Tri Dao, profesor de Ciencias de la Computación en Princeton y científico de la IA: "El dominio de Nvidia terminará en tres años"
Elígenos como tu fuente preferida en Google.
El dominio absoluto de Nvidia no será eterno: en los próximos años se espera una mayor competencia con chips especializados, lo que podría fragmentar el mercado y abaratar los costes.
NVIDIA se ha convertido en la pieza central del boom de la inteligencia artificial, y es que con más del 90% de cuota en el mercado de GPU, sus chips no solo marcan el ritmo del sector, también dictan el precio de entrada para cualquier empresa que quiera entrenar o desplegar modelos de gran escala.
La compañía californiana ha pasado de diseñar tarjetas gráficas para videojuegos a liderar la revolución tecnológica más importante de la década. Su gran baza ha sido crear algo más que hardware, un ecosistema de software como CUDA y librerías optimizadas que hacen casi imposible a la competencia ofrecer la misma integración.
Ese dominio, sin embargo, podría tener fecha de caducidad. Así lo sostiene Tri Dao, profesor de Ciencias de la Computación en la Universidad de Princeton, Estados Unidos, científico jefe en TogetherAI y creador de Flash Attention, una de las optimizaciones más influyentes en el campo de los modelos de lenguaje.
En el pódcast Unsupervised Learning, Dao lanzó una advertencia, donde afirma que el monopolio de NVIDIA se fragmentará en los próximos tres años. Su predicción se basa en su experiencia en la investigación académica y el diseño de software que permite a los chips exprimir su máximo rendimiento.
Es por esta razón que sus palabras han despertado tanta atención en el mundo tecnológico, puesto que si alguien conoce los cuellos de botella del hardware de IA y hacia dónde se dirige, es precisamente él.
"El dominio de NVIDIA terminará en tres años"
Según Dao, el mercado de hardware para inteligencia artificial entrará en una fase de diversificación inevitable. Frente al modelo actual, en el que casi todo depende de GPU Nvidia, aparecerán chips especializados en tareas concretas. No todas las cargas de trabajo son iguales, y eso abre espacio a nuevos actores.
Los chatbots y asistentes conversacionales necesitan latencias mínimas, donde los sistemas de análisis masivo o de generación de datos requieren rendimiento por lotes. El entrenamiento de modelos, por su parte, seguirá exigiendo soluciones capaces de manejar volúmenes colosales de información.
Cada uno de estos escenarios podría tener hardware propio, diseñado a medida, por lo que en este terreno ya están apareciendo alternativas, y una de las más llamativas es AMD, que compite con GPU de gran capacidad de memoria.
Asimismo, startups como Cerebras, Grok o SambaNova exploran arquitecturas centradas en la inferencia de baja latencia o en el procesamiento paralelo de gran escala. La idea de Dao es clara, donde no se trata de sustituir a Nvidia en bloque, sino de reducir su peso con soluciones más ajustadas a necesidades específicas.
Transformadores, inferencia y costes en caída libre
Uno de los puntos clave de Tri Dao es que no hace falta inventar una nueva arquitectura para seguir avanzando. Los transformadores, base de los modelos de lenguaje actuales, son suficientes incluso para alcanzar metas tan ambiciosas como la inteligencia artificial general.
Lo que está cambiando es la manera de implementarlos. Ejemplos como Mixture of Experts ya están obligando a pensar en chips capaces de manejar cálculos más dispersos, con memoria abundante, pero uso selectivo de los recursos.
Esta evolución del software fuerza a repensar cómo se diseñan los procesadores. Al mismo tiempo, los costes de inferencia —la fase en la que un modelo ya entrenado genera respuestas— se han desplomado.
En pocos años se han reducido cien veces y, según Dao, podrían abaratarse todavía diez veces más gracias a la cuantificación de modelos, la optimización de kernels y el codiseño entre hardware y software. Lo que antes parecía imposible ahora es posible en cuestión de segundos, en buena medida porque el hardware se ha vuelto más eficiente.
Otro de los grandes desafíos está en la programación de GPU, y es que hasta ahora, sacar todo el jugo a un chip requería cientos de expertos capaces de escribir código a muy bajo nivel, algo que es inviable a gran escala.
Lenguajes como Triton o Mojo tratan de simplificar esa tarea donde buscan crear una capa de abstracción que permita programar chips de distintos fabricantes sin perder demasiado rendimiento. Incluso la propia IA comienza a generar fragmentos de código para GPU, aunque de momento solo en tareas simples.
Este esfuerzo por facilitar el desarrollo es clave para que nuevos actores puedan competir. Si cada chip requiere aprender un lenguaje específico, Nvidia seguirá teniendo ventaja, si existen estándares comunes, el terreno de juego se equilibra.
¿Un futuro sin monopolio?
Si la predicción de Tri Dao se cumple, el mercado de hardware para IA pasará de un monopolio a un escenario multipolar. Eso tendría efectos directos, con más competencia, menores costes y dispositivos ajustados a cada necesidad.
También reduciría la dependencia de una sola compañía, algo que preocupa tanto a gobiernos como a grandes empresas tecnológicas. Eso no significa que Nvidia vaya a desaparecer, su ecosistema seguirá siendo una referencia, pero dejará de tener el control absoluto.
Europa, Estados Unidos y Asia observan este cambio con interés, porque de él depende parte de la competitividad en la carrera por la IA. El futuro no se decidirá en una única arquitectura, sino en un ecosistema donde distintas piezas encajen para resolver diferentes problemas.