0% encontró este documento útil (0 votos)

19 vistas28 páginas

Nvidia Español

En 2024, Nvidia se posicionó como la empresa más valiosa del mundo, con un valor de 3,4 billones de dólares, impulsada por la demanda de su tecnología de inteligencia artificial generativa. Sin embargo, enfrentó desafíos como la competencia creciente de AMD y la investigación antimonopolio del Departamento de Justicia, lo que llevó a Jensen Huang a cuestionar su estrategia de precios y su lugar en la cadena de valor. Además, la dependencia de Nvidia de TSMC para la fabricación y su intención de competir con sus propios clientes en el sector de centros de datos plantearon dilemas estratégicos significativos para el futuro de la empresa.

Cargado por

hqace6550

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

0% encontró este documento útil (0 votos)

19 vistas28 páginas

Nvidia Español

Cargado por

hqace6550

Derechos de autor

Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.

Formatos disponibles

Descarga como PDF, TXT o lee en línea desde Scribd

Traducido del inglés al español - [Link].

com

9-725-360
5 DE SEPTIEMBRE DE 2024

ar
ic
David B. Yoffie

SARAHV EN BARGEN

Nvidia, Inc. en 2024 y el futuro de la IA

l
ub
En 2024, Nvidia estaba en la cima del mundo. El 18 de junioElJensen Huang, cofundador y director ejecutivo de Nvidia, podía
jactarse de haber creado la empresa más valiosa del mundo, con un valor de 3,4 billones de dólares. Si bien Microsoft y Apple
recuperaron rápidamente la corona de valor, algunos analistas pronosticaron que Nvidia estaba tan bien posicionada que
podría convertirse en la primera empresa del mundo con un valor de 4 billones de dólares. De hecho, Huang anunció que los
ingresos del segundo trimestre de 2024 aumentaron más del 250% interanual. (VerAnexos 1a-1d) Sin embargo, el negocio de
semiconductores era notoriamente cíclico. El liderazgo en semiconductores globales cambió muchas veces a lo largo de sus 60
rP
años de historia, pasando de Texas Instruments a las japonesas Intel, Samsung, TSMC y, en 2024, Nvidia. Huang quería romper
ese ciclo para asegurarse de que Nvidia se mantuviera en la cima.

Huang pidió a su equipo que explorara dos cuestiones urgentes en el otoño de 2024. En primer lugar, el espectacular
rendimiento de Nvidia se basaba en la IA generativa, pero el mercado de GenAI estaba evolucionando rápidamente. En 2024, las
unidades de procesamiento gráfico (GPU) de Nvidia eran la mejor solución para entrenar modelos de lenguaje grandes (LLM) e
inferencia (proporcionar la respuesta a una consulta). Dado que la demanda de GPU de Nvidia superó con creces la oferta en
2024, Nvidia tenía una enorme cartera de pedidos y necesitaba decidir quién debería recibir sus sistemas de vanguardia.
py

Además, Nvidia cobraba primas descomunales, lo que generaba márgenes brutos sin precedentes para el negocio de
semiconductores. Sin embargo, estaba empezando a surgir competencia: AMD ofrecía GPU a precios más bajos que se estaban
volviendo más competitivos con Nvidia, y muchas otras empresas habían anunciado chips especializados que podrían
reemplazar a Nvidia para algunas aplicaciones. El Departamento de Justicia también lanzó una investigación antimonopolio en
agosto,1enviando citaciones a Nvidia a principios de septiembre.2
En estas circunstancias, ¿quién debería adquirir GPU? ¿Y era la fijación de precios monopólicos la mejor estrategia?

En segundo lugar, Huang tenía dudas sobre el lugar que Nvidia debería ocupar en la cadena de valor. En cuanto al
C

suministro, Nvidia dependía en gran medida de un único proveedor, Taiwan Semiconductor Manufacturing Company
(TSMC). (VéaseAnexo 2)Del lado del cliente, Nvidia se enfrentaba a una alta concentración de clientes para el centro de
datos. Nvidia anunció su intención de invertir en centros de datos y competir con esos clientes. Si bien los proveedores
de servicios en la nube más importantes, como Microsoft y Amazon, obtuvieron ganancias sustanciales alquilando GPU
o

de Nvidia, también estaban descontentos con que un proveedor importante se convirtiera en un competidor directo.
Los "hiperescaladores" más grandes (el nombre común para los proveedores de servicios en la nube más grandes)
estaban diseñando sus propios chips para reemplazar a Nvidia. Nvidia también se enfrentaba directamente a sus
clientes OEM más importantes, como Dell y HP. Esto dejó dos preguntas obvias: ¿Huang debería seguir avanzando con
N

la integración vertical y competir directamente con sus clientes más importantes, o seguir siendo un proveedor de
componentes? ¿Y había opciones para cubrir su riesgo con TSMC?

El profesor David B. Yoffie y la investigadora asociada Sarah von Bargen prepararon este caso. Este caso se desarrolló a partir de fuentes publicadas. La
D

financiación para el desarrollo de este caso fue proporcionada por la Escuela de Negocios de Harvard y no por la empresa. Los casos de HBS se desarrollan
únicamente como base para la discusión en clase. Los casos no tienen como objetivo servir como avales, fuentes de datos primarios o ilustraciones de gestión
eficaz o ineficaz.

Copyright © 2024 Presidente y miembros del Harvard College. Para solicitar copias o permiso para reproducir materiales, llame al 1-800-545-7685, escriba a
Harvard Business School Publishing, Boston, MA 02163, o visite [Link]. Esta publicación no puede digitalizarse, fotocopiarse ni reproducirse,
publicarse ni transmitirse de ninguna otra forma sin el permiso de Harvard Business School.

Este documento está autorizado para revisión por parte de educadores únicamente por Evelyn Ayala, Universidad Cesar Vallejo hasta mayo de 2025. Copiarlo o publicarlo es una infracción de los derechos de autor.
Permisos@[Link] o 617.783.7860
725-360 Nvidia, Inc. en 2024 y el futuro de la IA

a r
Los orígenes de Nvidia

ic
El motor de Nvidia fue Jensen Huang, nacido como Jen-Hsun Huang en 1963 en Taiwán. A los cinco años, su
familia se mudó a Tailandia. Unos años más tarde, sus padres lo enviaron a él y a su hermano mayor a vivir con

l
familiares en los Estados Unidos en busca de mejores oportunidades educativas. Los padres de Huang

ub
emigraron más tarde a los EE. UU. y se establecieron en Oregón, donde Huang obtuvo su licenciatura en
ingeniería eléctrica en la Universidad Estatal de Oregón en 1984 y su maestría en ingeniería eléctrica en la
Universidad de Stanford en 1992.3

rP
El primer trabajo de Huang fue como lavaplatos en un restaurante Denny's. Más tarde, Huang trabajó como director
en LSI Logic y diseñador de microprocesadores en AMD, antes de cofundar Nvidia. Huang creía que estas experiencias
formativas moldearon su ética de trabajo y su estilo de liderazgo. En un discurso de 2024 ante los estudiantes de
Stanford GSB, Huang enfatizó la importancia de luchar en la vida y afirmó: "Desafortunadamente, la resiliencia es
importante para el éxito. No sé cómo enseñarla, pero espero que sufras".4

En Nvidia, Huang creía que “la organización más horizontal es la que más empodera” y fomentaba una cultura de
responsabilidad compartida y colaboración. Huang tenía un estilo de gestión poco convencional, que incluía evitar las reuniones
individuales y tener hasta 60 subordinados directos. Según Huang, este enfoque fomentaba la comunicación abierta, alentaba
la resolución colectiva de problemas y permitía una rápida toma de decisiones. Huang animaba a los directivos a que le
enviaran por correo electrónico sus “cinco cosas más importantes”, que leía todas las mañanas. También promovía la
transparencia permitiendo que los empleados de todos los niveles participaran en las reuniones, lo que garantizaba un acceso
igualitario a la información.5Hablando sobre la estructura de Nvidia, Huang afirmó:

La arquitectura de la empresa (para mí) es una computadora con una pila de computación, con personas que
administran diferentes partes del sistema. Quién reporta a quién, tu cargo no está relacionado con el lugar
que ocupas en la pila. Simplemente sucede que quien es el mejor en ejecutar ese módulo en esa función en
esa capa está a cargo. Esa persona es el piloto al mando...6

Bajo el liderazgo de Huang, los ingresos de Nvidia crecieron de 159 millones de dólares en el año fiscal 2000 a 60,9 mil millones de
dólares en el año fiscal 2024.7Los analistas pronosticaron que las ventas de Nvidia superarán los 100 mil millones de dólares en el año
calendario 2024.8La plantilla de la empresa también aumentó de unos 250 empleados en el momento de su salida a bolsa en 1999 a
29.600 a principios de 2024.9La valoración de Nvidia reflejó un crecimiento similar: en mayo de 2023, alcanzó el billón de dólares; en 9
meses, la valoración de Nvidia se duplicó.10El 5 de junioElEn 2024, la capitalización de mercado de Nvidia alcanzó los 3 billones de dólares
y, dos semanas después, superó brevemente a Microsoft para convertirse en la empresa más valiosa del mundo.11Si bien las acciones de
Nvidia se mostraron volátiles (beta 1,7)12Huang emergió como el 11ElLa persona más rica del mundo.13

Primeros días: 1993-1999

Huang fundó Nvidia en 1993 con Chris Malachowski, ingeniero de Sun Microsystems, y Curtis Priem,
diseñador de chips gráficos de IBM y Sun. El trío inició la empresa en el restaurante Denny's de California y la
planificó durante una serie de desayunos de Grand Slam. Al principio, su estrategia era producir la consola de
juegos dentro de los PC. En unos pocos años, decidieron centrarse en mejorar el procesamiento basado en
gráficos, específicamente para aplicaciones de juegos. Huang señaló que "los videojuegos eran al mismo tiempo
o

uno de los problemas más desafiantes desde el punto de vista computacional y tenían un volumen de ventas
increíblemente alto. Esas dos condiciones no se dan muy a menudo. 'Videojuegos' era nuestra aplicación
estrella".14
N

Los primeros años en Nvidia fueron especialmente difíciles. Entre 1993 y 1997, el único cliente importante de
Nvidia fue Sega, la empresa de videojuegos. En sus inicios, Nvidia dependía de una arquitectura cuadrilateral
para desarrollar sus chips de juego que se adaptaran a la arquitectura de Sega. Sin embargo, cuando

Microsoft anunció cambios en la arquitectura de sus chips preferidos y Sega siguió sus pasos. Esto planteó un serio problema
para Nvidia: sólo estaba a mitad de la producción de sus chips Sega, que de repente se volvieron inutilizables. Esto dejó a Nvidia
en una crisis de liquidez, lo que la obligó a desarrollar un nuevo chip en 1996.15

En aquella época, el desarrollo y la producción de chips requerían generalmente de 18 a 24 meses. Como Nvidia tenía
nueve meses de efectivo disponible, necesitaba desarrollar un nuevo chip en un tiempo récord. Al acortar el tiempo de

st
producción a menos de seis meses utilizando prototipos de software, Nvidia construyó un nuevo chip, llamado RIVA 128, que se
convirtió en uno de los chips gráficos más grandes jamás creados. También fue el primer sistema de procesamiento de gráficos
3D totalmente acelerado para un ordenador, algo esencial en una época en la que los gráficos de los videojuegos estaban
pasando de imágenes planas en 2D a imágenes en 3D más realistas. El chip era tan potente que Huang pudo convencer a los
desarrolladores de que lo utilizaran para el desarrollo de juegos, centrándose en el gran rendimiento del chip y la
representación en 3D. Nvidia vendió un millón de unidades de RIVA 128 en cuatro meses.16

P
En 1999, Nvidia lanzó una tarjeta gráfica complementaria llamada GeForce 256, comercializada como la primera
GPU del mundo. La GeForce 256 trajo capacidades gráficas 3D avanzadas a las PC de consumo y estableció la
reputación de Nvidia en la industria de los juegos. Nvidia salió a bolsa el 22 de enero de 1999. A fines de 1999, la
compañía había crecido hasta tener 1000 empleados y 159 millones de dólares en ingresos.17

Nvidia: 2000-2020
o
añ
Nvidia aprovechó su éxito inicial centrándose en las GPU para aplicaciones de juegos. A diferencia de las CPU (unidades centrales
de procesamiento), que manejaban las tareas de computación de forma secuencial para el sistema operativo de la computadora, las GPU
utilizaban el procesamiento paralelo, que realizaba múltiples cálculos al mismo tiempo. El procesamiento paralelo era un componente
clave para aumentar la potencia de procesamiento de estos chips, lo que lo hacía esencial para los gráficos de los videojuegos, que
requerían la representación constante en tiempo real de imágenes de alta calidad. A medida que transcurrió el tiempo, los usuarios se
dieron cuenta de que las GPU podían utilizarse para otras aplicaciones.

Nvidia se basó en la Ley de Moore para impulsar el rendimiento en la década de 1990 y principios de la década de 2000. La
Ley de Moore, llamada así por el cofundador de Intel, Gordon Moore, se basaba en su predicción de que la cantidad de
Co

transistores en un circuito integrado se duplicaría aproximadamente cada 18 a 24 meses. La industria siguió en gran medida la
Ley de Moore desde que se publicó el artículo de Moore en 1965. Para las GPU de Nvidia, la Ley de Moore permitió mejoras
rápidas en la aceleración de hardware y las capacidades de renderizado. Estas características permitieron a los desarrolladores
de juegos crear experiencias inmersivas optimizadas para las GPU de Nvidia. Sin embargo, Nvidia siguió siendo un jugador
pequeño: con ingresos en el año fiscal 2001 de $735 millones, representó solo el 3% de los $26 mil millones en ingresos del líder
de la industria Intel.18De hecho, Huang estaba aterrorizado por Intel en ese momento. Más tarde reflexionó: “No me acerco a
Intel… Siempre que se acercan a nosotros, tomo mis chips y corro”.19

Para competir con los gigantes de la industria de semiconductores, Nvidia siguió una estrategia diferente. Intel y
o

Samsung, las mayores empresas de semiconductores del mundo, estaban integradas verticalmente, diseñando y
fabricando sus chips. Por el contrario, Nvidia construyó su negocio en torno a la externalización de la fabricación,
principalmente a TSMC. Nvidia diseñaba sus GPU, mientras que TSMC fabricaba los chips, y una variedad de terceros
N

ensamblaban los chips, los colocaban en paquetes y los probaban. Luego se contrataban fabricantes contratados para
colocar las GPU en tarjetas gráficas, que podían insertarse en una consola de juegos, una PC o un servidor. Finalmente,
Nvidia era responsable de las ventas. La empresa dependía de una fuerza de ventas directa que vendía a fabricantes de
equipos originales como Dell y HP, y a clientes de centros de datos como Amazon y Microsoft. También vendían GPU a
minoristas y directamente a consumidores.
D

La fabricación de semiconductores era uno de los negocios que más capital requería en el mundo. En 2024, el costo
de una sola fábrica de última generación podría alcanzar los 25 mil millones de dólares.20Al externalizar, Nvidia evitó la
inversión de capital requerida por TSMC, Intel, Samsung y otros, pero también tuvo menos control directo.

