\n<\/p>\n
A medida que estalla una lucha total por el dominio de la IA en la industria tecnol\u00f3gica, Wall Street ha hecho una apuesta anticipada sobre qui\u00e9nes ser\u00e1n los mayores ganadores: las empresas que fabrican las armas que utilizar\u00e1n todos los combatientes.<\/p>\n
Eso significa espec\u00edficamente, los chips avanzados necesarios para los sistemas de “IA generativa” como el chatbot ChatGPT y los sistemas de generaci\u00f3n de im\u00e1genes como Dall-E.<\/p>\n
Y los inversores no apuestan por cualquier fabricante. Las acciones de Nvidia, cuyas unidades de procesamiento gr\u00e1fico, o GPU, dominan el mercado para entrenar grandes modelos de IA, han subido un 55 por ciento este a\u00f1o. Tambi\u00e9n se han duplicado desde octubre, cuando Nvidia estaba bajo una nube debido a una combinaci\u00f3n del colapso de las criptomonedas (sus chips fueron ampliamente utilizados por los mineros de criptomonedas), un colapso en las ventas de PC y una transici\u00f3n de productos mal administrada en los chips de los centros de datos.<\/p>\n
Una estrategia de inversi\u00f3n de “picos y palas” tiene sentido cuando todav\u00eda es dif\u00edcil saber c\u00f3mo se desarrollar\u00e1 una nueva tecnolog\u00eda. Las grandes empresas de tecnolog\u00eda se est\u00e1n preparando para utilizar nuevos y costosos sistemas de IA entre s\u00ed sin una se\u00f1al clara a\u00fan de c\u00f3mo obtener una ventaja duradera.<\/p>\n
Lo \u00fanico seguro es que se desplegar\u00e1 una gran cantidad de silicio avanzado y se consumir\u00e1 energ\u00eda. Pero, \u00bfqu\u00e9 tipo de silicio ser\u00e1 y qui\u00e9n estar\u00e1 en mejores condiciones para suministrarlo?<\/p>\n
Parece seguro decir que las GPU tendr\u00e1n una gran demanda, lo que beneficiar\u00e1 a Nvidia y, en menor medida, a AMD (cuyas acciones han subido un 30 por ciento este a\u00f1o). Adem\u00e1s del trabajo de entrenar grandes modelos de IA, es probable que las GPU tambi\u00e9n se usen m\u00e1s ampliamente en la inferencia: el trabajo de comparar datos del mundo real con un modelo entrenado para proporcionar una respuesta \u00fatil.<\/p>\n
Hasta ahora, la inferencia de IA ha sido un mercado pr\u00f3spero para empresas como Intel que fabrican CPU (procesadores que pueden manejar una gama m\u00e1s amplia de tareas pero que son menos eficientes de ejecutar). Pero es probable que los modelos de IA utilizados en los sistemas generativos sean demasiado grandes para las CPU, lo que requiere GPU m\u00e1s potentes para manejar esta tarea, seg\u00fan Karl Freund de Cambrian AI Research.<\/p>\n
Hace cinco a\u00f1os, no estaba nada seguro que Nvidia estar\u00eda en esta posici\u00f3n. Con las demandas computacionales del aprendizaje autom\u00e1tico aumentando exponencialmente, surgi\u00f3 una serie de nuevas empresas para hacer “aceleradores” de IA especializados. Estos llamados ASIC, circuitos integrados espec\u00edficos de la aplicaci\u00f3n, dise\u00f1ados para realizar solo una tarea pero de la manera m\u00e1s eficiente, sugirieron una mejor manera de manejar una operaci\u00f3n intensiva de procesamiento de datos.<\/p>\n
Sin embargo, las predicciones de que las GPU no coincidir\u00edan con este hardware especialmente dise\u00f1ado han resultado incorrectas y Nvidia sigue en la cima. Eso se debe en gran parte a su software Cuda, que se utiliza para ejecutar aplicaciones en las GPU de la empresa, lo que vincula a los desarrolladores con los chips de Nvidia y reduce el incentivo para comprar a AMD.<\/p>\n
Nvidia tambi\u00e9n tiene un nuevo producto que llega al mercado en el momento adecuado, en forma de su nuevo chip H100. Esto ha sido dise\u00f1ado espec\u00edficamente para manejar transformadores, la t\u00e9cnica de IA detr\u00e1s de los grandes avances recientes en modelos de lenguaje y visi\u00f3n. Para los dise\u00f1adores de ASIC, los cambios en la arquitectura subyacente como este son dif\u00edciles de manejar. Redise\u00f1ar cada nueva generaci\u00f3n de chips es costoso y puede ser dif\u00edcil vender lo suficiente como para amortizar los costos de desarrollo.<\/p>\n
Pero la competencia est\u00e1 a punto de volverse m\u00e1s feroz. El \u00e9xito de Microsoft en aprovechar la investigaci\u00f3n de OpenAI para tomar la delantera en la IA generativa se debe en gran medida al hardware especializado que ha construido para ejecutar los modelos de OpenAI. Estos se basan en GPU, pero la industria de los chips ha estado plagada de especulaciones de que el gigante del software ahora est\u00e1 dise\u00f1ando sus propios aceleradores de IA.<\/p>\n
Si lo hace, ciertamente no ser\u00e1 el \u00fanico. Google decidi\u00f3 hace ocho a\u00f1os dise\u00f1ar sus propios chips, conocidos como unidades de procesamiento de tensor, o TPU, para manejar su trabajo de IA m\u00e1s intensivo. Amazon y Meta le han seguido. La idea de los transformadores se origin\u00f3 en Google, lo que sugiere que el gigante de las b\u00fasquedas, al menos, habr\u00e1 optimizado sus \u00faltimos chips para trabajar con los nuevos modelos de IA.<\/p>\n
Otra amenaza inminente podr\u00eda provenir del mismo OpenAI. La empresa de investigaci\u00f3n detr\u00e1s de ChatGPT ha desarrollado su propio software, llamado Triton, para ayudar a los desarrolladores a ejecutar sus redes neuronales en GPU. Eso podr\u00eda reducir la necesidad de Cuda de Nvidia, un paso para convertir sus chips en una mercanc\u00eda y dar a los desarrolladores como OpenAI la oportunidad de implementar sus modelos en cualquier hardware.<\/p>\n
Si el mercado de la IA termina en manos de un peque\u00f1o n\u00famero de empresas tecnol\u00f3gicas gigantes, cada una con un amplio incentivo econ\u00f3mico para dise\u00f1ar sus propios chips especializados, las perspectivas a largo plazo de Nvidia se ver\u00e1n afectadas. Pero ha desafiado a los esc\u00e9pticos antes y, al menos por ahora, est\u00e1 bien posicionado para el \u00faltimo episodio de man\u00eda de IA del mundo tecnol\u00f3gico.<\/p>\n