En 2022, el fabricante de chips estadounidense Nvidia lanz\u00f3 el H100, uno de los procesadores m\u00e1s potentes que jam\u00e1s haya construido, y uno de los m\u00e1s caros, con un costo de alrededor de $ 40,000 cada uno. El lanzamiento parec\u00eda mal momento, justo cuando las empresas buscaban recortar gastos en medio de una inflaci\u00f3n desenfrenada.<\/p>\n
Luego, en noviembre, se lanz\u00f3 ChatGPT. <\/p>\n
\u201cPasamos de un a\u00f1o bastante dif\u00edcil el a\u00f1o pasado a un cambio de la noche a la ma\u00f1ana\u201d, dijo Jensen Huang, director ejecutivo de Nvidia. El exitoso chatbot de OpenAI fue un “momento de alegr\u00eda”, dijo. \u201cCre\u00f3 una demanda instant\u00e1nea\u201d.<\/p>\n
La repentina popularidad de ChatGPT ha desencadenado una carrera armamentista entre las principales empresas tecnol\u00f3gicas del mundo y las nuevas empresas que se apresuran a obtener el H100, que Huang describe como “la primera computadora del mundo”. [chip] dise\u00f1ado para la IA generativa\u201d: sistemas de inteligencia artificial que pueden crear r\u00e1pidamente texto, im\u00e1genes y contenido similares a los humanos.<\/p>\n
El valor de tener el producto correcto en el momento correcto se hizo evidente esta semana. Nvidia anunci\u00f3 el mi\u00e9rcoles que sus ventas para los tres meses que terminaron en julio ser\u00edan de 11.000 millones de d\u00f3lares, m\u00e1s del 50 % por encima de las estimaciones anteriores de Wall Street, impulsadas por una reactivaci\u00f3n del gasto en centros de datos por parte de Big Tech y la demanda de sus chips de IA. <\/p>\n
La respuesta de los inversores al pron\u00f3stico agreg\u00f3 $ 184 mil millones a la capitalizaci\u00f3n de mercado de Nvidia en un solo d\u00eda el jueves, lo que llev\u00f3 a la que ya era la compa\u00f1\u00eda de chips m\u00e1s valiosa del mundo a cerca de una valoraci\u00f3n de $ 1 bill\u00f3n.<\/p>\n
Nvidia es uno de los primeros ganadores del ascenso astron\u00f3mico de la IA generativa, una tecnolog\u00eda que amenaza con remodelar las industrias, producir enormes ganancias de productividad y desplazar millones de puestos de trabajo.<\/p>\n
Ese salto tecnol\u00f3gico se ver\u00e1 acelerado por el H100, que se basa en una nueva arquitectura de chip Nvidia denominada “Hopper”, llamada as\u00ed por la pionera de la programaci\u00f3n estadounidense Grace Hopper, y de repente se ha convertido en el producto m\u00e1s popular en Silicon Valley.<\/p>\n
\u201cTodo esto despeg\u00f3 justo cuando comenzamos la producci\u00f3n en Hopper\u201d, dijo Huang, y agreg\u00f3 que la fabricaci\u00f3n a escala comenz\u00f3 solo unas semanas antes del debut de ChatGPT.<\/p>\n
La confianza de Huang en las ganancias continuas se debe en parte a que puede trabajar con el fabricante de chips TSMC para aumentar la producci\u00f3n de H100 y satisfacer la creciente demanda de proveedores de la nube como Microsoft, Amazon y Google, grupos de Internet como Meta y clientes corporativos. <\/p>\n
\u201cEste es uno de los recursos de ingenier\u00eda m\u00e1s escasos del planeta\u201d, dijo Brannin McBee, director de estrategia y fundador de CoreWeave, una puesta en marcha de infraestructura en la nube centrada en IA que fue una de las primeras en recibir env\u00edos de H100 a principios de este a\u00f1o.<\/p>\n
Algunos clientes han esperado hasta seis meses para hacerse con los miles de chips H100 que quieren para entrenar sus vastos modelos de datos. Las nuevas empresas de IA hab\u00edan expresado su preocupaci\u00f3n de que los H100 escasearan justo en el momento en que la demanda estaba despegando.<\/p>\n