En tiempos normales, pasarían entre 8 y 12 semanas desde el pedido hasta la entrega de una GPU. En períodos de alta

ue
demanda de fabricación en TSMC, podría llevar cuatro meses o más.21Desde finales de la década de 1980 hasta
aproximadamente 2018, Intel había sido el líder en la fabricación de semiconductores. Pero la mala ejecución en Intel y
el progreso constante en TSMC convirtieron a esta última en el fabricante más avanzado de circuitos integrados. TSMC
fabricó más del 90% de los chips lógicos de vanguardia del mundo, incluidos los nodos de 7 nm, 5 nm y 3 nm en 2024.22
La posición de TSMC era tan fuerte que podía exigir a sus clientes más importantes que pagaran por adelantado miles
de millones de dólares para reservar capacidad antes de su construcción.23

iq
En los primeros tiempos, cuando las GPU se utilizaban casi exclusivamente para videojuegos, Nvidia vendía sus tarjetas
gráficas por un promedio de 300 a 500 dólares.24Esto se compara con los menos de 50 dólares que costaban los chips gráficos
de gama baja de Intel, que dominaban el mercado de gráficos para PC no destinados a juegos. El desafío de Nvidia era que las
GPU eran uno de los chips más caros de fabricar. Dado que cada chip tenía una gran cantidad de núcleos de procesamiento, los
chips eran grandes y, a menudo, requerían la tecnología más avanzada para ofrecer rendimiento y evitar que se

bl
sobrecalentaran. Para mejorar el rendimiento con el tiempo, Nvidia agregó más núcleos, más memoria, etc., lo que significó
que los chips se hicieron más grandes y los costos aumentaron. A principios de la década de 2020, las GPU para juegos se
vendían por hasta 1500 dólares.25Las GPU para entrenar a la IA eran mucho más grandes, mucho más caras de fabricar y tenían
un precio diferente. Si bien una CPU de alta gama podría tener una pequeña cantidad de núcleos complejos y
aproximadamente 60 mil millones de transistores en 2024,26Las GPU del centro de datos de Nvidia tenían más de 16.000
pu
núcleos y aproximadamente 80 mil millones de transistores.27TSMC cobró a Nvidia aproximadamente 900 dólares por chip,28y
en 2024, Nvidia vendía esas GPU de gama alta (H100) por entre 25 000 y 40 000 dólares (verAnexos 3 y 4).29

El alto rendimiento implicaba altos requisitos de energía. Una GPU Nvidia podía consumir hasta
1.000 vatios o más por chip, y la mayoría de los servidores tenían varias GPU.30Según un análisis, “el poder es la última
restricción”.31Otro analista señaló que las GPU de Nvidia vendidas en 2023 consumieron más energía que 1,3 millones
de hogares y, para 2026, los requisitos de energía incrementales para los centros de datos eran aproximadamente
equivalentes a todo el país de Japón.32Mark Zuckerberg advirtió que cuando la “sequía” de GPU terminara, los
ni

problemas energéticos podrían limitar gravemente el crecimiento. Creía que los centros de datos podrían empezar a
producir “500 megavatios o incluso un gigavatio”, y le preocupaba que la falta de crecimiento en la producción de
energía afectara la disponibilidad de la IA.33En un ejemplo dramático de la creciente preocupación por la energía,
Microsoft anunció en septiembre de 2024 un acuerdo de 1.600 millones de dólares para reabrir la planta nuclear de 3
Mile Island en Pensilvania para proporcionar energía a la IA (y sus GPU).34(verAnexos 5a y 5b)

Con mayores costos y mayor rendimiento, el desafío de Nvidia fue encontrar clientes dispuestos a pagar más. Un
y

problema común en la industria de semiconductores era que las mejoras de hardware a menudo estaban disponibles
antes que las aplicaciones que podían utilizar la potencia de procesamiento de un chip. La respuesta de Huang fue
CUDA, o Compute Unified Device Architecture. Presentado en 2006 como un lenguaje de programación similar a C++,
pronto se convirtió en una plataforma y un modelo de programación que permitía a los desarrolladores crear nuevas
capacidades para las GPU. CUDA era propietario y estaba limitado a la arquitectura de Nvidia: el desarrollo de nuevo
ci

software en CUDA solo funcionaba en las GPU de Nvidia. Otra característica distintiva de CUDA fue que pasó de ser un
lenguaje de programación a una plataforma. Nvidia permitió a los desarrolladores externos escribir programas para el
sistema y compartirlos con otros desarrolladores. Este enfoque de plataforma abierta fomentó una comunidad de
desarrolladores en torno a CUDA, lo que permitió a los desarrolladores utilizar los SDK (kits de desarrollo de software)
de la plataforma de forma gratuita. Como Huang explicó más tarde en 2022:
o

Hemos estado avanzando con CUDA… durante 15 años… Optimizamos toda la pila iterando entre GPU,
bibliotecas de aceleración, sistemas y aplicaciones de forma continua, al mismo tiempo que ampliamos el
alcance de nuestra plataforma agregando nuevos dominios de aplicación que aceleramos… Tenemos más de
N

150 SDK que sirven a industrias que van desde los juegos y el diseño hasta las ciencias biológicas y de la tierra,
la computación cuántica, la IA, la ciberseguridad, el 5G y la robótica.35

Sin embargo, CUDA no fue un éxito inmediato. A pesar de la gran inversión, la demanda de CUDA fue lenta.
Cuando las descargas de CUDA disminuyeron entre 2010 y 2013 y las acciones de Nvidia cayeron, la junta directiva de
Nvidia comenzó a preocuparse por los ataques corporativos.36La aparición de modelos de aprendizaje automático de IA

t
salvó a CUDA. La profesora de Princeton Fei-Fei Li (que luego se trasladó a Stanford) y su equipo habían desarrollado
una base de datos de clasificación de imágenes conocida como ImageNet. En 2009, la base de datos constaba de 3,2
millones de imágenes y seguía creciendo. Para animar a otros investigadores a utilizar la base de datos, la profesora Li
inició el desafío anual de reconocimiento visual a gran escala ImageNet en 2010, en el que los programadores

rP
competían para desarrollar un software que clasificara con precisión la mayor cantidad de imágenes. En 2012, el récord
de clasificación más precisa lo batió AlexNet, un programa de aprendizaje profundo desarrollado por tres académicos.
Para impulsar AlexNet, los estudiantes utilizaron computación paralela implementada en CUDA en GPU Nvidia.

Los científicos de campos como las biociencias, la informática y la química empezaron a darse cuenta de que las GPU de
Nvidia podían completar cálculos en una fracción del tiempo que tardan las computadoras científicas estándar. Un científico
investigador de Nvidia también reconoció el potencial de la IA para las ventas de GPU. Poco después de que el investigador
publicara un artículo sobre redes neuronales en 2013, se reunió con Huang. Le explicó en detalle por qué el aprendizaje
profundo sería esencial para la IA y por qué Nvidia debería apostar por esa tecnología. Después de escuchar la propuesta,

y
Huang estuvo de acuerdo y decidió hacer una gran apuesta por las aplicaciones de IA, a pesar de que en ese momento había
oportunidades de ingresos limitadas para la IA. Huang “envió un correo electrónico el viernes por la noche diciendo que todo se
iba a destinar al aprendizaje profundo y que ya no éramos una empresa de gráficos… El lunes por la mañana, éramos una
p
empresa de IA. Literalmente, fue así de rápido”, recordó Greg Estes, vicepresidente de Nvidia.37Al igual que Kevin Costner en la
película El campo de los sueños, que construyó un campo de béisbol en medio de Iowa y esperaba que los clientes vinieran,
Huang estaba apostando a que la IA sería un gran impulsor de ingresos. Sin embargo, desafortunadamente para Huang, los
clientes tardaron en implementar modelos de aprendizaje profundo a gran escala entre 2012 y 2020. Si bien Nvidia había
intentado diversificar sus fuentes de ingresos, incluidos chips para sistemas automotrices y juegos en la nube, los ingresos no
ar
relacionados con los juegos seguían siendo bajos. Afortunadamente para Huang, los nuevos clientes encontraron un uso
inesperado para las GPU: la minería de criptomonedas.

Minería de criptomonedasEl auge de Bitcoin trajo consigo una demanda explosiva de GPU. La minería de
criptomonedas implicaba resolver problemas matemáticos complejos para validar transacciones y crear nuevas
unidades de la criptomoneda, en un campo en el que las fracciones de segundo importaban. Las GPU, con sus
pi

capacidades de procesamiento paralelo, eran muy eficientes a la hora de realizar los cálculos necesarios para la minería.
En 2017, las granjas de minería de criptomonedas estaban creciendo en todo el mundo, lo que requería una importante
potencia informática. Para solucionarlo, los mineros adquirieron millones de GPU de Nvidia y AMD. Esto provocó una
escasez de GPU para juegos.38En respuesta, Nvidia lanzó en 2017 una nueva línea de GPU diseñadas específicamente
para la minería de criptomonedas. Esto les permitió preservar el mercado de los juegos sin sacrificar el espacio de las
co

criptomonedas.39

El éxito de las GPU en la minería de criptomonedas puso de relieve un desafío que Huang quería abordar. Si bien, por lo
general, se utiliza una sola GPU en una consola de juegos o una PC, se necesitaban redes de cientos o incluso miles de GPU para
ofrecer computación de alto rendimiento para los centros de datos. Esto llevó a Nvidia a comprar Mellanox en 2019 por casi 7
mil millones de dólares. Mellanox era una empresa israelí que se centraba en el desarrollo de chips para redes de gran ancho
de banda. Las comunicaciones rápidas entre las GPU y otros componentes en un clúster de IA eran fundamentales para el
entrenamiento y la inferencia. Además, Mellanox estaba profundamente integrado en los centros de datos, lo que le daba a
o

Nvidia nuevas rutas para llegar a sus nuevos clientes.

Sin embargo, las criptomonedas resultaron ser un espacio volátil. Cuando los mineros experimentaron un "invierno criptográfico" en el 4El
trimestre de 2018,40Los ingresos de Nvidia por minería de GPU se redujeron a la mitad. Después de recuperarse del invierno de 2018/2019, el
N

segmento de criptomonedas de Nvidia volvió a caer en el cuarto trimestre de 2022. Sin embargo, esta vez las pérdidas de criptomonedas se
compensaron rápidamente con el lanzamiento de ChatGPT.

lle
ca
El surgimiento de la inteligencia artificial
ChatGPTElon Musk, Sam Altman, Ilya Sutskever, Greg Brockman y John Schulman fundaron OpenAI como un laboratorio sin fines de
lucro en 2015. OpenAI, que pasó a ser una empresa con fines de lucro en 2019, atrajo a los mejores talentos en inteligencia artificial de
Google y otras grandes empresas tecnológicas. Seis meses después de convertirse en una empresa con fines de lucro, Microsoft invirtió
mil millones de dólares en el negocio. OpenAI desarrolló chatbots de inteligencia artificial generativa llamados GPT, o Generative Pre-
trained Transformers,41que fueron entrenados en conjuntos de datos extremadamente grandes. (verAnexo 6) Después de 7 años,
OpenAI estrenó ChatGPT en noviembre de 2022. Este 3tercerLa generación de GPT se entrenó con 175 mil millones de parámetros, en
comparación con los 120 millones de GPT-1.42En cuestión de meses, ChatGPT explotó en popularidad y se convirtió en la aplicación de
consumo que más rápidamente en la historia alcanzó los 100 millones de usuarios.43

Dado el tamaño de sus conjuntos de datos de entrenamiento, OpenAI requirió una enorme potencia de procesamiento para
entrenar sus modelos. OpenAI reveló que entrenar ChatGPT 4, con aproximadamente 1,7 billones de parámetros, costó 100 millones de
dólares y requirió 25.000 GPU Nvidia.44En ese momento, las GPU de Nvidia eran los únicos chips lo suficientemente potentes como para
entrenar modelos básicos y la mayoría de los desarrolladores dependían de CUDA. Como resultado, la demanda de las GPU más

r
potentes de Nvidia se disparó.45Como las GPU de Nvidia escaseaban, los precios se dispararon.46
GenAI revolucionó repentinamente el negocio de Nvidia.

El negocio de Nvidia en 2024

ar
Nvidia, que en su día fue un proveedor especializado de chips gráficos para videojuegos, se transformó en 2024 en una empresa diversificada de

semiconductores, sistemas y software. Si bien casi el 90 % de sus ingresos provinieron de centros de datos (30 mil millones de dólares en el segundo trimestre

de 2024), Nvidia siguió liderando el mercado de GPU para juegos (2900 millones de dólares en el segundo trimestre de 2024), mientras que invirtió en chips

para aplicaciones automotrices (346 millones de dólares en el segundo trimestre) y chips de visualización para estaciones de trabajo de alta gama (454 millones
i
de dólares en el segundo trimestre).47
op

En cuanto a los gráficos de alto rendimiento, los clientes de Nvidia siguieron siendo los jugadores y los entusiastas de los
juegos. El producto principal de Nvidia en 2024 fueron sus GPU GeForce para PC y sus GPU Tegra para consolas de juegos. En
general, se consideró que las GPU GeForce tenían un rendimiento superior y precios más altos en comparación con las GPU
Radeon de AMD. Intel tenía alrededor de dos tercios del mercado de gráficos para PC, mientras que las GPU Nvidia capturaron
alrededor del 18% y AMD el 15% (principalmente para PC para juegos).48

En el mercado de centros de datos, los clientes más importantes de Nvidia para sus GPU más avanzadas (H100)
tC

fueron Microsoft y Meta (150.000 GPU cada uno en 2023), seguidos de AWS, Google Cloud y Oracle (50.000 cada uno,
verAnexo 7).49Los analistas estimaron que Nvidia vendió aproximadamente 3,7 millones de GPU en 2023 y capturó el
98% del mercado en el centro de datos.50Casi la mitad de los ingresos de Nvidia provienen de solo cuatro grandes
clientes de centros de datos.51Históricamente, tanto Nvidia como AMD presentaban nuevos productos cada 18 a 24
meses, pero ambas compañías estaban pasando a actualizaciones anuales. Nvidia planeaba lanzar un nuevo chip
diseñado para grandes LLM llamado Blackwell a principios de 2025, seguido de arquitecturas más avanzadas en 2026 y
2027.52Blackwell prometió un rendimiento 2,5 veces superior por solo un 25 % más de costo. Sin embargo, cumplir con
estos plazos sería un desafío.53En agosto de 2024, Huang confirmó que Blackwell llegaría tarde debido a los bajos
rendimientos de TSMC.54Para impulsar estas mejoras, Nvidia invirtió mucho en I+D. En 2023, gastó 8.600 millones de
DN

dólares en investigación y desarrollo, un 17 % más que en 2022. Sin embargo, a medida que aumentaron los ingresos,
la I+D cayó a solo el 14 % de las ventas (en comparación con el 20 % de su competidor AMD).

Reconociendo la naturaleza cíclica inherente de los semiconductores, Huang quería expandir la presencia de Nvidia
desde la mera venta de GPU y redes relacionadas hasta sistemas completos y servicios en la nube para IA. La mayor
apuesta de Huang en esta estrategia fue su intento de comprar ARM en 2020, que licenció la tecnología de CPU para la
mayoría de los teléfonos celulares y, cada vez más, para PC y servidores.55El objetivo de Huang era "impulsar el
desarrollo de I+D de ARM y fortalecer su ecosistema añadiendo la propiedad intelectual de IA y gráficos de Nvidia a

“La cartera de ARM”.56Sin embargo, las autoridades antimonopolio británicas y la FTC temen que la adquisición de
40.000 millones de dólares “daría a una de las mayores empresas de chips el control sobre la tecnología informática y
los diseños en los que confían las empresas rivales para desarrollar chips competitivos”.57En febrero de 2022, Huang

st
abandonó la adquisición de ARM. No obstante, Nvidia presentó una CPU basada en ARM para computación de alto
rendimiento e inteligencia artificial (llamada Grace) en 2021 y continuó respaldando la tecnología de ARM para el centro
de datos.58

El siguiente paso de Nvidia fue construir sistemas completos para centros de datos llamados DGX H100. El
DGX 100 era una caja de 160 kilos que podía costar hasta medio millón de dólares. Era uno de los sistemas de

rP
mayor rendimiento para acelerar las cargas de trabajo de IA en 2024. Con hasta 8 GPU H100, Nvidia incorporó su
tecnología de red patentada, que permitía conectar y escalar estas cajas. Nvidia esperaba vender medio millón
de estos dispositivos para finales de 2024.59Sin embargo, muchos clientes consideraban que estas máquinas
tenían un precio elevado, eran adecuadas solo para las cargas de trabajo de inteligencia artificial más exigentes y
su mantenimiento era costoso. Además, esta estrategia puso a Nvidia en competencia directa con sus clientes
OEM, como Dell y HP.

