardware y la geopolítica nunca son conversaciones completamente separadas.

Para cualquiera cuyo trabajo tenga que ver con herramientas de IA, el resultado práctico es más simple que las especificaciones de chips. El hardware más rápido y eficiente significa que los servicios de IA que ya usas, desde asistentes de escritura hasta bots de servicio al cliente, se vuelven más baratos de ejecutar. Eso tiende a hacerlos más ampliamente implementados. Si eso es una amenaza o un regalo depende casi enteramente de cómo los uses.

Conclusión: La historia de eficiencia es real, pero observa la letra pequeña de los benchmarks. Si tu organización está evaluando herramientas de IA este año, pregunta a los proveedores en qué generación de hardware funciona su producto. Las mejoras de eficiencia a nivel de chip a menudo aparecen como costos reducidos por uso dentro de 12 a 18 meses.