Segunda crónica sobre Nvidia en una semana, ambas muy justificadas. A la expansión de su saga de hardware IA para centros de datos, se suma el lanzamiento de modelos fundacionales dedicados al entrenamiento de robótica, coches autónomos o el stack para ejecutar agentes NemoClaw. Uno de sus frentes más trascendentes es el de los modelos abiertos (de pesos abiertos, para ser exactos). El año pasado, la compañía dio un paso decisivo con el lanzamiento de Nemotron 3 Nano, que ha tomado impulso este verano con el despliegue de una estrategia de largo recorrido a favor del open source. Se inscribe así en una batalla comercial —con tintes geopolíticos— que al otro lado tiene a los modelos propietarios.
Jensen Huang siempre ha sostenido que no es papel de la empresa competir con los modelos LLM que se han sumado en una alocada carrera, sino desarrollar hardware para los el entrenamiento de esos modelos. Con un matiz en esa postura cuando se trata de los modelos llamados de pesos abiertos, dilema que ha dejado resuelto con la presentación de Nemotron 3.5 Lightning. Como sus parientes, puede descargarse gratuitamente y modificarse, en contra de lo que limita el uso de los modelos cerrados, entre ellos los de OpenAI o Anthropic. Este último anzamiento de Nvidia ha sido concebido parta tareas especializadas en sistemas multiagente, con la velocidad de respuesta como uno de sus puntos fuertes.
Nemotron 3.5 Lightning tiene 30.000 millones de parámetros, aunque sólo activa 3.000 millones para cada token y se puede post-entrenar con herramientas proporcionadas para mejorar su precisión en misiones específicas. Pero el modelo solo es la expresión tecnológica de los esfuerzos de Nvidia: la compañía ha puesto en marcha la Nemotron Coalition, que integra una serie de empresas notables en torno a sus desarrollos con ese rasgo común de apertura .
Esta alternativa industrial a los modelos cerrados está arropada por empresas como Cursor (acaba de ser adquirida por SpaceX con el fin de convertirle en el motor de los desarrollos de IA de esta compañía de Elon Musk) o la alemana Black Forest Labs, la francesa Mistral y las estadounidenses Perplexity y Thinking Machines. Nvidia ha señalado que el primer modelo que surgirá de esta iniciativa apuntalará su futura familia de modelos Nemotron 4.
Con estos movimientos, Jensen Huang baja al barro de la lucha que en el Silicon Valley enfrenta a los valedores de los modelos propietarios y abiertos, enfrentados y no por razones teóricas. OpenAI y, sobre todo, Anthropic, pregonan la necesidad de un ecosistema de modelos cerrados en nombre de la seguridad. En la acera opuesta, muchas compañías usuarias de IA están a favor de la coexistencia, debido a que los costes son más bajos con los modelos abiertos. En este jaleo destaca la postura de Mera en su condición de desarrollador: tras una sucesión de vaivenes caprichosos, ha vuelto a impulsar su inteligencia artificial con pesos abiertos. Lo que significa que sus parámetros (o pesos) pueden ser descargados, ejecutados y modificados libremente.
Esta actitud de Nvidia no es un postureo para la galería: tiene una clara motivación detrás. A día de hoy, es el software lo que aporta valor al cliente final y es aquí donde reside una parte importante de los costes el componente de un sistema que aporta valor al cliente final y ahí es donde reside una parte importante de los costes. Parte de estos se reducen gracias al software open source y, llegado el caso, habrá más dinero para gastar en hardware. La tesis implica que, en el futuro, la venta de chips podría ampliarse a grandes empresas con departamentos de IT robustos que comprarían sus propias GPUs para ejecutar modelos en entornos locales y privados. de forma local y privada.
De paso, el impulso a los modelos abiertos contribuirá a drenar el flujo de dinero hacia a los desarrolladores de sistemas cerrados. Esto, a Nvidia no le viene mal —siempre que no se produzcan trastornos graves – pues algunos de sus principales clientes van camino de mutar en rivales. Google, el ejemplo más claro, comercializa sus TPU con éxito, además de usarlos en centros de datos propios. Anthropic ha reconocido que trabaja en sus propios diseños además de adquirir o arrendar los de Nvidia y Google. OpenAI no podía ser menos: ha lanzado un chip de inferencia, Jalapeño, que a priori promete superar al Blackwell en determinados test. La regla puede formularse algunos tests.