En otro movimiento para acercarse al cliente final, Nvidia inició en 2023 un negocio de alquiler de servidores
llamado DGX Cloud. A través de una asociación complicada con algunos de sus clientes más importantes, entre
ar
ellos Google, Microsoft y Amazon, Nvidia alquiló “servidores con sus chips ubicados en los centros de datos de
esas empresas. Luego, alquiló esos servidores a clientes, entre ellos ServiceNow y Amgen”.60Esto proporcionó a
Nvidia otra fuente de ingresos además de las ventas directas de hardware. El principal argumento de venta de
Nvidia fue "prometer un mejor rendimiento" en DGX Cloud al prometer un acceso preferencial a sus GPU.61
pi
Un elemento crítico de la estrategia de Nvidia fue que prácticamente todos los productos de hardware de Nvidia
dependían de TSMC en 2024. El acceso a los nodos más avanzados permitió a los clientes de TSMC entregar más
transistores por milímetro cuadrado que sus competidores (lo que generalmente significaba un mejor rendimiento). En
2024, Apple y Nvidia tenían la reputación de ser los clientes más importantes de TSMC, lo que generalmente se traducía
en un acceso preferente a su tecnología de proceso de vanguardia. Mientras TSMC construía fábricas en Arizona y
Co

Japón, la gran mayoría de la capacidad de vanguardia de TSMC permanecía en Taiwán. Un desafío potencial para Nvidia
era que TSMC generalmente necesitaba entre 18 y 24 meses para construir una nueva fábrica, pero Huang quería que
Nvidia operara con una cadencia anual para nuevos productos.

Demanda de GPU
La sostenibilidad de la ventaja competitiva de Nvidia dependía en gran medida de la demanda futura de IA. Algunos analistas
predijeron que la IA generativa podría ser una oportunidad de mercado de un billón de dólares para los fabricantes de chips durante la
o

próxima década, y que Nvidia se posicionaría para captar la mayor parte de ese crecimiento.62Otros analistas predijeron una perspectiva
menos optimista, pero aun así pronosticaron una sólida CAGR de más del 30 % en ingresos y volúmenes de GPU.63Por último, algunos
observadores independientes siguen preocupados por la lenta adopción de Gen AI en el mercado empresarial, lo que podría frenar
drásticamente el crecimiento del torrente de GPU.64
N

Parte de la complejidad de predecir la demanda de GPU estaba relacionada con los diferentes segmentos de clientes. El segmento
de GPU más grande en términos de volumen fue el de las consolas de videojuegos y las PC. Aproximadamente el 65-70% de las unidades
de GPU se destinaron a hardware de juegos y servicios de juegos en la nube. Si bien los juegos experimentaron un auge durante la
pandemia, hubo algunas evidencias de que el crecimiento de los juegos de consumo podría estar desacelerándose a medida que TikTok
y YouTube capturaron más tiempo de los jugadores con videos cortos.65
D

El segundo segmento de mayor volumen unitario y el segmento de mayores ingresos en 2024 fueron los centros de datos, que
representaron entre el 25 % y el 30 % del volumen, pero cerca del 80 % de los ingresos de Nvidia. Otros segmentos, como

El sector automotriz y de atención médica se mantuvo relativamente pequeño en 2024. Los centros de datos más grandes

St
estaban comprando prácticamente todas las GPU de gama alta que podían encontrar. La demanda parecía insaciable. Larry
Ellison, presidente de Oracle, informó: “Fui a cenar con Elon Musk, Jensen Huang y yo. Describiría la cena como si Elon y yo le
rogáramos a Jensen que nos comprara GPU. Por favor, toma nuestro dinero; no, toma más. No estás tomando lo suficiente…”66
Pero los semiconductores han experimentado con frecuencia ciclos de auge y caída. Históricamente, cuando los mercados de

P
semiconductores como las CPU o la memoria estaban en auge, los clientes hacían pedidos en exceso de forma crónica,
acumulaban inventario excesivo y luego cancelaban pedidos. Además, algunos analistas temían que la construcción de centros

R
de datos pudiera ser excesiva. De manera similar a la sobreconstrucción en las telecomunicaciones en 2000, cuando empresas
como WorldCom y Enron invirtieron en fibra oscura con la esperanza de un crecimiento futuro, algunos argumentaron que la
cantidad desmesurada de inversión en GPU y centros de datos no se mantendría.67Como aún no existía una “aplicación

Py
revolucionaria” para la IA generativa y el coste de una consulta era hasta siete veces superior al de una búsqueda en Google,
algunos observadores temían que Nvidia tuviera un “toque de exuberancia irracional”.68Pero el entusiasmo por la IA generativa
llevó a muchos analistas a creer que este ciclo era diferente. Estos analistas creían que los clientes empresariales que invirtieran
fuertemente en GenAI en 2023-24 verían rápidamente enormes beneficios y seguirían comprando servicios en la nube.

C
Una pregunta relacionada con la demanda de GPU para la IA fue la aparición de LLM más pequeños, que podrían "ejecutarse en el

ar
borde" (por ejemplo, dispositivos de usuario final), así como en centros de datos más pequeños. Mientras OpenAI, Anthropic y otros
estaban construyendo LLM cada vez más grandes, con 2 billones o más de parámetros, empresas como Meta, Apple, Alphabet y
numerosas empresas emergentes también estaban implementando LLM más pequeños, que no requerirían tanta potencia de
r
procesamiento para entrenarse y ejecutarse. Los modelos más pequeños también eran más rápidos y tenían un menor costo de
entrenamiento y mantenimiento.
nt
Uno de los LLM más comentados en 2024 fue Llama de Meta. A diferencia de muchos de sus competidores, Llama
era de código abierto y mucho más pequeño (parámetros 8B, 70B y 405B a mediados de 2024).69Apple también anunció
co

su propio modelo de IA llamado Apple Intelligence, que utilizaba un pequeño LLM que se ejecutaría en el iPhone con
chips ARM de Apple. Apple también utilizó el TPU de Google (descrito a continuación) para entrenar su IA, no las GPU de
Nvidia.70De manera similar, en el verano de 2024, Microsoft anunció una nueva “PC con IA” que prometía una mayor
en

duración de la batería y un sofisticado procesamiento de IA sin GPU. Se basaba en una CPU Qualcomm ARM y un chip
acelerador Qualcomm para la inferencia.

Uno de los mayores interrogantes técnicos era la demanda de inferencia frente a entrenamiento. Las GPU eran
esenciales para entrenar la mayoría de los grandes modelos de IA. No había buenas alternativas en 2024. Pero una vez
e

que se entrenaba un modelo, había varias soluciones para proporcionar inferencia. Si bien las GPU podían ofrecer más
potencia computacional para tareas de inferencia exigentes, su uso consumía más energía y eran más costosas de
ed

comprar y operar. Los competidores que diseñaban CPU, incluidos Intel, AMD y Qualcomm, estaban promocionando los
centros de datos para cambiar de GPU a CPU y chips aceleradores especiales diseñados específicamente para cargas de
trabajo de inferencia de IA. El costo total de propiedad (TCO) de las CPU con aceleradores era potencialmente mucho
pu

menor que el TCO de las GPU Nvidia de gama alta. Pero Huang argumentaba con frecuencia que el rendimiento
superior de Nvidia generaba retornos superiores para los clientes.

Otra gran incógnita sobre la demanda de las empresas estadounidenses, incluidas Nvidia y AMD, fueron las restricciones a
las ventas de GPU a China. Estados Unidos impuso controles de exportación a los semiconductores avanzados, incluidas las
se

GPU. China representó el 14% de las ventas de centros de datos de Nvidia en el año fiscal 2024, por debajo del 19% del año
anterior.71Además, algunas de las GPU de Nvidia, incluidas las desarrolladas específicamente para China, no podían enviarse sin
una licencia de exportación. Como resultado, Nvidia esperaba más caídas en las ventas chinas. Nvidia también declaró que
estaba planeando desarrollar chips que pudieran enviarse a China sin dejar de cumplir con las restricciones comerciales.72No se
o

sabe si el presidente de Estados Unidos en 2025 permitirá tales ventas. Por último, hay pruebas de que China ha eludido la
prohibición estadounidense de exportar chips
N

utilizando empresas fantasma y envíos a través de Hong Kong.73Si la política estadounidense tomara medidas drásticas contra estos envíos, las
ventas de GPU estadounidenses a China podrían verse gravemente afectadas.

º
Competencia

P.
Inevitablemente, la combinación de una alta cuota de mercado, el crecimiento previsto y las preocupaciones de los
clientes por la concentración de proveedores induciría a nuevos competidores a entrar en la contienda. El desafío para los
potenciales competidores era que las GPU de Nvidia eran líderes en rendimiento, redes y programación con CUDA.

Competidores directos: AMD e Intel

AMDEl rival más directo de Nvidia fue Advanced Micro Devices (AMD). En 2014, Lisa Su (prima hermana de Huang) asumió
el cargo de directora ejecutiva. Doctora en ingeniería eléctrica por el MIT, convirtió a AMD en un actor líder en semiconductores
después de décadas en las que la empresa ocupó un lugar secundario frente a Intel. Para 2024, AMD había captado
aproximadamente el 35% del mercado de CPU para PC.74y el 24% de las CPU en el centro de datos.75Si bien las CPU eran el
negocio principal de AMD, la empresa ingresó al mercado de GPU en 2006 cuando compró ATI por 5.400 millones de dólares.76
En ese momento, ATI tenía aproximadamente una cuarta parte del mercado de GPU.77Si bien Nvidia siguió siendo líder en
rendimiento, AMD ganó participación de mercado en juegos al capturar el negocio de PlayStation para Sony y Xbox para
Microsoft.

En un esfuerzo por igualar (o superar) a Nvidia después del lanzamiento de ChatGPT, AMD invirtió agresivamente en
GPU de mayor rendimiento. Sin embargo, la mejor GPU de AMD (MI250X) ofrecía aproximadamente 380 teraflops.78Mientras
que el H100 de Nvidia podría ofrecer hasta 1.000 teraflops.79Un analista independiente también descubrió que la GPU de
próxima generación de Nvidia, Blackwell (H200), funcionaba un 44% más rápido que las mejores GPU de AMD. Pero algunos
analistas predijeron que AMD acabaría reduciendo la brecha de rendimiento. AMD también redujo significativamente el
precio de su GPU (8.000-10.000 dólares frente a 25.000-40.000 dólares).80

En agosto de 2024, AMD realizó su mayor movimiento cuando compró ZT Systems por 4.900 millones de dólares.81
ZT diseñó equipos de centros de datos para empresas de computación en la nube y vendió servidores, racks y otras
sé

infraestructuras. AMD esperaba que les permitiera competir con el DGX100 de Nvidia. Si bien el DGX100 permitía una
personalización muy limitada, los sistemas de ZT podían construir sistemas más personalizados para los clientes. Lisa
Su afirmó enfáticamente que "no existe un modelo único que sirva para todos... la apertura permitirá que el
ecosistema innove".82

AMD estaba ganando algo de terreno, aumentando sus ingresos esperados provenientes de las GPU para centros de datos de
4.000 a 4.500 millones de dólares en 2024.83Sin embargo, AMD tuvo que hacer frente al mismo problema de suministro que Nvidia.
lo

Mientras que Nvidia esperaba varios millones de GPU de TSMC en 2024, AMD solo recibiría unos pocos cientos de miles.

IntelEl líder en volumen de chips gráficos siguió siendo Intel en 2024. Como empresa líder en CPU, Intel comenzó a
vender gráficos de gama baja para PC a fines de la década de 1990. Con el tiempo, Intel incorporó gráficos de bajo
rendimiento en los chipsets que vendía para PC y capturó entre el 70 y el 80 % de ese mercado.84
Alrededor de 2006, la dirección de Intel reconoció el mercado potencial para los gráficos de alta gama, y se asignó a
Pat Gelsinger (CEO de Intel en 2024) la tarea de construir el chip. Después de cuatro años y cientos de millones de
o

dólares, el proyecto se canceló (y Gelsinger dejó la empresa durante una década). Intel siguió invirtiendo en gráficos,
incluida la compra de varias empresas de chips de IA que ofrecían aceleradores especializados para entrenamiento e
inferencia. Su mayor compra fue Habana Labs por 2.000 millones de dólares en 2019. El procesador Gaudi2 de Habana
estaba posicionado para competir con el H100 de Nvidia, a aproximadamente la mitad del precio (8.000-10.000 dólares).
N

Al igual que AMD, esto convirtió a Gaudi2 en una alternativa rentable. Sin embargo, Gaudi2 aún no igualaba el
rendimiento del H100, su chip de próxima generación para competir con Blackwell no se esperaba hasta finales de
2025, y su soporte de ecosistema y software no eran tan maduros como CUDA.85

Clientes-competidores: Alphabet y Amazon

t
Los grandes gigantes tecnológicos, como Alphabet, Amazon y Microsoft, consideraron que desarrollar sus propios chips de IA
en la empresa era una forma de reducir costos y eliminar la escasez. Esto llevó a una carrera entre los hiperescaladores para diseñar

os
chips de IA que pudieran reemplazar o complementar a Nvidia.

TPU de GoogleEn diciembre de 2023, junto con el debut de Google LLM Gemini, Alphabet anunció el lanzamiento de su chip
más nuevo llamado Google Cloud TPU v5p, el 5ElGeneración de su línea TPU. Las TPU, o unidades de procesamiento tensorial,
eran “circuitos integrados específicos de aplicaciones (ASIC) desarrollados a medida por Google que se usaban para acelerar las
cargas de trabajo de aprendizaje automático”.86A diferencia de las GPU, que fueron diseñadas para el procesamiento paralelo y
fueron modificadas para el procesamiento de IA, Google diseñó TPU específicamente para redes neuronales, incluido el
entrenamiento y la inferencia.87Esta eficiencia en las operaciones significó que las TPU de Google Cloud consumían menos

o
energía que los chips de Nvidia: los Tesla V100 y A100 de Nvidia utilizaban entre 250 y 400 vatios por tarjeta, mientras que las
TPU v3 y v4 de Google Cloud utilizaban entre 120 y 150 y entre 200 y 250 vatios por chip, respectivamente.88También le ahorró a
Google una cantidad importante de dinero: mientras que la empresa supuestamente compró chips Nvidia por alrededor de

añ
15.000 dólares cada uno, Google gastó entre 2.000 y 3.000 dólares en cada TPU que diseñó internamente. Como afirmó un
analista: “Cuando [Google] se encontró con un proveedor que los puso en apuros, reaccionaron con mucha firmeza”.89

AmazonasAmazon comenzó a desarrollar chips en 2015 a través de la adquisición de la firma israelí de

diseño de chips Annapurna Labs. A través de esta adquisición, Amazon lanzó tres chips: Graviton, Trainium e
Inferentia. Graviton era una CPU que, según Amazon, tenía "una relación precio-rendimiento 40 % mejor que los
chips x86 comparables".90Para 2024, Amazon había lanzado el 4Elgeneración de Graviton, que tuvo mejoras
significativas en el rendimiento computacional y la memoria con respecto a las tres generaciones anteriores.91
o
Los chips Graviton4 también “se basan en la arquitectura Arm y consumen menos energía que los chips de Intel
o AMD”.92Según Amazon, más de 50.000 clientes de AWS ya utilizaban chips Graviton a finales de 2023.93
Trainium fue utilizado por grandes empresas de IA como Anthropic para la formación de LLM (una empresa que
tC

recibió una inversión de 4 mil millones de dólares de Amazon)94, y clientes como Airbnb y ByteDance utilizaron
Inferentia para cargas de trabajo de inferencia de IA. Amazon también utilizó Inferentia para impulsar Alexa,
Amazon Ads y Rufus, su nuevo robot de compras.95
Según un vicepresidente de Amazon, Trainium e Inferentia ofrecían “hasta un 40%, 50% en algunos casos, de mejora en
precio (y) rendimiento, por lo que debería costar la mitad de lo que costaría ejecutar el mismo modelo con Nvidia”.96
Dado que AWS controla más de un tercio del mercado de la computación en la nube, las ganancias de eficiencia del
40-50 % en sus tres chips de IA significaron beneficios financieros reales.

