CEO de Nvidia: apostamos todo a la IA y nadie lo sabía
La afirmación de Nvidia de que “apostó todo” a la IA provoca debate sobre cuánto de su dominio proviene de la previsión estratégica frente al oportunismo afortunado. Los comentaristas señalan décadas de inversión en CUDA y en el software GPGPU, que colocaron a Nvidia en una posición perfecta cuando despegaron el deep learning, la minería de criptomonedas y ahora los grandes modelos de lenguaje, mientras que los rivales invirtieron menos o cometieron errores. Otros sostienen que, aunque Nvidia construyó el ecosistema crucial, no podía haber previsto específicamente el auge actual de la IA y se benefició de ser el jugador mejor preparado cuando llegó la oportunidad.
Suerte vs. estrategia
- Gran división: algunos dicen que Nvidia tuvo “suerte” con las criptomonedas, la demanda de la era de la COVID y luego la IA; otros sostienen que las apuestas estratégicas a largo plazo hicieron que esa suerte fuera aprovechable.
- Punto intermedio común: el éxito requirió tanto preparación (CUDA, GPUs, ecosistema) como una oportunidad favorable; descartarlo como “solo suerte” o “puro genio” se considera ingenuo.
CUDA y el ecosistema de software
- Muchos comentarios destacan CUDA (lanzado en 2007) como el movimiento estratégico central: hacer que las GPUs fueran programables para computación de propósito general (GPGPU) mucho antes de Bitcoin o del auge moderno del deep learning.
- Nvidia invirtió durante años en CUDA, cuDNN, herramientas y conferencias, creando un foso de software y una visión de “supercomputación personal”.
- Esta inversión precedió a las criptomonedas y a los LLM modernos; la IA y las criptomonedas se presentan como “killer apps” posteriores para una plataforma de computación vectorial ya existente.
Competencia: AMD, Intel y otras
- AMD se cita con frecuencia como el contraejemplo: potencial de hardware comparable, pero menor inversión en software (OpenCL, competidores de CUDA), restricciones financieras y errores estratégicos.
- Phi de Intel y otros esfuerzos se describen como carentes de ecosistema y visión; también se mencionan problemas de fabricación y liderazgo.
- Las TPUs de Google y otros aceleradores especializados se ven como más eficientes en teoría, pero limitados por el acceso, las necesidades de flexibilidad y la evolución de la investigación.
Cronología de criptomonedas, videojuegos e IA
- El hilo disputa la idea de que la IA comenzara después de las criptomonedas. El deep learning en GPUs (por ejemplo, la era de ImageNet/AlexNet) ya había desplazado la investigación hacia Nvidia años antes del pico de Ethereum.
- Se dice que Nvidia reconoció el potencial de la IA alrededor de ese período y se reorientó con fuerza hacia el deep learning, pero no que hubiera previsto la explosión exacta de los LLM de hoy.
DLSS, funciones de gaming y drivers
- Debate lateral intenso sobre DLSS y la generación de fotogramas: algunos llaman a los fotogramas interpolados “falsos” y propensos a artefactos; otros reportan buenos resultados, especialmente sin generación de fotogramas.
- Desacuerdo persistente sobre la calidad de los drivers de AMD: algunos dicen que los problemas quedaron atrás hace mucho; otros reportan inestabilidad continua frente a Nvidia.
I+D, apuestas a largo plazo y riesgos futuros
- Varios comentarios destacan la cultura de Nvidia de apuestas de plataforma de alto riesgo y largo horizonte frente a la optimización financiera a corto plazo.
- Algunos especulan que el hardware futuro para redes neuronales podría alejarse del cómputo estilo FMA/tensor core, lo que pondría en riesgo las arquitecturas actuales, aunque los detalles siguen sin estar claros.