\t\t\t\t\tEst\u00e1 viendo una instant\u00e1nea de un gr\u00e1fico interactivo. Es muy probable que esto se deba a que est\u00e1 desconectado o JavaScript est\u00e1 deshabilitado en su navegador.\n\t\t\t\t<\/p>\n<\/p><\/div>\n<\/p><\/div>\n<\/p><\/div> Elon Musk, que compr\u00f3 miles de chips Nvidia para su nueva empresa de inteligencia artificial X.ai, dijo en un evento del Wall Street Journal esta semana que en la actualidad las GPU (unidades de procesamiento de gr\u00e1ficos) “son considerablemente m\u00e1s dif\u00edciles de conseguir que las drogas”. bromeando que “no era realmente un list\u00f3n alto en San Francisco”.<\/p>\n \u201cEl costo de la computaci\u00f3n se ha vuelto astron\u00f3mico\u201d, agreg\u00f3 Musk. \u201cLa apuesta m\u00ednima tiene que ser de 250 millones de d\u00f3lares en hardware de servidor [to build generative AI systems].\u201d<\/p>\n El H100 est\u00e1 demostrando ser particularmente popular entre las grandes empresas tecnol\u00f3gicas como Microsoft y Amazon, que est\u00e1n construyendo centros de datos completos centrados en cargas de trabajo de IA, y empresas emergentes de IA generativa como OpenAI, Anthropic, Stability AI e Inflection AI porque promete un mayor rendimiento. que pueden acelerar los lanzamientos de productos o reducir los costos de capacitaci\u00f3n con el tiempo.<\/p>\n \u201cEn t\u00e9rminos de obtener acceso, s\u00ed, as\u00ed es como se siente impulsar una GPU de nueva arquitectura\u201d, dijo Ian Buck, jefe del negocio de computaci\u00f3n de hiperescala y alto rendimiento de Nvidia, quien tiene la abrumadora tarea de aumentar la oferta de H100 para satisfacer la demanda. \u201cEst\u00e1 sucediendo a gran escala\u201d, agreg\u00f3, con algunos clientes importantes que buscan decenas de miles de GPU.<\/p>\n El chip inusualmente grande, un “acelerador” dise\u00f1ado para funcionar en centros de datos, tiene 80 mil millones de transistores, cinco veces m\u00e1s que los procesadores que alimentan los \u00faltimos iPhones. Si bien es dos veces m\u00e1s caro que su predecesor, el A100 lanzado en 2020, los primeros usuarios dicen que el H100 cuenta con un rendimiento al menos tres veces mejor.<\/p>\n \u201cEl H100 resuelve la cuesti\u00f3n de la escalabilidad que ha estado plagando [AI] creadores de modelos\u201d, dijo Emad Mostaque, cofundador y director ejecutivo de Stability AI, una de las empresas detr\u00e1s del servicio de generaci\u00f3n de im\u00e1genes Stable Diffusion. “Esto es importante porque nos permite entrenar modelos m\u00e1s grandes m\u00e1s r\u00e1pido a medida que pasa de ser un problema de investigaci\u00f3n a un problema de ingenier\u00eda”.<\/p>\n Si bien el momento del lanzamiento del H100 fue ideal, el avance de Nvidia en IA se remonta casi dos d\u00e9cadas atr\u00e1s a una innovaci\u00f3n en software en lugar de silicio.<\/p>\n Su software Cuda, creado en 2006, permite que las GPU se reutilicen como aceleradores de otros tipos de cargas de trabajo m\u00e1s all\u00e1 de los gr\u00e1ficos. Luego, alrededor de 2012, Buck explic\u00f3: \u201cAI nos encontr\u00f3\u201d.<\/p>\n Investigadores en Canad\u00e1 se dieron cuenta de que las GPU eran ideales para crear redes neuronales, una forma de IA inspirada en la forma en que las neuronas interact\u00faan en el cerebro humano, que luego se estaban convirtiendo en un nuevo enfoque para el desarrollo de IA. \u201cTom\u00f3 casi 20 a\u00f1os llegar a donde estamos hoy\u201d, dijo Buck.<\/p>\n Nvidia ahora tiene m\u00e1s ingenieros de software que ingenieros de hardware para permitirle admitir los muchos tipos diferentes de marcos de trabajo de IA que surgieron en los a\u00f1os posteriores y hacer que sus chips sean m\u00e1s eficientes en el c\u00e1lculo estad\u00edstico necesario para entrenar modelos de IA.<\/p>\n
\n\t\t\t\t\t\t<\/source><\/picture>\n\t\t\t\t\t<\/figure>\n<\/div>\n