En noviembre de 2023, Amazon lanzó la segunda generación de su chip de inteligencia artificial Trainium2, que era
4 veces más rápido de entrenar que el chip de primera generación, al tiempo que mejoraba la eficiencia energética
hasta en un 200%.97En julio de 2024, Amazon anunció que se centraría en desarrollar una nueva serie de chips de IA
que fueran menos costosos y más rápidos que las GPU de Nvidia. Su objetivo era reducir su dependencia de Nvidia y
disminuir el “impuesto Nvidia”, o la prima que se paga por los chips de la empresa. Andy Jassy comentó que había
“escuchado alto y claro de los clientes que aprecian una mejor relación precio-rendimiento”.98

Empresas emergentesNumerosas empresas emergentes estaban construyendo alternativas a las GPU de Nvidia y recibieron
millones de dólares en financiación para desarrollar chips lo suficientemente potentes para la IA y los centros de datos. Una de las
empresas emergentes más conocidas fue Cerebras Systems, que desarrolló un solo chip (en lugar del enfoque de múltiples chips de
Nvidia) para las capacidades de GPU, procesamiento central y memoria. Según el director ejecutivo Andrew Feldman, este modelo de
chip único era mejor para la formación de LLM. “Nosotros utilizamos un chip gigante, ellos [Nvidia] utilizan muchos chips pequeños. Ellos
D

tienen dificultades para mover datos, nosotros no”.99En su ronda de financiación más reciente en 2021, Cerebras Systems fue valorada
en 4 mil millones de dólares. En agosto de 2024, Cerebras lanzó Cerebras Inference, su producto de inteligencia artificial más rápido, que
afirmaba ser 20 veces más rápido que Nvidia y costaba una quinta parte del precio por token.100

Sin embargo, Cerebras no era tan versátil como Nvidia: mientras que los chips de Nvidia podían usarse en
muchas aplicaciones, los de Cerebras no.101Además, CUDA estaba mucho más desarrollado y era más conocido

º
que el software necesario para programar con los chips de Cerebras.

P.
Los capitalistas de riesgo también se sumaron a la tendencia de la IA, invirtiendo 6 mil millones de dólares en empresas
de semiconductores de IA solo en 2023.102En 2019 se fundó una startup conocida como D-Matrix, que recibió 100 millones de
dólares de financiación en septiembre de 2023. Anunciaron que lanzarían "una tarjeta semiconductora para servidores" a
finales de 2024 que "reduciría el coste y la latencia de la ejecución de modelos de IA". En julio de 2024, otra startup llamada
Groq recibió 300 millones de dólares de financiación adicional de un grupo de capital riesgo liderado por Blackrock, lo que
elevó la valoración de la startup a 2.200 millones de dólares. Fundada en 2016 por Jonathan Ross, un veterano de Google que
ayudó a desarrollar el primer conjunto de TPU, Groq recibió atención adicional a principios de febrero de 2024 cuando publicó
vídeos que mostraban que sus chips podían alimentar LLM "en una fracción de segundo".103Esta velocidad se debió a la
arquitectura del chip de Groq, que fue diseñado específicamente para LLM. Sin embargo, esta velocidad también significó una
versatilidad limitada:

Los chips de Groq son tan rápidos porque están especializados para la arquitectura que sustenta los LLM. Sin
embargo, existe un equilibrio entre velocidad y flexibilidad: una de las razones por las que los chips de Nvidia
son tan populares es porque se pueden usar más fácilmente para diferentes tipos de modelos de IA.104

s
Por último, había un problema de costos: como explicó el director ejecutivo Ross, Groq había recurrido a servicios de computación en la
nube para desarrolladores, ya que resultaba prohibitivo para otros clientes.105
ga
Jim Keller, el CEO de Tenstorrent (otra start-up competidora de Nvidia), creía que nuevos modelos de IA más
pequeños y eficientes podrían alterar el panorama de los centros de datos. “Podría haber un modelo publicado
el mes que viene que reduzca los [costos] de computación diez veces”, según Keller. Esto dejaría al mundo de los
centros de datos con un exceso de capacidad masivo. Habiendo trabajado en AMD e Intel, Keller señaló que “los
semiconductores son cíclicos. Cada vez que hay un ciclo al alza, tarde o temprano, alguien construye demasiada
capacidad. Y luego, cuando hay una crisis, todos dicen 'debías haberlo visto venir'”. Pensaba que muchas
empresas irían a la quiebra porque “ya existe una brecha entre lo que la gente paga por entrenar modelos y lo
ha

que cobra [por IA]… ya están hasta el cuello”.106De hecho, incluso OpenAI parecía probable que perdiera 5.000
millones de dólares en 2024.107

Competencia para CUDA: Para reducir la dependencia de Nvidia, los clientes buscaron alternativas a CUDA.
Una de las principales preocupaciones de los clientes era que el código desarrollado con CUDA no se podía
transferir a GPU o aceleradores que no fueran de Nvidia. Como explicó un vicepresidente de AWS, “Nvidia tiene
chips excelentes y, lo que es más importante, tiene un ecosistema increíble”, lo que hace que sea “muy, muy
difícil” lograr que los clientes utilicen otros chips.108En 2021, OpenAI lanzó un lenguaje de código abierto llamado
lo

Triton, que era similar a Python y permitía a “investigadores sin experiencia en CUDA escribir código de GPU
altamente eficiente”.109Triton también permitió a los desarrolladores ejecutar código en muchos tipos de chips,
no solo en los de Nvidia. Para 2024, Microsoft, Meta y Google estaban invirtiendo en Triton para diversificarse y
dejar de depender exclusivamente de CUDA, ya que Triton podría utilizarse en GPU de Nvidia y otras marcas de
GPU. Como explicó el director de tecnología de Intel, Greg Lavender, "Básicamente, rompe el bloqueo de CUDA".
110Jim Keller (CEO de Tenstorrent) argumentó que CUDA “es un pantano, no un foso”, porque el software era
o

demasiado complicado.111CUDA, argumentó, podría tener un destino similar al de UNIX, que finalmente perdió
frente a alternativas de código abierto más fáciles de usar, como Linux.112

AMD también trabajó en el desarrollo de una alternativa a CUDA, llamada ROCm. Presentada en 2016,113
N

AMD lo describió como una “pila de software abierta que incluye modelos de programación, herramientas, compiladores,
bibliotecas y tiempos de ejecución para el desarrollo de soluciones de IA y HPC en GPU AMD”. Sin embargo, ROCm nunca

eo
A medida que CUDA ganó popularidad, en 2024 AMD estaba desarrollando otros enfoques para desarrollar su
software.114

rr
Las decisiones de Jensen Huang a finales de 2024

Co
Si bien las perspectivas a corto plazo de Nvidia parecían inexpugnables, la industria de semiconductores era un
negocio de innovación constante y nuevos desafíos. El desafío inmediato era cómo asignar y fijar precios en un mundo
de escasez y demanda en explosión. Los desafíos a largo plazo estaban relacionados con hasta dónde debería llegar
Nvidia en la cadena de valor. Con ingresos y flujo de caja en explosión, todas las opciones estaban sobre la mesa.

La asignación de productos puede parecer fácil: dejar que el mercado decida. Realizar una subasta que
probablemente produciría precios muy altos, márgenes altos y una base de clientes altamente concentrada. El
problema era que Huang sabía que era importante equilibrar la relación de Nvidia con los clientes estratégicos, como
los grandes proveedores de la nube, con los socios OEM, como Dell y HP, y distribuir las GPU entre todos los segmentos
de clientes clave, como los centros de datos frente a los juegos. Además, Nvidia estaba comprometida con el apoyo a un
amplio ecosistema, lo que significaba que quería que los investigadores y desarrolladores de software tuvieran acceso a
productos de vanguardia. Al mismo tiempo, Huang tenía que preocuparse de que los clientes acapararan y compraran
en exceso GPU y luego cancelaran; o de que los clientes compraran GPU y las vendieran en reventa. Por último, Huang
no quería que las GPU se concentraran en una sola geografía.

En lugar de una subasta, un segundo enfoque fue utilizar el poder monopólico virtual de Nvidia para discriminar precios y
cobrar a distintos clientes precios diferentes, en función de su probable disposición a pagar. Andrew Feldman, director ejecutivo
de Cerebras, argumentó que esto sucedería en 2023-2024 y que "simplemente están extorsionando a sus clientes y nadie lo dirá
en voz alta".115Otro competidor argumentó que Nvidia estaba cobrando una prima inversa: mientras que los clientes más
grandes generalmente obtenían descuentos por volumen, Nvidia podía cobrar un precio más alto a los clientes que querían una
mayor asignación.116Nvidia también podría asignar "estratégicamente", favoreciendo intencionalmente a algunos clientes sobre
otros. Por ejemplo, Nvidia le dio a CoreWeave, una pequeña empresa privada de computación en la nube respaldada por capital
y

de riesgo que se especializaba en computación de IA con uso intensivo de GPU, una asignación significativa (40 000 GPU;
consulteAnexo 7). Otra posibilidad era crear una cola: los clientes que compraron GPU de gama baja y margen más bajo y otros
productos de Nvidia podrían recibir mayor prioridad y más asignación. En otras palabras, Huang tenía muchas alternativas. Sin
embargo, tenía que tomar decisiones que pudieran pasar la prueba de las autoridades antimonopolio que investigaban a la
C

empresa. Insistió públicamente en que Nvidia asignaba de manera “justa”, pero ¿qué era “justo”?117

Las cuestiones a largo plazo sobre dónde jugar en la cadena de valor eran una lucha interminable para una empresa
de semiconductores como Nvidia. Por un lado, dependía profundamente de un único proveedor (TSMC) y era cada vez
o

más vulnerable a los hiperescaladores altamente concentrados y sofisticados. En el futuro, podría verse exprimida por
ambos lados. Del lado del proveedor, Nvidia tenía una estrecha relación con TSMC, pero TSMC tenía un historial de subir
los precios en períodos de alta demanda; además, la dependencia de TSMC de la producción en Taiwán creaba riesgos
geopolíticos. La alternativa más probable a TSMC era Intel, que estaba detrás de TSMC en tecnología de procesos en
N

2024. Intel había comprometido decenas de miles de millones de dólares para construir un negocio de fundición que
fuera competitivo con TSMC, pero no se esperaba que Intel igualara las capacidades de fundición de TSMC durante
varios años. Intel también era un competidor de Nvidia. Huang explicó públicamente que: "En el caso de que tengamos
que cambiar de una fábrica a otra, tenemos la capacidad de hacerlo. No podremos conseguir el mismo nivel de
rendimiento ni de coste, pero sí podremos proporcionar el suministro”.118
D

Del lado del cliente, los mayores proveedores de nube (AWS, Google y Microsoft) estaban desarrollando alternativas
de GPU. Huang confiaba en que Nvidia podría superar en innovación a los proveedores de nube, pero

¿Sería eso suficiente para retener el negocio? ¿Debería Nvidia avanzar agresivamente para construir una conexión directa con los clientes

ar
de IA? ¿La competencia con los proveedores de la nube aceleraría su transición a productos alternativos? ¿O debería Nvidia mantener el
rumbo, competir con AWS, Google y Microsoft y utilizar su ventaja de rendimiento para demostrar al cliente final que las GPU de Nvidia
eran la mejor solución? Finalmente, al ofrecer a los clientes de los centros de datos sistemas completos, como el DGX H100, Nvidia
competía directamente con Dell, HP, Lenovo y otros fabricantes de equipos originales que fabricaban servidores. Dado que los precios de
los chips de Nvidia eran muy altos, la mayoría de los fabricantes de equipos originales tuvieron dificultades para obtener buenos

ic
márgenes en los servidores basados en Nvidia.119A medida que Nvidia se adentraba en el mercado de los servidores, los fabricantes de
equipos originales (OEM) se dieron cuenta de lo que iba a pasar: si Nvidia vende servidores en grandes cantidades directamente a los
centros de datos, ¿qué papel desempeñarán? Si surgen competidores de Nvidia en el ámbito de los chips, ¿huirán los OEM? Cuando Intel
intentó hacer algo similar siete años antes, sus principales clientes OEM se pasaron a AMD, lo que obligó a Intel a dar marcha atrás.120

bl
A pesar de estos desafíos estratégicos a largo plazo, a fines de 2024 todas las empresas del mundo tecnológico
miraban con asombro a Jensen Huang y Nvidia. Su asombroso crecimiento en ingresos y ganancias desde el

pu
lanzamiento de ChatGPT era la envidia del mundo.
ni
ar
pi
co
o
N

Anexo 1aResumen financiero de Nvidia (en millones de dólares) por año fiscal (febrero-enero)

ar
2010 2015 2020 2021 2022 2023 2024

Ganancia 3.326 4.682 10,918 16.675 26.914 26.974 60,922

ic
Engranajes de engranajes 2.138 2.083 4.150 6,118 9,439 11.618 16.621
Investigación y desarrollo 818 1.360 2.829 3.924 5,268 7,339 8,675
Gastos de venta, generales y administrativos 329 480 1.093 1.912 2.166 2.440 2.654
Resultado operativo (pérdida) 41 759 2.846 4.721 10.041 5,577 32.972

bl
Resultado neto 68 631 2.796 4.332 9,752 4.368 29.760
EBITDA 238 979 3.227 5.819 11.215 7,121 34.480

447 497

pu
Efectivo y equivalentes de efectivo 10,896 847 1.990 3.389 7,280
Activos totales 3.586 7.201 17.315 28.791 44.187 41.182 65.728
Pasivos totales 921 2.783 5,111 11.898 17.575 19.081 22.750
Patrimonio total de los accionistas 2.665 4.418 12.204 16.893 26.612 22.101 42.978

Margen bruto 36% 56% 62% 63% 65% 57% 73%

(3%) 14% 26% 30% 45% 18% 92%
ni
Rentabilidad sobre el capital

Ingresos del centro de datos - - 2.983 6.696 10,613 15.005 47.525

Ingresos por juegos de azar - - 5,518 7.759 12.462 9,067 10,447

Fuente: Creado por casewriter usando datos de 10-K de Nvidia y Capital IQ, consultado el 14 de agosto de 2024.
ar

Anexo 1bIngresos trimestrales de Nvidia por trimestres calendario, 2020-2024

pi
co
o
N

Fuente: Creado por casewriter usando datos de Statista, “Ingresos de Nvidia en todo el mundo desde el año fiscal 2021 hasta 2025”. https://
[Link]/statistics/1424787/nvidia-market-revenue-by-trimestre/, consultado el 10 de septiembre de 2024.

