El negocio arriesgado de Nvidia
El crecimiento explosivo de Nvidia como proveedor dominante de hardware de IA está planteando dudas sobre cuán duradera es realmente su ventaja, especialmente a medida que AMD, los TPU de Google y los ASIC específicos para IA mejoran y más cargas de trabajo se desplazan hacia la inferencia local o especializada. Los comentaristas distinguen entre la demanda a largo plazo de cómputo, que la mayoría espera que persista, y la suposición más frágil de un crecimiento cada vez más acelerado, advirtiendo que el exceso de capacidad, la inversión circular y el fuerte capex de los hiperescaladores podrían desencadenar una corrección dolorosa. Gran parte del debate se centra en si el ecosistema de software CUDA de Nvidia y su flexibilidad siguen siendo un foso infranqueable en un mundo donde los LLM pueden ayudar a portar código y los rivales impulsan sus propias pilas, y en cuán profundamente una gran reevaluación de Nvidia se extendería por los mercados financieros.
Dominio, valoración y riesgo de Nvidia
- Muchos ven a Nvidia como dominante en Occidente y expandiéndose hacia la robótica, las redes y las plataformas de pila completa (Omniverse, DGX/RTX Spark), lo que le da múltiples vías de crecimiento.
- Otros subrayan que incluso una empresa que suministra la mayor parte del hardware de IA puede ver caer su acción si el crecimiento se ralentiza; una sobrevaloración y una cuota de mercado estancada podrían convertirla en algo más parecido a un negocio de “estilo dividendo”.
- Se usan paralelos históricos (Intel, Cisco, los ferrocarriles, la expansión de la fibra) para argumentar que las tesis de primer orden (“la demanda de cómputo crecerá”) pueden ser correctas mientras que las suposiciones de crecimiento de segundo orden fallan, desencadenando correcciones dolorosas.
- Preocupa que el tamaño de Nvidia en los principales fondos indexados implique que una reevaluación brusca podría tener efectos sistémicos en el mercado.
CUDA, competencia y foso de software
- CUDA se considera un gran foso defensivo debido al bloqueo del ecosistema, el rendimiento y las herramientas (por ejemplo, bibliotecas de redes multi-GPU).
- Los desarrolladores se quejan de que CUDA C/C++ es desagradable, pero las alternativas (ROCm, Vulkan, OpenCL, Metal) se ven como peores o menos maduras; CUDA sigue siendo el punto de Schelling.
- Algunos argumentan que los LLM y las capas de traducción podrían debilitar el bloqueo de CUDA al facilitar el portado, mientras que otros señalan que no ha surgido ningún reemplazo serio pese a décadas de intentos.
- Se critica a AMD por invertir poco en software; los TPU y los ASIC se consideran potentes, pero menos flexibles y más difíciles de acceder.
Demanda de cómputo, eficiencia e inferencia local
- Hay debate sobre si las mejoras de eficiencia reducen la demanda de hardware o simplemente desbloquean más uso (la paradoja de Jevons).
- Existe la posibilidad de que los pesos grabados en silicio y los ASIC de cómputo-en-memoria reduzcan drásticamente la energía y el coste para modelos fijos, amenazando a los aceleradores de propósito general.
- Otros responden que los modelos locales están limitados por la capacidad y el ancho de banda de la RAM y por la economía; muchos usuarios no comprarán hardware caro para ahorrarse tarifas modestas de la nube.
- Aun así, a medida que mejoren los PCs SoC y los sistemas de memoria unificada, más inferencia podría pasar a local, lo que con el tiempo podría comprimir la demanda de GPU en la nube.
Adopción de IA, modelos de negocio y Google/TPUs
- Algunos ven la IA como algo todavía temprano: la mayoría de las empresas no la han integrado en profundidad; su uso es diminuto en comparación con el software tradicional, dejando una gran demanda sin explotar.
- Los escépticos cuestionan si existen suficientes casos de uso rentables, prediciendo que muchas startups de IA fracasarían y que los hiperescaladores podrían enfrentarse a una corrección tras sobredimensionar su capacidad.
- Sobre Google: una visión dice que está “cocinado” en la frontera debido a la burocracia y a la pérdida de talento; otra ve una estrategia deliberada, más lenta y diversificada, actuando como un “proveedor de armas” con TPUs.
- Se elogia a los TPUs de Google por su eficiencia y su interconexión, pero se los critica por ser solo en la nube; la falta de un producto para desarrolladores tipo PCIe y de APIs de bajo nivel abiertas se ve como una limitación para un impacto más amplio en el ecosistema.