La querencia de Nvidia por los modelos abiertos también es una táctica defensiva en un contexto geopolítico volátil. Si el gobierno de Estados Unidos prohíbe los modelos chinos, los son los exponentes más avanzados entre los de pesos abiertos, las empresas del país se verían abocadas a usar únicamente modelos propietarios, mucho más caros. Este extremo podría podría ralentizar la adopción de la IA y, por tanto, impactar en el negocio de la compañía chipera.
Porque los modelos chinos llevan meses asombrando y de momento no hay trazas de una alternativa estadounidense. Los de DeepSeek que abrieron el melón, la familia Qwen de Alibaba o el reciente y muy alabado Kimi K3, de Moonshot AI, ofrecen un rendimiento más que competitivo a precios sustancialmente inferiores. Por lo que las empresas de Estados Unidos no han dudado en utilizarlos: de hecho, la china DeepSeek es la compañía que acumula mayor porcentaje de uso, según datos de OpenRouter. Un vuelco completo en año y medio.
Nvidia aspira a ser la opción abierta estadounidense – entiéndase como un ecosistema no chino – a favor de la desconfianza bipartidista que suscita el gigante asiático. Y no se trata sólo de prohibiciones, sino de la inhibición empresarial a utilizar software originado en China para e introducir y gestionar sus datos. r sus datos en él). Con ello se busca ofrecer alternativas más económicas: Palantir, que goza de fuertes lazos con la administración Trump, ha asimilado rápidamente el mensaje al anunciar que ejecutará los modelos Nemotron en sus plataformas para crear entornos soberanos utilizables por agencias gubernamentales e infraestructuras críticas.
El impulso de Nvidia coincide con esta corriente, en la que las empresas estudian con recelo los presupuestos destinados a la IA. Ofrecerles una opción de modelo abierto, más económica, se combina con el lanzamiento de un sistema de enrutado para que las empresas usen el software más adecuado para cada tarea. En este marco, Nvidia ha anunciadó NeMo Switchyard, una librería que permite a las empresas construir su propia herramienta de routing en base a sus necesidades. Así, para cada acción, el sistema redirigirá a un modelo o a otro, ya sea abierto o propietario, teóricamente sin necesidad de reprogramar las aplicaciones.
Este es, en definitiva, otro elemento destinado a estimular la adopción de la IA que, además, diversifica los modelos usados en las empresas. Esto, a la larga, puede conducir a una mayor demanda de cómputo, pues los distintos proveedores deberán asegurarse una cierta capacidad de procesamiento.
A estas alturas, es casi de Perogrullo resaltar que el foco está puesto en la inferencia. Este año se espera que el gasto en esta fase de la IA alcance los 23.300 millones de dólares, según la consultora Gartner. Superará por primera vez la inversión en entrenamiento de modelos, que se quedaría en 19.900 millones. Nvidia domina de forma aplastante la fase de entrenamiento, con un 90% de cuota de mercado, pero en la inferencia tampoco se queda atrás: habría subido de un 66% de cuota el pasado ejercicio a un 74% en la actualidad.
Por supuesto Nvidia quiere captar el nicho que se abre para sostener la inferencia de los modelos abiertos. Los sistemas propietarios tienden a ser de propósito general. pero no se pueden modificar con libertad ni destinarse a casos de uso específicos. Al entrenarse con grandes cantidades de información pública tienen problemas para enfrentarse a tareas que requieren ser entrenados con datos de menos disponibilidad pública.
Por otra parte, los modelos de pesos abiertos tienen mucho que ofrecer en ámbitos como la medicina, para las tareas de un despacho de abogados o para crear aplicaciones industriales o dentro de empresas concretas. Serían más útiles al permitir niveles de `customización´ muy superiores a los modelos propietarios, que solo permiten practicar un ajuste fino.
Con Nemotron 3.5 Lighting y otros de su clase se puede inyectar conocimiento especializado en capas profundas de la red neuronal, gracias a que los parámetros son accesibles. También es posible influir en su comportamiento y añadir entrenamiento para adaptarlos a un ámbito específico. De manera que Nvidia, con su pretendida generosidad, no solamente estaría favoreciendo la expansión de la inferencia sino también la del entrenamiento en una fase posterior. Jensen Huang no da puntada sin hilo.
[informe de Pablo G. Bejerano]