Anexo 1cPorcentaje de los ingresos de Nvidia por línea de productos, 2018-2023 (por año calendario)

ar
ic
bl
pu
ni
Fuente: Creado por redactor de casos usando datos de Estrategia, “Nvidia en el Cima de la montaña",
[Link] consultado el 22 de septiembre de 2024.
ar
pi
co
o
N

Anexo 1d Ingresos globales de Nvidia por segmento de mercado en millones de dólares, años fiscales 2019-2024

ar
lic
ub
Fuente:
ip
Creado por casewriter usando datos de Statista, “Ingresos del mercado especializado de Nvidia en todo el mundo desde el año fiscal
2019 hasta 2025, por trimestre”,[Link] quarterlyrevenue-by-
rn
specialized-market/, consultado el 7 de septiembre de 2024.

Anexo 2Resumen financiero de TSMC, Intel y AMD (en millones de dólares) por año

Resumen financiero de TSMC (en millones de dólares) por año fiscal (igual que el año calendario)
a

2010 2015 2020 2021 2022 2023

Ganancia 14.388 25.580 47.672 57.281 73.692 70,557

Engranajes de engranajes 7,287 13.135 22.359 27.708 29.802 32.202
Investigación y desarrollo 1.019 1.988 3.897 4.501 5.314 5,952
co

Gastos de venta, generales y administrativos 623 695 1.266 1.605 2.065 2.333
Resultado operativo (pérdida) 5,459 9,759 20,169 23.464 36.525 30.075
Resultado neto 5,542 9,184 18.181 21,526 33.089 27.368
EBITDA 8,394 16.456 31.751 38.457 50,502 47.160
o

Efectivo y equivalentes de efectivo 5.072 17.064 23.500 38.429 43.710 47.830

Activos totales 24.656 50,262 98.267 134.432 161.609 108.572
N

Pasivos totales 4.809 14.024 32,921 56.102 65,242 66.881

Patrimonio neto total 19.847 36.239 65.346 78,329 96.367 113.691
Margen bruto 49% 49% 53% 52% 60% 54%
Rentabilidad sobre el capital 30 27% 30% 30% 40% 26%
D

Fuente: Compilado por el autor del caso utilizando datos de documentos de la empresa, consultado el 14 de agosto de 2024.

Anexo 2Resumen financiero de Intel (en millones de dólares) por año fiscal (igual que el año calendario)

ar
(continuación)

2010 2015 2020 2021 2022 2023

43.623 55.355 77.867 79.024 63.054 54.228

ic
Ganancia

Engranajes de engranajes 15.132 20.676 34.255 35,209 35,949 32.517

Investigación y desarrollo 6,576 12,128 12.556 15.190 17.528 16.046
6.309 7,930 6.180 6,543 7.002 5.634

bl
Gastos de venta, generales y administrativos

Resultado operativo (pérdida) 15.588 14.356 22.082 22.082 2,575 31

Resultado neto 11,464 11.420 20.899 19.868 8.014 1.689
EBITDA 20,226 23.067 36.115 33.874 15.610 9,633

pu
Efectivo y equivalentes de efectivo 5,498 15.308 5.865 4.827 11,144 7,079
Activos totales 63.186 101.459 153.091 168.406 182.103 191.572
Pasivos totales 13.756 40.374 72.053 73.015 78.817 81.607
Patrimonio total de los accionistas 49.430 61.085 81.038 95,391 103.286 109.965
ni
Margen bruto 65% 63% 56% 55% 43% 40%
Rentabilidad sobre el capital 25% 20% 26% 23% 8% 2%

Fuente: Compilado por el autor del caso utilizando datos de documentos de la empresa, consultado el 14 de agosto de 2024.
ar
pi
co
o
N

Anexo 2Resumen financiero de AMD (en millones de dólares) por año fiscal (igual que el año calendario)

ar
(continuación)

2010 2015 2020 2021 2022 2023

6,494 3.991 9,763 16.434 23.601 22.680

ic
Ganancia

Engranajes de engranajes 3.632 2.911 5,416 8.505 11.550 11,278

Investigación y desarrollo 1.405 947 1.983 2.845 5.005 5.872
934 482 995 1.448 2.336 2.352

bl
Gastos de venta, generales y administrativos

Resultado operativo (pérdida) 462 (352) 1.369 3.648 1.264 401

Resultado neto 471 (660) 2.490 3.162 1.320 854
EBITDA 845 (185) 1.681 4.055 4.700 3.854

pu
Efectivo y equivalentes de efectivo 447 497 10,896 847 1.990 3.389
Activos totales 3.586 7.201 17.315 28.791 44.187 41.182
Pasivos totales 921 2.783 5,111 11.898 17.575 19.081
Patrimonio total de los accionistas 2.665 4.418 12.204 16.893 26.612 22.101
ni
Margen bruto 36% 56% 62% 63% 65% 57%
Rentabilidad sobre el capital (3%) 14% 26% 30% 45% 18%

Fuente: Compilado por el autor del caso utilizando datos de documentos de la empresa, consultado el 14 de agosto de 2024.
ar

Anexo 3Costo de las GPU (en USD) y sus precios de venta

Marca Modelo Costo estimado Precio de venta

Nvidia H100 $3,100 $25,000-40,000

Nvidia B200 (serie Blackwell) > $6,000 $30,000-40,000

AMD MI300X n/A $10,000-15,000

Fuente: Compilado por el autor del caso usando datos de Raymond James y Tom's Hardware. “Jensen Huang de Nvidia dice que la GPU
Blackwell costará entre $30,000 y $40,000, y luego aclara que el precio variará ya que no venderán solo el chip”. (https://
[Link]/pc-components/gpus/nvidias-jensen-huang-says-blackwell-gpu-to-costdollar30000-dollar40000-
co

later-clarifies-that-price-will-vary-as-they -no-venderé-solo-el-chip, [Link]

intelligence/nvidias-h100-ai-gpus-cost-up-to-four-timesmore-than-amds-competing-mi300x-amds-chips-cost- De 10 dólares a
15.000 dólares cada una, la nvidias-h100 ha alcanzado su punto máximo más allá de 40.000 dólares) y TechRadar, “AMD
pulveriza la RTX 4090 de Nvidia en el popular benchmark Geekbench OpenCL, pero necesitarás una pequeña hipoteca para
comprar la GPU más rápida de AMD jamás producida”. ([Link]
popular-geekbench-opencl-benchmark-but-you-will-need-a-small-mortgage-to-buyamds-fastest- GPU jamás producida),
consultado el 5 de septiembre de 2024.
o
N

Anexo 4Precios de TSMC para sus obleas

Tamaño de oblea Precio Utilizado en

3 nm $20,000 H200 y B100 de Nvidia

st
Fuente: Creado por casewriter usando datos de PCgamer, “TSMC podría aumentar el precio de las obleas en un 10 % para 2025: Informe”,
[Link] consultado el 5 de septiembre
de 2024.

Nota:Si TSMC pudiera alcanzar altos rendimientos cercanos al 90%, una oblea de 3 nm produciría aproximadamente entre 100 y 120 GPU B100 (Nvidia).
nuevas GPU Blackwell). Si los rendimientos fueran bajos, como se informó que sería el caso en 2024, la cantidad de chips sería
sustancialmente menor.

iP
Anexo 5aConsumo de energía actual y previsto para los centros de datos de EE. UU., 2000-2030

n
ar
pi

Fuente: Creado por el autor del caso utilizando datos de EPRI, “Impulsando la inteligencia: análisis de la inteligencia artificial y el consumo de
co

energía del centro de datos”.[Link]

o
N

Anexo 5b Gasto de capital en energía para centros de datos por empresa principal, 2019-2023 y 2024, primer y segundo trimestre

ar
lic
ub
ip
rn
Fuente: Compilado por el autor del caso usando datos de WSJ “The AI Spending Spree, in Charts” y GeekWire, “Capital Spending soars in the
cloud as Microsoft, Google, and others gambling strong demand on AI”.[Link]
charts-7b8e1a97?mod=Searchresults_pos2&page=1, [Link] y-otros-
gigantes-de-la-tecnología-estan-apostando-en-grande-por-la-demanda-de-ia/, consultado el 11 de septiembre de 2024.
a

Anexo 6 LLM y sus parámetros

Modelo de lenguaje grande Parámetros

Fi-1,5 1.3B
e

Fi-2 2.7B
Llama2 7B, 13B o 70B
Llama 3 8B, 70B y 400B
qu

BloombergGPT 50B
Claude2 130B
GPT-3 175B
GPT-4 “32k” 1,76 toneladas

Fuente: Compilado por el autor del caso utilizando datos de Kelvin Legal, “Understanding Large Language Models – Parameters”
co

[Link] consultado el 5 de septiembre de 2024.

Nota: Los parámetros para GPT de OpenAI son estimaciones.

o
N

Anexo 7 Estimaciones de envío de GPU Nvidia H100 en todo el mundo en 2023, por cliente

ar
ic
bl
pu
ni
Fuente: Creado por casewriter usando datos de Statista, “Envíos estimados de unidades de procesamiento gráfico (GPU) Nvidia H100
en todo el mundo en 2023, por cliente”.[Link]
consultado el 12 de agosto de 2024.
ar
pi
co
o
N

ar
Notas finales

1[Link] consultado el

lic
26 de agosto de 2024.

2 Ian King y Leah Nylen, “Nvidia recibe una citación del Departamento de Justicia en el marco de una creciente investigación antimonopolio”.Bloomberg3 de
septiembre de 2024, [Link] consultado el 9 de
septiembre de 2024.

3 “Jensen Huang”.Ingeniería de Stanford,[Link] consultado el 10 de mayo de

ub
2024.

4 Jensen Huang, fundador y director ejecutivo de NVIDIA”.Escuela de Posgrado de Negocios de Stanford, YouTube, 5 de marzo de 2024,
[Link] consultado el 5 de junio de 2024.

5 Jyoti Mann, “Las jornadas de 14 horas y el estilo de vida adicto al trabajo de Jensen Huang lo ayudaron a convertir a Nvidia en una empresa de 3 billones de
dólares”. Información empresarial7 de junio de 2024,[Link]

rP
founder-2024-4, consultado el 9 de junio de 2024.

6 “El director ejecutivo de NVIDIA, Jensen Huang”.Entrevistas adquiridas15 de octubre de 2023,[Link]

consultado el 10 de junio de 2024.

7 Nvidia 10-K, 2000 y 2024.

8[Link] consultado el 16 de septiembre de 2024.

py
9 Dean Takahashi, “Las acciones de Nvidia aumentan un 64% después de la oferta pública inicial”.El diario Wall Street, 25 de enero de 1999, consultado el 26 de agosto de
2024.

10 Dominic Kesterton, “La gran cifra: 3,34 billones de dólares”.El New York Times, 21 de junio de 2024, [Link]
2024/06/21/business/[Link], consultado el 10 de julio de 2024

11 Dominic Kesterton, “La gran cifra: 3,34 billones de dólares”.El New York Times, 21 de junio de 2024, [Link]
2024/06/21/business/[Link], consultado el 10 de julio de 2024.
tC

12 “Corporación NVIDIA (NVDA)”.Yahoo Finanzas26 de agosto de 2024,[Link] consultado el 26 de agosto

de 2024.

13 “Jensen Huang”.Índice de multimillonarios de Bloomberg,[Link] consultado el 26 de

agosto de 2024.

14 “El ascenso de Jensen Huang, el CEO de Nvidia que nació en Taiwán, se crió en Kentucky y ahora es uno de los hombres más ricos del mundo”.
Fortuna22 de febrero de 2204,[Link] consultado el 12 de
junio de 2024.

15 “Nvidia Parte 1: La empresa GPU (1993-2006)”.Adquirido, Temporada 10, Episodio 5, [Link]

episodes/nvidia-the-gpu-company-1993-2006, consultado el 10 de junio de 2024.

16 “Nvidia Parte 1: La empresa GPU (1993-2006)”.Adquirido, Temporada 10, Episodio 5, [Link]

episodes/nvidia-the-gpu-company-1993-2006, consultado el 10 de junio de 2024.

17 “Nvidia Parte 1: La empresa GPU (1993-2006)”.Adquirido, Temporada 10, Episodio 5, [Link]

episodes/nvidia-the-gpu-company-1993-2006, consultado el 10 de junio de 2024.

18 Intel 2001 10-K y Nvidia 2001 10-K.

19 Stephen Witt, “Cómo Nvidia de Jensen Huang está impulsando la revolución de la IA”.El neoyorquino27 de noviembre de 2023,
[Link]
airevolution#:~:text=For%20decades%2C%20the%20major%20manufacturer ,hasta%20my%20chips%20y%20run.%E2%80%9D,
D

consultado el 14 de agosto de 2024.

20 Alexandra Alper, Stephen Nellis y Heekyong Yang, “Exclusivo: el costo de la nueva planta de chips de Samsung en Texas supera los 25 mil millones de dólares”.Reuters15
de marzo de 2023,[Link]
fuentes-2023-03-15/, consultado el 26 de agosto de 2024.

t
“Los tiempos de espera para las GPU con IA de Nvidia se reducen a tres o cuatro meses, lo que sugiere un pico en el crecimiento a corto plazo;

o
anteriormente, la lista de espera para una H100 era de once meses: UBS”.Ferretería de Tom16 de febrero de 2024,[Link]
techindustry/artificial-intelligence/wait-times-for-nvidias-ai-gpus-eases-to-tres-to-cuatro-meses-suggesting-peak-in-near-termgrowth- la-lista-de-espera-
para-un-h100-era-anteriormente-once-meses-ubs, consultado el 26 de agosto de 2024.

rP
22 Eric Cheung y Will Ripley: “Todo el mundo quiere los chips más modernos. Eso le está causando un gran dolor de cabeza al mayor proveedor del
mundo”.CNN22 de marzo de 2024,[Link]
[Link]#:~:text=A veces, los teléfonos inteligentes, considerados los más importantes, son aplicaciones de inteligencia artificial, consultado el
29 de agosto de 2024.

23 Anton Shilov, “TSMC recibe miles de millones en pagos anticipados por capacidad de fabricación”.Ferretería de Tom17 de noviembre de
2021, [Link] consultado el 29 de agosto de 2024.

vo
24 “La inflación de los precios de las tarjetas gráficas a lo largo de los años”.Reddit, [Link]
graphic_card_price_inflation_over_the_years/. Consultado el 29 de agosto de 2024.

25 “Tarjeta gráfica NVIDIA GeForce RTX 4080 Founders Edition 16 GB GDDR6X - Titanio y negro”. [Link]
video-nvidia-founders-edition-900-1g136-2560-000-geforce-rtx-4080-16gb-gddr6x/p/1FT-0004-00844?
item=9SIB9ZZJN44231&nm_mc=knc-googleadwords&cm_mmc=knc-googleadwords-_-tarjeta%20de%20video%20- %20nvidia-_-nvidia-

i
_-9SIB9ZZJN44231&utm_source=google&utm_medium=compras+organicas&utm_campaign=kncgoogleadwords-_-
tarjeta%20de%20video%20-%20nvidia-_-nvidia-_-
ch
9SIB9ZZJN44231&fuente=región&srsltid=AfmBOop8uA_lQSH2fsHM67bTwMkSqIbC-RYH8-_VLthAsPawhyHA7sLeOGQ, consultado el 12
de agosto de 2024.

26 “¿Cuántos transistores tiene tu CPU Intel y cuál es su frecuencia (GHz)? ¿Cómo la calculas?” [Link]
How-many-transistors-are-in-your-Intel-CPU-and-what-is-its-frequency-GHz-How-do-youcalculate-it, consultado el 29 de
ar
agosto de 2024.

27 Janakiram MSV, “10 datos interesantes sobre la GPU Nvidia Hopper H100”.Forbes29 de marzo de 2022, [Link]
sites/janakirammsv/2022/03/27/10-interesting-facts-about-nvidia-hopper-h100-gpu/, consultado el 10 de agosto de 2024.

28 TSMC utilizó un proceso de 5 nm para fabricar los chips Nvidia H100; el analista de Wall Street Robert Castellano calculó que TSMC ganó 13.400
el

dólares por oblea de 5 nm, y cada oblea tiene 86 chips H100. Cada chip H100 ganó 155 dólares estadounidenses, y el paquete de superposición
generó 722,85 dólares estadounidenses. Por lo tanto, cuando TSMC es el OEM H100 de Nvidia, puede ganar un promedio de casi 900 dólares
estadounidenses por [Link]://[Link]/news/flash/16377502/analyst-on-average-each-chip-in-tsmc-s-oemh100?
level=1&data_ticket=1724692496338262

29 Tae Kim, “Mark Zuckerberg dice que Meta poseerá miles de millones de dólares en GPU Nvidia H100 para fin de año”.De Barron19 de enero de
e

2024, [Link] consultado el 28 de agosto de 2024; “DELL DGP4C NVIDIA

H100 PCIe Tensor Core GPU 80 GB Interfaz de memoria 5120 Bit HBM2E Ancho de banda de memoria 2 TB/s Unidad de procesamiento de
gráficos PCI-E 5.0 x16 128 GB/s”.Suministro de servidores, [Link]
pi

APPLICATION%20ACCELERATOR/NVIDIA/900-21010-0100-

030_396177.htm?gad_source=1&gclid=Cj0KCQjwz7C2BhDkARIsAA_SZKa7p0F74dHLJr3X804mw9bsECSAiA2wXp9ehHVNw
yfrq5SlNkIdMogaAmhDEALw_wcB, consultado el 10 de agosto de 2024.
co

30 Diana Goovaerts y Matt Hamblen, “¿Podrían los niveles de potencia de la GPU dañar el ecosistema del centro de datos?”Red feroz, 30 de abril
de 2024, [Link] consultado el 19 de agosto de 2024.

31 Ibíd.

32 Jowi Morales, “Una sola GPU de IA moderna consume hasta 3,7 MWh de energía al año; solo las GPU vendidas el año pasado consumieron más
energía que 1,3 millones de hogares”.Ferretería de Tom, 14 de junio de 2024, [Link]
o

ai-gpu-consumes-up-to-37-mwh-of-power-per-year-gpus-sold-last-year-alone-consume-more-power-than-13- million-households, consultado el 19

de agosto de [Link]://[Link]/assets/6b2fd954-2017-408e-bf08-952fdd62118a/Electricidad2024-
Análisisyprevisió[Link], consultado el 26 de septiembre de 2024.
N

33 Jowi Morales, “Una sola GPU de IA moderna consume hasta 3,7 MWh de energía al año; solo las GPU vendidas el año pasado consumieron más
energía que 1,3 millones de hogares”.Ferretería de Tom14 de junio de 2024,[Link]
moderna-consume-hasta-37-mwh-de-energía-por-año-las-gpus-vendidas-el-año-pasado-solas-consumen-más-energía-que-13-millones-de-hogares
, consultado el 19 de agosto de 2024.
23

a r
ic
34[Link] el 18 de septiembre de
2024.

l
35 “Nvidia Parte 2: Nvidia Parte II: La empresa de aprendizaje automático (2006-2022)”.Adquirido, Temporada 10, Episodio 6,

ub
[Link] consultado el 12 de junio de 2024.

36 Stephen Witt, “Cómo Nvidia de Jensen Huang está impulsando la revolución de la IA”.El neoyorquino27 de noviembre de 2023, https://
[Link]/magazine/2023/12/04/how-jensen-huangs-nvidia-is-powering-the-ai-revolution, consultado el 26 de julio de 2024.

rP
37 Stephen Witt, “Cómo Nvidia de Jensen Huang está impulsando la revolución de la IA”.El neoyorquino27 de noviembre de 2023, https://
[Link]/magazine/2023/12/04/how-jensen-huangs-nvidia-is-powering-the-ai-revolution, consultado el 26 de julio de 2024.

38 Stephen O'Neal, “Crypto Winter Survivor: Dentro de la difícil relación de Nvidia con la minería”.Telegrama de moneda19 de febrero de 2019,
[Link] consultado el 10 de junio de 2024.

39 “Nvidia Parte 2: Nvidia Parte II: La empresa de aprendizaje automático (2006-2022)”.Adquirido, Temporada 10, Episodio 6,

40 Prashant Jha, “Historia de las criptomonedas: el invierno de las criptomonedas y los hitos de Ethereum”.Telegrama de moneda5 de
abril de 2024, [Link] consultado el 10 de julio de 2024.

41 “¿Qué es GPT?”AWS,[Link] consultado el 10 de julio de 2024.

42 Nefi Alarcón, "OpenAI presenta GPT-3, un modelo de lenguaje de 175 mil millones de parámetros".Nvidia7 de julio de 2020, https://
[Link]/blog/openai-presents-gpt-3-a-175-billion-parameters-language-model/, consultado el 21 de julio de 2024.
p
43 Krystal Hu, “ChatGPT establece un récord para la base de usuarios de más rápido crecimiento – nota del analista”.Reuters2 de febrero de 2023, https://
[Link]/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/, consultado el 22 de julio de 2024.

44 Tor Björn Minde, “¡La IA generativa no funciona con el aire!”ELEVAR10 de agosto de 2023, [Link]
C

not-run-on-thinair#:~:text=El%20costo%20del%20entrenamiento%20GPT%2D4&text=OpenAI%20has%20revealed%20that%20it,
%20of%20energy%20us-age%20during%20training, consultado el 29 de agosto de 2024.
rN

45 Ben Gilbert y David Rosenthal, “Nvidia Parte II: La empresa de aprendizaje automático (2006-2022)”.Adquirido27 de marzo de 2022,
Temporada 10, Episodio 6,[Link] consultado el 12 de junio de
2024.

46 Hassan Mujtaba, “La demanda de GPU NVIDIA AI se dispara, los precios de los chips aumentan un 40% y se esperan escaseces de existencias hasta
diciembre”.Tecnología WCCF22 de mayo de 2023,[Link]
december/, consultado el 20 de junio de 2024.

47 “NVIDIA anuncia los resultados financieros del segundo trimestre del año fiscal 2025”.Sala de prensa de Nvidia28 de agosto de 2024, https://
[Link]/news/nvidia-announces-financial-results-for-segundo-trimestre-fiscal-2025, consultado el 29 de agosto de 2024.
ce

48 Thomas Alsop, “Participación de envíos de proveedores de unidades de procesamiento gráfico (GPU) para PC en todo el mundo de 2009 a 2023, por
trimestre”. Estadista18 de abril de 2024,[Link]
#:~:text=As%20of%20the%20fourth%20 quarter,market%20share%20of%2018% 20 por ciento, consultado el 29 de julio de 2024

49 “Envíos de GPU de Nvidia por cliente”.Reddit, [Link]

nvidia_gpu_shipments_by_customer/#lightbox; consultado el 29 de julio de 2024.
Ha

50 “Nvidia envió 3,76 millones de GPU para centros de datos en 2023 según un estudio”.Cable HPC10 de junio de 2024, [Link]
2024/06/10/nvidia-shipped-3-76-million-data-center-gpus-in-2023-according-to-study/, consultado el 12 de junio de 2024.

51[Link] consultado el 10/9/2024.

52 “Nvidia envió 3,76 millones de GPU para centros de datos en 2023 según un estudio”.Cable HPC10 de junio de 2024, [Link]
2024/06/10/nvidia-shipped-3-76-million-data-center-gpus-in-2023-according-to-study/, consultado el 29 de julio de 2024.

ue
53[Link] consultado el 18 de septiembre de 2024.

54 Anissa Gardizy, “Nvidia informa un crecimiento de ingresos del 122% y confirma el retraso del chip”.La información29 de agosto de
2024, [Link]
utm_campaign=%5BREBRAND%5D+%5BTI-
AM%5D+Jue&utm_content=1095&utm_medium=correo electrónico&utm_source=cio&utm_term=124&rc=ewwd92, consultado el 29 de agosto de 2024.

iq
55 Kim Lyons, “Nvidia está adquiriendo Arm por 40 mil millones de dólares”.El borde13 de septiembre de 2020, [Link]
2020/9/13/21435507/nvidia-acquiring-arm-40-billion-chips-ai-deal, consultado el 24 de julio de 2024.

56 “¿Qué sigue después de que Nvidia finalice su intento de adquirir Arm de Softbank?”Forbes, 10 de febrero de 2022, https://
[Link]/sites/tiriasresearch/2022/02/09/whats-next-after-nvidia-ends-quest-to-acquire-arm-fromsoftbank/, consultado el 24 de
julio de 2024.

bl
57 “La FTC presenta una demanda para bloquear una fusión de chips semiconductores por 40 mil millones de dólares”.Comisión Federal de Comercio, 2 de diciembre
de 2021, [Link] consultado el 24 de julio de 2024.

58 “CPU NVIDIA Grace”.Centro de datos y nube de Nvidia,[Link] consultado el 24 de julio de 2024.

pu
59 Stephen Witt, “Cómo Nvidia de Jensen Huang está impulsando la revolución de la IA”.El neoyorquino27 de noviembre de 2023, https://
[Link]/magazine/2023/12/04/how-jensen-huangs-nvidia-is-powering-the-ai-revolution, consultado el 26 de julio de 2024.

60 Anissa Gardizy, “El gasto en la nube de Nvidia se dispara, mirando más allá de los chips”.La información28 de mayo de 2024, https://
[Link]/articles/nvidias-cloud-spending-soars-as-it-looks-beyond-chips, consultado el 17 de agosto de 2024.

61 Anissa Gardizy, “El gasto en la nube de Nvidia se dispara, mirando más allá de los chips”.La información28 de mayo de 2024, https://
[Link]/articles/nvidias-cloud-spending-soars-as-it-looks-beyond-chips, consultado el 17 de agosto de 2024.
ni

“La IA generativa se convertirá en un mercado de 1,3 billones de dólares en 2032, según un estudio”.Ley Bloomberg1 de junio de 2023, https://
[Link]/company/press/generative-ai-to-become-a-1-3-trillion-market-by-2032-research-finds/, consultado el 10 de agosto de 2024.

63 “El mercado de unidades de procesamiento gráfico (GPU) crecerá a una CAGR del 33,8 % para 2032”.Investigación de precedencia,30 de
agosto de 2024, [Link]
unitmarket#:~:text=The%20global%20graphic%20processing%20unit,33.8%25%20between%202023%20and%202032., consultado el 30 de
agosto de 2024.
y

64[Link] consultado el 24 de septiembre de 2024.

65 Salvador Rodriguex, Sarah E. Needleman y Sebastian Herrera, “Amazon pagó casi mil millones de dólares por Twitch en 2014. Sigue
perdiendo dinero”.El Wall Street Journal,29 de julio de 2024,[Link]
mod=tech_trendingnow_article_pos1, consultado el 29 de julio de 2024.
ci

66[Link] consultado
el 18 de septiembre de 2024.

67 Kevin Maney, “¿Está Nvidia rehaciendo la película: 'Corning 2000'?”Substack de Kevin Maney,21 de marzo de 2024, https
//[Link]/p/is-nvidia-remaking-the-movie-corning, consultado el 29 de julio de 2024.

68 “¿Qué podría detener el frenesí de Nvidia?”El economista26 de agosto de 2024, [Link]

what-could-stop-the-nvidia-frenzy, consultado el 29 de agosto de 2024.
o

69 “Conoce a Llama 3.1.”[Link] consultado el 10 de septiembre de 2024.

70 Max A. Cherney, “Apple utilizó los chips de Google para entrenar dos modelos de IA, según muestra un artículo de investigación”.Reuters30 de
N

julio de 2024, [Link]

mc_cid=b04a390009&mc_eid=001d905869, consultado el 19 de agosto de 2024.

71 Nvidia 10-K, año fiscal 2024.

r
y
72 Fanny Potkin, “Exclusiva: Nvidia prepara una versión del nuevo chip de inteligencia artificial insignia para el mercado chino”.Reuters22 de julio de 2024,
[Link] consultado el 24 de julio de
2024.

op
73[Link] consultado el 29 de julio de 2027.

74 Thomas Alsop, “Distribución de unidades centrales de procesamiento (CPU) de computadoras Intel y AMD x86 en todo el mundo de 2012 a
2024, por trimestre”.Estadista19 de julio de 2024,[Link]
mundial-x86-intel-amd/, consultado el 28 de agosto de 2024.

75 Anton Shilov, “AMD registra su mayor participación en el mercado de servidores en décadas; Intel contraataca en el mercado de PC clientes”.Ferretería de

ar
Tom12 de agosto de 2024,[Link]
back-in-client-pcs, consultado el 28 de agosto de 2024.

76 “AMD comprará ATI por 5.400 millones de dólares”.Noticias CBS24 de julio de 2006,[Link]
millones/, consultado el 28 de agosto de 2024.

ic
77 “ATI podría ver más ganancias en participación de mercado en el sector de alta gama”.Forbes1 de febrero de 2006,[Link]
[Link], consultado el 28 de agosto de 2004.

78 “Aceleradores AMD Instinct™ Serie MI200”.Boston Ltd22 de marzo de 2022, [Link]

bl
[Link], consultado el 28 de agosto de 2024.

79 “Arquitectura de GPU NVIDIA H100 Tensor Core”.Nvidia, 2022,[Link]

uploads/2022/03/[Link], consultado el 28 de agosto de 2024.
Pu
80 “Comparación de los motores de cómputo AMD MI200 y Nvidia A100”.La próxima plataforma6 de diciembre de 2021, https://
[Link]/2021/12/06/stacking-up-amd-mi200-versus-nvidia-a100-compute-engines/, consultado el 28 de agosto de 2024; Tae Kim,
“Mark Zuckerberg dice que Meta poseerá miles de millones de dólares en GPU Nvidia H100 para fin de año”.De Barron19 de enero de 2024,https://
[Link]/articles/meta-stock-price-nvidia-zuckerberg-b0632fed, consultado el 28 de agosto de 2024.

81 Asa Fitch, “AMD compra fabricante de equipos de inteligencia artificial por casi 5 mil millones de dólares, intensificando la batalla con Nvidia”.El Wall
StreetRevista, 19 de agosto de 2024,[Link]
consultado el 19 de agosto de 2024.

82 “Una entrevista con la directora ejecutiva de AMD, Lisa Su, sobre cómo resolver problemas difíciles”, 6 de junio de 2024, Stratechery ([Link]/2024).

83 Tae Kim, “Las acciones de AMD suben tras la publicación de sus resultados. El fabricante de chips volvió a elevar sus previsiones para el mercado de chips de inteligencia artificial”.De
Barron31 de julio de 2024, [Link] consultado el 28 de agosto de 2024.

84 Thomas Alsop, “Distribución de unidades centrales de procesamiento (CPU) de computadoras Intel y AMD x86 en todo el mundo de 2012 a
2024, por trimestre”.Estadista19 de julio de 2024,[Link]
mundial-x86-intel-amd/, consultado el 28 de agosto de 2024.

85[Link] consultado el 24 de septiembre de 2024.

86 “Introducción a Cloud TPU”.Nube de Google,[Link] consultado el 17 de agosto de 2024.

87 Kurtis Pykes, “Comprensión de las TPU y las GPU en IA: una guía completa”.Campamento de datos, Mayo de 2024,
r

[Link] consultado el 17 de agosto de 2024.

88 Kurtis Pykes, “Comprensión de las TPU y las GPU en IA: una guía completa”.Campamento de datos, Mayo de 2024,
[Link] consultado el 17 de agosto de 2024.

89 Cade Metz, Karen Weise y Mike Isaac, “Los grandes rivales tecnológicos de Nvidia ponen sus propios chips de inteligencia artificial sobre la mesa”.El New
ha

York Times, 29 de enero de 2024,[Link] consultado el 17 de

agosto de 2024.

90 Eric J. Savitz, “Los gigantes de la nube se están enfrentando a Nvidia en chips de IA. Aquí explicamos por qué y cómo”.De Barron19 de abril de 2024,
[Link] consultado el 17 de agosto de 2024.
o

91 Kyle Wiggers, “Amazon presenta nuevos chips para entrenar y ejecutar modelos de IA”.TecnologíaCrunch28 de noviembre de 2023, https://
[Link]/2023/11/28/amazon-unveils-new-chips-for-training-and-running-ai-models/, consultado el 17 de agosto de 2024.
N

92 Jordan Novet, “Amazon anuncia un nuevo chip de inteligencia artificial a medida que profundiza su relación con Nvidia”.CNBC28 de noviembre de 2023,
[Link] [Link], consultado el 18 de agosto de 2024.

93 Jordan Novet, “Amazon anuncia un nuevo chip de inteligencia artificial a medida que profundiza su relación con Nvidia”.CNBC28 de noviembre de 2023,

ro
[Link] [Link], consultado el 18 de agosto de 2024.

94 Cade Metz, Karen Weise y Mike Isaac, “Los grandes rivales tecnológicos de Nvidia ponen sus propios chips de inteligencia artificial sobre la mesa”.El New
York Times, 29 de enero de 2024,[Link] consultado el 17 de
agosto de 2024.

95 Eric J. Savitz, “Los gigantes de la nube se están enfrentando a Nvidia en chips de inteligencia artificial. Aquí explicamos por qué y cómo”.De Barron19

ib
de abril de 2024, [Link] consultado el 17 de agosto de 2024.

96 Max A. Cherney, “Amazon se apresura a desarrollar chips de IA más baratos y más rápidos de lo que dicen los ejecutivos de Nvidia”.Reuters,
25 de julio de 2024, [Link]
nvidiasexecutives-say-2024-07-25/, consultado el 17 de agosto de 2024.

97 “AWS presenta chips de próxima generación diseñados por AWS”.Amazonas28 de noviembre de 2023, [Link]

l
2023/11/aws-unveils-next-generation-aws-designed-chips, consultado el 17 de agosto de 2024.

98 Christiaan Hetzner, “Las acciones tecnológicas sufren un duro golpe mientras el fondo de cobertura Elliott advierte que las empresas de inteligencia artificial como Nvidia están en una
'tierra de burbujas'”. Fortuna2 de agosto de 2024,[Link] consultado el 17 de agosto de 2024.
el
99 Kif Leswing, “Nvidia domina el mercado de chips de IA, pero hay más competencia que nunca”.CNBC2 de junio de 2024,
[Link]
. html#:~:text=Nvidia%20ha%20generado%20aproximadamente%20%2480,un%20mejor%20chip%20para%20tareas%20particulares., consultado en junio
20, 2024.

100 “Presentamos la inferencia de Cerebras: IA a velocidad instantánea”.Cerebras27 de agosto de 2024,[Link]

inference-ai-at-instant-speed, consultado el 10 de septiembre de 2024.
e

101 “¿Puede Cerebras competir con Nvidia?”Investigación de Brownridge31 de mayo de 2024,[Link]

consultado el 24 de septiembre de 2024.

102 Kif Leswing, “Nvidia domina el mercado de chips de IA, pero hay más competencia que nunca”.CNBC2 de junio de 2024,
pi

[Link]
. html#:~:text=Nvidia%20ha%20generado%20aproximadamente%20%2480,un%20mejor%20chip%20para%20tareas%20particulares., consultado en junio
20, 2024.

103 Natasha Mascarenhas y Stephanie Palazzolo, “Groq, un rival de Nvidia, se acerca a un acuerdo con BlackRock valorado en 2.200 millones
de dólares; se revela la misteriosa empresa de Musk”.La información10 de julio de 2024,[Link]
annvidia-rival-nears-2-2-billion-value-blackrock-deal-musks-mystery-company-revealed, consultado el 18 de julio de 2024.
co

104 Natasha Mascarenhas y Stephanie Palazzolo, “Groq, un rival de Nvidia, se acerca a un acuerdo con BlackRock valorado en 2.200 millones
de dólares; se revela la misteriosa empresa de Musk”.La información10 de julio de 2024,[Link]
annvidia-rival-nears-2-2-billion-value-blackrock-deal-musks-mystery-company-revealed, consultado el 18 de julio de 2024.

105 Natasha Mascarenhas y Stephanie Palazzolo, “Groq, un rival de Nvidia, se acerca a un acuerdo con BlackRock valorado en 2.200 millones
de dólares; se revela la misteriosa empresa de Musk”.La información10 de julio de 2024,[Link]
annvidia-rival-nears-2-2-billion-value-blackrock-deal-musks-mystery-company-revealed, consultado el 18 de julio de 2024.

106 Stephanie Palazzolo y Amir Efrati, “Las agresivas tácticas de ventas de Nvidia resultarán contraproducentes, dice un rival”.La información, 21 de agosto de
o

2024,[Link] consultado el 28 de agosto de 2024.

107[Link]
utm_campaign=%5BREBRAND%5D+%5BTI-
N

AM%5D+Jue&utm_content=1095&utm_medium=correo electrónico&utm_source=cio&utm_term=124&rc=ewwd92, consultado el 29 de agosto de 2024.

108 Cade Metz, Karen Weise y Mike Isaac, “Los grandes rivales tecnológicos de Nvidia ponen sus propios chips de inteligencia artificial sobre la mesa”.El New
York Times, 29 de enero de 2024,[Link] consultado el 17 de
agosto de 2024.

ar
109 “Presentamos Triton: programación de GPU de código abierto para redes neuronales”.IA abierta28 de julio de 2021, https://
[Link]/index/triton/, consultado el 20 de agosto de 2024.

110 Tim Bradshaw, “Los rivales de Nvidia apuntan a su dominio del software”.El tiempo financiero, 21 de mayo de 2024, https://

ic
[Link]/contenido/, consultado el 13 de julio de 2024.

111[Link]
utm_campaign=article_email&utm_content=article-13473&utm_medium=email&utm_source=sg&rc=ewwd92, consultado el 26 de
agosto de 2024.

bl
112 Ibíd.

113 “AMD lanza una nueva versión de ROCm, la plataforma de código abierto más versátil para computación en GPU”.AMD, https://
[Link]/en/newsroom/press-releases/[Link], consultado el 17 de
septiembre de 2024.

pu
114 Matthew S. Smith, “Los rivales están llegando para disputarle la corona a Nvidia”.Espectro IEEE16 de septiembre de 2024, https://
[Link]/nvidia-ai, consultado el 16 de septiembre de 2024.

115 Stephen Witt, “Cómo Nvidia de Jensen Huang está impulsando la revolución de la IA”.El neoyorquino27 de noviembre de 2023,
[Link]
airevolution#:~:text=For%20decades%2C%20the%20major%20manufacturer ,hasta%20my%20chips%20y%20run.%E2%80%9D,
consultado el 26 de julio de 2024, pág. 19.

116 Entrevista con un competidor de IA, 15 de mayo de 2024.

ni
117 Kylie Robinson, “La demanda de los clientes por los chips Nvidia es tan superior a la oferta que el CEO Jensen Huang tuvo que discutir cuán
'justamente' la empresa decide quién puede comprarlos”.Fortuna21 de febrero de 2024,[Link]
huang-gpu-demand-supply-allocate-fairly/, consultado el 19 de agosto de 2024.

118[Link] consultado el 16 de
septiembre de 2024.

119 Entrevista con ex ejecutivo de Intel, 25 de septiembre de 2024.

120 Entrevista con ex ejecutivo de Intel, 25 de septiembre de 2024.

pi
co
o
N

Common questions

Con tecnología de IA

Nvidia domina el mercado de GPUs, especializándose en ofrecer un rendimiento altamente superior y eficiencia, particularmente en aplicaciones de inteligencia artificial, lo que atrae a grandes clientes de centros de datos . AMD, por su parte, ha ganado terreno en el sector de juegos al proveer GPUs para consolas populares como PlayStation y Xbox, y ha aumentado sus inversiones en productos de alto rendimiento . Intel, aunque es un competidor igual de signi...dito., está invirtiendo muchísimo en desarrollar capacidades de fundición y fortalecer su presencia en este sector . Cada compañía intenta destacarse mediante mejoras de rendimiento y aplicaciones específicas: Nvidia con su rendimiento de IA, AMD con populari...o en juegos, e Intel con innovación en procesos de producción.

Nvidia tiene una posición dominante en el mercado de centros de datos porque ha capturado el 98% del mercado gracias a sus avanzadas GPU como el H100 que ofrecen un rendimiento superior. Más de la mitad de sus ingresos provienen de grandes clientes como Microsoft y Meta . Uno de los riesgos para mantener esta posición es la dependencia de TSMC para la producción de sus chips, lo que introduce riesgos geopolíticos . Además, la entrada de nuevos competidores como los gigantes de la nube (AWS, Google, Microsoft), que están desarrollando sus propias alternativas de chips de IA, podría erosionar la cuota de mercado de Nvidia .

El rendimiento superior de las GPUs de Nvidia, como el H100, que ofrece hasta 1,000 teraflops, es un factor clave en las decisiones de compra de grandes clientes como Meta y Microsoft . Estas empresas buscan soluciones que maximicen la eficacia de sus centros de datos para la ejecución de aplicaciones de inteligencia artificial avanzada. Nvidia ha captado así casi la totalidad del mercado, asegurando ingresos significativos de estos clientes. La capacidad de ofrecer rendimiento y eficiencia es un diferenciador estratégico que refuerza la relación de Nvidia con estos gigantes tecnológicos .

Los principales riesgos geopolíticos que enfrenta Nvidia están relacionados con su dependencia de TSMC, que tiene sus principales instalaciones de producción en Taiwán, una región políticamente sensible debido a tensiones entre China y Taiwán . Estas tensiones podrían interrumpir la cadena de suministro de Nvidia. Para mitigar estos riesgos, Huang ha anunciado que Nvidia tiene la capacidad de cambiar de unas fábricas a otras aunque esto podría implicar un mayor coste y menor rendimiento . Además, Intel está intentando posicionarse como una alternativa a TSMC ajustando sus capacidades de fundición, lo que podría ofrecer a Nvidia una opción menos geopolíticamente riesgosa en el futuro .

El chip Blackwell es estratégico para Nvidia, ya que está diseñado para grandes modelos de lenguaje (LLM) y promete un rendimiento 2,5 veces superior con solo un 25% más de costo . Su lanzamiento es crucial para mantenerse a la vanguardia en el mercado de GPUs avanzadas. Sin embargo, Nvidia enfrenta desafíos significativos debido a los bajos rendimientos de producción en TSMC, lo que ha retrasado el lanzamiento de Blackwell . Esto podría afectar negativamente su estrategia de actualización anual de productos y la confianza del mercado en su capacidad de innovar rápidamente.

La fallida adquisición de ARM por parte de Nvidia, que fue bloqueada por preocupaciones antimonopolio, limita la capacidad de Nvidia para expandir su ecosistema tecnológico y agregar propiedad intelectual de IA y gráficos a la cartera de ARM . A largo plazo, esto significa que Nvidia no puede capitalizar plenamente el liderazgo en el mercado de CPU móviles, que ARM domina, lo cual habría fortalecido su posición en la computación de alto rendimiento e inteligencia artificial . La necesidad de buscar otras vías para expandir su influencia tecnológica supone una reevaluación de su estrategia a largo plazo. Sin embargo, Nvidia continúa explorando su participación en el mercado de CPU mediante el desarrollo de la CPU Grace basada en ARM, lo que puede contrarrestar parcialmente este revés .

Las restricciones de exportación de GPU a China, impuestas por Estados Unidos, han disminuido las ventas de Nvidia en el mercado chino, representando un 14% de sus ventas en centros de datos en el año fiscal 2024, frente al 19% del año anterior . Esto ha obligado a Nvidia a considerar el desarrollo de chips que puedan enviarse a China mientras cumplen con estas restricciones. La incertidumbre política respecto a si tales ventas serán permitidas en el futuro genera un riesgo de disminución adicional de ingresos en ese mercado .

La expansión de Nvidia hacia ofrecer sistemas completos y servicios en la nube podría tensar su relación con los OEM, ya que competiría directamente con ellos al vender servidores en grandes cantidades a centros de datos . Los OEM como Dell y HP podrían ver amenazadas sus participaciones de mercado, ya que los sistemas de Nvidia ofrecen mejor integración y rendimiento de GPU . Esto podría replicar la situación en la que, al intentar una estrategia similar, Intel perdió el soporte de los OEM, quienes se movieron hacia AMD .

Los principales proveedores de nube están desarrollando sus propias alternativas a las GPUs de Nvidia, lo que incluye hardware especializado para inteligencia artificial y más integración en sus ofertas de servicios . Esto representa una amenaza directa para Nvidia, que hasta ahora ha mantenido una ventaja de rendimiento que la ha hecho atractiva para estos proveedores . La competencia podría acelerar la transición de los proveedores de nube a productos alternativos, disminuyendo la dependencia de Nvidia, lo que en última instancia podría reducir sus ingresos del segmento de centros de datos .

Las autoridades regulatorias como la FTC y las homólogas británicas podrían argumentar que una adquisición como la de ARM por Nvidia generaría una concentración excesiva de capacidades tecnológicas y de mercado en un solo actor, lo que podría reducir la competencia . La preocupación clave es que Nvidia tendría un control desproporcionado sobre la tecnología y los diseños de chips que son fundamentales para la operación de empresas rivales, limitando sus capacidades para innovar y competir efectivamente . Tal concentración podría aumentar los precios para los consumidores y obstaculizar el desarrollo tecnológico de la industria en su conjunto.

También podría gustarte

Historia y Futuro de Nvidia en IA
Aún no hay calificaciones
Historia y Futuro de Nvidia en IA
2 páginas
Nvidia Informe
Aún no hay calificaciones
Nvidia Informe
20 páginas
Historia y evolución de NVIDIA
Aún no hay calificaciones
Historia y evolución de NVIDIA
16 páginas
Análisis exhaustivo de NVIDIA
Aún no hay calificaciones
Análisis exhaustivo de NVIDIA
33 páginas
Estrategias de Crecimiento de NVIDIA
Aún no hay calificaciones
Estrategias de Crecimiento de NVIDIA
11 páginas
Caso Nvidia
100% (1)
Caso Nvidia
5 páginas
Evolución y liderazgo de Nvidia
Aún no hay calificaciones
Evolución y liderazgo de Nvidia
5 páginas
Nvidia
Aún no hay calificaciones
Nvidia
5 páginas
NVIDIA
Aún no hay calificaciones
NVIDIA
15 páginas
Nvidia: Innovación en Gráficos y AI
Aún no hay calificaciones
Nvidia: Innovación en Gráficos y AI
7 páginas
Gestión y Estrategia en NVIDIA
Aún no hay calificaciones
Gestión y Estrategia en NVIDIA
32 páginas
Evolución de NVIDIA: Innovación y Éxito
100% (1)
Evolución de NVIDIA: Innovación y Éxito
5 páginas
NVIDIA: Innovación en IA y Cadena de Suministro
Aún no hay calificaciones
NVIDIA: Innovación en IA y Cadena de Suministro
7 páginas
Introducción a Nvidia y sus procesos
100% (1)
Introducción a Nvidia y sus procesos
6 páginas
Innovación y Estrategia de NVIDIA
100% (1)
Innovación y Estrategia de NVIDIA
6 páginas
Avance 2
Aún no hay calificaciones
Avance 2
2 páginas
Historia y Finanzas de NVIDIA 2024
Aún no hay calificaciones
Historia y Finanzas de NVIDIA 2024
8 páginas
Nvidia: Innovación en Gráficos y AI
100% (1)
Nvidia: Innovación en Gráficos y AI
7 páginas
Nvidia
Aún no hay calificaciones
Nvidia
133 páginas
Análisis Financiero de Nvidia (NVDA)
Aún no hay calificaciones
Análisis Financiero de Nvidia (NVDA)
1 página
Estrategias Globales de NVIDIA en IA
Aún no hay calificaciones
Estrategias Globales de NVIDIA en IA
11 páginas
Historia y evolución de NVIDIA
Aún no hay calificaciones
Historia y evolución de NVIDIA
4 páginas
Nvidia Completo
Aún no hay calificaciones
Nvidia Completo
5 páginas
Estrategias y Desafíos de Nvidia en IA
Aún no hay calificaciones
Estrategias y Desafíos de Nvidia en IA
10 páginas
GPUs NVIDIA H100 y A100: Fabricación y Accionistas
Aún no hay calificaciones
GPUs NVIDIA H100 y A100: Fabricación y Accionistas
3 páginas
Estrategias de Jensen Huang en NVIDIA
Aún no hay calificaciones
Estrategias de Jensen Huang en NVIDIA
1 página
Análisis Financiero de NVIDIA en 2025
Aún no hay calificaciones
Análisis Financiero de NVIDIA en 2025
15 páginas
NVIDIA: Innovación y Modelo PaaS
Aún no hay calificaciones
NVIDIA: Innovación y Modelo PaaS
15 páginas
Análisis de NVIDIA: Innovación y Desafíos
Aún no hay calificaciones
Análisis de NVIDIA: Innovación y Desafíos
8 páginas
NVIDIA: Innovación y Liderazgo en Tecnología
Aún no hay calificaciones
NVIDIA: Innovación y Liderazgo en Tecnología
7 páginas
Análisis Organizacional de NVIDIA-1
Aún no hay calificaciones
Análisis Organizacional de NVIDIA-1
4 páginas
Estrategias y Acciones Clave de La Empresa Nvidia
Aún no hay calificaciones
Estrategias y Acciones Clave de La Empresa Nvidia
2 páginas
Avance de Proyecto Final 2 Nvidia Definitivo
Aún no hay calificaciones
Avance de Proyecto Final 2 Nvidia Definitivo
7 páginas
Estrategia Océano Azul de NVIDIA
Aún no hay calificaciones
Estrategia Océano Azul de NVIDIA
7 páginas
NVIDIA_20251119_091534_0000
Aún no hay calificaciones
NVIDIA_20251119_091534_0000
6 páginas
Innovación y Estrategia de NVIDIA
100% (2)
Innovación y Estrategia de NVIDIA
12 páginas
Innovación de NVIDIA a través de Insights del Cliente
Aún no hay calificaciones
Innovación de NVIDIA a través de Insights del Cliente
2 páginas
Foxconn y Nvidia: Nueva Fábrica de IA en México
Aún no hay calificaciones
Foxconn y Nvidia: Nueva Fábrica de IA en México
8 páginas
Nvidia niega burbuja de IA, inversores dudan
Aún no hay calificaciones
Nvidia niega burbuja de IA, inversores dudan
10 páginas
Benchmarking de NVIDIA en IA
Aún no hay calificaciones
Benchmarking de NVIDIA en IA
3 páginas
Envidia - Buscar Con Google
Aún no hay calificaciones
Envidia - Buscar Con Google
2 páginas
Historia y Tipos de Tarjetas de Video
Aún no hay calificaciones
Historia y Tipos de Tarjetas de Video
13 páginas
Juega en la Nube con GeForce Now
Aún no hay calificaciones
Juega en la Nube con GeForce Now
4 páginas
Estrategias de NVIDIA en Tecnología y Juegos
Aún no hay calificaciones
Estrategias de NVIDIA en Tecnología y Juegos
3 páginas
6126454@itfam Edu Do
Aún no hay calificaciones
6126454@itfam Edu Do
14 páginas
Arquitectura Fermi de NVIDIA: Innovaciones CUDA
Aún no hay calificaciones
Arquitectura Fermi de NVIDIA: Innovaciones CUDA
21 páginas
Evolución del Mercado de Tarjetas Gráficas
Aún no hay calificaciones
Evolución del Mercado de Tarjetas Gráficas
4 páginas
Historia Resumida de La Empresa ASROCK
Aún no hay calificaciones
Historia Resumida de La Empresa ASROCK
3 páginas
Impacto de la IA en NVIDIA
Aún no hay calificaciones
Impacto de la IA en NVIDIA
2 páginas
AMD: Innovación en Procesadores y GPUs
Aún no hay calificaciones
AMD: Innovación en Procesadores y GPUs
17 páginas
Análisis Financiero de NVIDIA 2024
Aún no hay calificaciones
Análisis Financiero de NVIDIA 2024
6 páginas
Evolución y consumo de NVIDIA GTX 660
Aún no hay calificaciones
Evolución y consumo de NVIDIA GTX 660
3 páginas
Las Placas de Video
Aún no hay calificaciones
Las Placas de Video
7 páginas
Las Placas de Video
Aún no hay calificaciones
Las Placas de Video
4 páginas
Resultados Financieros de NVIDIA T1 2024
Aún no hay calificaciones
Resultados Financieros de NVIDIA T1 2024
7 páginas
Nvidia
Aún no hay calificaciones
Nvidia
26 páginas
Guía Completa sobre Tarjetas Gráficas
Aún no hay calificaciones
Guía Completa sobre Tarjetas Gráficas
4 páginas
Intel y su Estrategia en IA e Industria 4.0
Aún no hay calificaciones
Intel y su Estrategia en IA e Industria 4.0
10 páginas
Estructura Organizacional de Valve
100% (1)
Estructura Organizacional de Valve
20 páginas
Laptop Asus TUF Dash i7 RTX 4070 15.6"
Aún no hay calificaciones
Laptop Asus TUF Dash i7 RTX 4070 15.6"
7 páginas
Evolución de Gráficos por Computadora
Aún no hay calificaciones
Evolución de Gráficos por Computadora
13 páginas
Data Science Fundamental
Aún no hay calificaciones
Data Science Fundamental
28 páginas
Diferencias entre procesadores Intel i3, i5, i7
Aún no hay calificaciones
Diferencias entre procesadores Intel i3, i5, i7
13 páginas
NVIDIA CUDA Guía de Inicio Rápido para Microsoft Windows
Aún no hay calificaciones
NVIDIA CUDA Guía de Inicio Rápido para Microsoft Windows
9 páginas
Reflow de Chip de Video: Guía Práctica
100% (1)
Reflow de Chip de Video: Guía Práctica
4 páginas
Definición y Función de la Tarjeta de Video
Aún no hay calificaciones
Definición y Función de la Tarjeta de Video
8 páginas
Clasificador de Imágenes de Pokémon con TensorFlow
Aún no hay calificaciones
Clasificador de Imágenes de Pokémon con TensorFlow
25 páginas
Configuraciones de Hardware por Profesión
Aún no hay calificaciones
Configuraciones de Hardware por Profesión
21 páginas
Introducción al Hardware de Computadoras
Aún no hay calificaciones
Introducción al Hardware de Computadoras
21 páginas
Satellite P855 SP5302SL Spec SP
Aún no hay calificaciones
Satellite P855 SP5302SL Spec SP
4 páginas
Revisión del Segundo Parcial de TDS-009
Aún no hay calificaciones
Revisión del Segundo Parcial de TDS-009
4 páginas
Arquitecturas y Tipologías de Big Data
Aún no hay calificaciones
Arquitecturas y Tipologías de Big Data
48 páginas
Ventajas y usos de TensorFlow
Aún no hay calificaciones
Ventajas y usos de TensorFlow
4 páginas
Explicacion de Diagrama Xbox 360
100% (1)
Explicacion de Diagrama Xbox 360
17 páginas
BIOS y UEFI: Configuración y Seguridad
Aún no hay calificaciones
BIOS y UEFI: Configuración y Seguridad
11 páginas
Detección de cáncer de piel con Deep Learning
Aún no hay calificaciones
Detección de cáncer de piel con Deep Learning
9 páginas
Crecimiento del crédito al consumo en México
Aún no hay calificaciones
Crecimiento del crédito al consumo en México
48 páginas
Introducción a OpenCL y su arquitectura
Aún no hay calificaciones
Introducción a OpenCL y su arquitectura
21 páginas
Características de la sexta generación de computadoras
Aún no hay calificaciones
Características de la sexta generación de computadoras
12 páginas
Evolución de Computadoras hasta 2025
Aún no hay calificaciones
Evolución de Computadoras hasta 2025
32 páginas
Tutorial de InfoWorks ICM: Modelos Fluviales
100% (1)
Tutorial de InfoWorks ICM: Modelos Fluviales
7 páginas
Elementos Clave del Procesador Moderno
Aún no hay calificaciones
Elementos Clave del Procesador Moderno
28 páginas
Introducción a CUDA y Programación Paralela
Aún no hay calificaciones
Introducción a CUDA y Programación Paralela
31 páginas
Oficio Consorcio Interventoria MinTIC v3
Aún no hay calificaciones
Oficio Consorcio Interventoria MinTIC v3
6 páginas
Convocatoria de Proyectos de Supercómputo CIMAT
Aún no hay calificaciones
Convocatoria de Proyectos de Supercómputo CIMAT
11 páginas
Hardware en Dispositivos Móviles
Aún no hay calificaciones
Hardware en Dispositivos Móviles
14 páginas
Línea del tiempo de la graficación
Aún no hay calificaciones
Línea del tiempo de la graficación
3 páginas
Clasificación del Hardware en Computadoras
Aún no hay calificaciones
Clasificación del Hardware en Computadoras
33 páginas
Conexión del Disco Duro a la Placa Madre
Aún no hay calificaciones
Conexión del Disco Duro a la Placa Madre
23 páginas

Nvidia Español

Cargado por

Nvidia Español

Cargado por

Traducido del inglés al español - [Link].

Nvidia, Inc. en 2024 y el futuro de la IA

Primeros días: 1993-1999

Nvidia nuevas rutas para llegar a sus nuevos clientes.

El negocio de Nvidia en 2024

Competidores directos: AMD e Intel

Clientes-competidores: Alphabet y Amazon

AmazonasAmazon comenzó a desarrollar chips en 2015 a través de la adquisición de la firma israelí de

Ganancia 3.326 4.682 10,918 16.675 26.914 26.974 60,922

Margen bruto 36% 56% 62% 63% 65% 57% 73%

Ingresos del centro de datos - - 2.983 6.696 10,613 15.005 47.525

Anexo 1bIngresos trimestrales de Nvidia por trimestres calendario, 2020-2024

2010 2015 2020 2021 2022 2023

Ganancia 14.388 25.580 47.672 57.281 73.692 70,557

Efectivo y equivalentes de efectivo 5.072 17.064 23.500 38.429 43.710 47.830

Pasivos totales 4.809 14.024 32,921 56.102 65,242 66.881

2010 2015 2020 2021 2022 2023

43.623 55.355 77.867 79.024 63.054 54.228

Engranajes de engranajes 15.132 20.676 34.255 35,209 35,949 32.517

Resultado operativo (pérdida) 15.588 14.356 22.082 22.082 2,575 31

2010 2015 2020 2021 2022 2023

6,494 3.991 9,763 16.434 23.601 22.680

Engranajes de engranajes 3.632 2.911 5,416 8.505 11.550 11,278

Resultado operativo (pérdida) 462 (352) 1.369 3.648 1.264 401

Anexo 3Costo de las GPU (en USD) y sus precios de venta

Marca Modelo Costo estimado Precio de venta

Nvidia H100 $3,100 $25,000-40,000

Nvidia B200 (serie Blackwell) > $6,000 $30,000-40,000

later-clarifies-that-price-will-vary-as-they -no-venderé-solo-el-chip, [Link]

Anexo 4Precios de TSMC para sus obleas

Tamaño de oblea Precio Utilizado en

3 nm $20,000 H200 y B100 de Nvidia

energía del centro de datos”.[Link]

Anexo 6 LLM y sus parámetros

Modelo de lenguaje grande Parámetros

[Link] consultado el 5 de septiembre de 2024.

Nota: Los parámetros para GPT de OpenAI son estimaciones.

3 “Jensen Huang”.Ingeniería de Stanford,[Link] consultado el 10 de mayo de

6 “El director ejecutivo de NVIDIA, Jensen Huang”.Entrevistas adquiridas15 de octubre de 2023,[Link]

7 Nvidia 10-K, 2000 y 2024.

8[Link] consultado el 16 de septiembre de 2024.

12 “Corporación NVIDIA (NVDA)”.Yahoo Finanzas26 de agosto de 2024,[Link] consultado el 26 de agosto

13 “Jensen Huang”.Índice de multimillonarios de Bloomberg,[Link] consultado el 26 de

15 “Nvidia Parte 1: La empresa GPU (1993-2006)”.Adquirido, Temporada 10, Episodio 5, [Link]

16 “Nvidia Parte 1: La empresa GPU (1993-2006)”.Adquirido, Temporada 10, Episodio 5, [Link]

17 “Nvidia Parte 1: La empresa GPU (1993-2006)”.Adquirido, Temporada 10, Episodio 5, [Link]

18 Intel 2001 10-K y Nvidia 2001 10-K.

consultado el 14 de agosto de 2024.

2024, [Link] consultado el 28 de agosto de 2024; “DELL DGP4C NVIDIA

ai-gpu-consumes-up-to-37-mwh-of-power-per-year-gpus-sold-last-year-alone-consume-more-power-than-13- million-households, consultado el 19

41 “¿Qué es GPT?”AWS,[Link] consultado el 10 de julio de 2024.

49 “Envíos de GPU de Nvidia por cliente”.Reddit, [Link]

51[Link] consultado el 10/9/2024.

58 “CPU NVIDIA Grace”.Centro de datos y nube de Nvidia,[Link] consultado el 24 de julio de 2024.

64[Link] consultado el 24 de septiembre de 2024.

68 “¿Qué podría detener el frenesí de Nvidia?”El economista26 de agosto de 2024, [Link]

69 “Conoce a Llama 3.1.”[Link] consultado el 10 de septiembre de 2024.

julio de 2024, [Link]

71 Nvidia 10-K, año fiscal 2024.

78 “Aceleradores AMD Instinct™ Serie MI200”.Boston Ltd22 de marzo de 2022, [Link]

79 “Arquitectura de GPU NVIDIA H100 Tensor Core”.Nvidia, 2022,[Link]

85[Link] consultado el 24 de septiembre de 2024.

86 “Introducción a Cloud TPU”.Nube de Google,[Link] consultado el 17 de agosto de 2024.

[Link] consultado el 17 de agosto de 2024.

York Times, 29 de enero de 2024,[Link] consultado el 17 de

100 “Presentamos la inferencia de Cerebras: IA a velocidad instantánea”.Cerebras27 de agosto de 2024,[Link]

101 “¿Puede Cerebras competir con Nvidia?”Investigación de Brownridge31 de mayo de 2024,[Link]

2024,[Link] consultado el 28 de agosto de 2024.

AM%5D+Jue&utm_content=1095&utm_medium=correo electrónico&utm_source=cio&utm_term=124&rc=ewwd92, consultado el 29 de agosto de 2024.

116 Entrevista con un competidor de IA, 15 de mayo de 2024.

119 Entrevista con ex ejecutivo de Intel, 25 de septiembre de 2024.

120 Entrevista con ex ejecutivo de Intel, 25 de septiembre de 2024.

Common questions

Describe la dinámica competitiva entre Nvidia, AMD e Intel en el mercado de GPUs, y cómo cada uno de estos actores intenta diferenciarse.

Describe la dinámica competitiva entre Nvidia, AMD e Intel en el mercado de GPUs, y cómo cada uno de estos actores intenta diferenciarse.

¿Por qué Nvidia tiene una posición tan dominante en el mercado de centros de datos y cuáles son los riesgos potenciales para mantener esta posición?