NVIDIA es una empresa estadounidense de semiconductores y computación con sede en Santa Clara, California, fundada en 1993 por Jensen Huang, Chris Malachowsky y Curtis Priem. Originalmente construida en torno a las unidades de procesamiento gráfico (GPU) para videojuegos y computación visual, NVIDIA se convirtió en el proveedor de hardware dominante para entrenar y ejecutar modelos de aprendizaje profundo, una posición que la hizo central para la economía del auge de la IA generativa de la década de 2020 y, en ciertos momentos durante 2024 y 2025, la empresa pública más valiosa del mundo.
Historia
NVIDIA pasó sus primeros quince años principalmente como una empresa de chips gráficos que competía en los mercados de computadoras personales y consolas de juegos. Una decisión estratégica fundamental llegó con la introducción en 2006 de CUDA, una plataforma de software que permitía a los desarrolladores usar las GPU de NVIDIA para computación paralela de propósito general en lugar de solo renderizar gráficos. La adopción fue gradual durante los años 2000, pero el resultado de AlexNet en 2012, que entrenó un modelo ganador de ImageNet en dos GPU de NVIDIA, demostró que la misma arquitectura masivamente paralela adecuada para renderizar píxeles también era adecuada para las multiplicaciones de matrices subyacentes al aprendizaje profundo. Durante la década siguiente, a medida que las redes neuronales crecieron de millones a cientos de miles de millones de parámetros, la demanda de las GPU de centro de datos de NVIDIA creció de manera correspondiente, y la empresa rediseñó progresivamente sus chips de gama más alta, desde las líneas Tesla y Volta hasta Ampere, Hopper y Blackwell, en torno a las demandas específicas del entrenamiento e inferencia de IA en lugar de solo gráficos.
De los gráficos a la IA
A principios de la década de 2020, el segmento de centros de datos de NVIDIA, que vendía GPU a proveedores de nube y laboratorios de IA que entrenaban modelos grandes, había superado a su negocio histórico de juegos como el principal impulsor de ingresos de la empresa. Sus chips H100 y sucesores se convirtieron en el hardware preferido para entrenar modelos frontera en organizaciones como OpenAI, Anthropic y Meta, y las ganancias y el precio de las acciones de NVIDIA se convirtieron en un indicador ampliamente observado de la salud de la inversión en la industria de la IA en general. La capitalización de mercado de la empresa creció de decenas de miles de millones de dólares a principios de la década de 2010 a más de tres billones de dólares para 2024, un aumento estrechamente vinculado al auge del gasto de capital en centros de datos de IA.
El foso de CUDA
Una razón central para la ventaja duradera de NVIDIA sobre los fabricantes de chips rivales ha sido el ecosistema de software de CUDA: debido a que la mayoría de los marcos de aprendizaje profundo, incluidos PyTorch y TensorFlow, y la mayoría de las herramientas de los investigadores se construyeron y optimizaron contra CUDA durante más de una década, cambiar a hardware alternativo como el TPU de Google o los chips competidores de AMD ha conllevado costos significativos de compatibilidad de software, una dinámica ampliamente descrita como el "foso" de software de NVIDIA sobre su ventaja de hardware.
Posición en el mercado y riesgos
El dominio de NVIDIA ha atraído un escrutinio regulatorio en múltiples jurisdicciones por posibles efectos anticompetitivos, y su dependencia de Taiwan Semiconductor Manufacturing Company para la fabricación de chips ha sido señalada como una vulnerabilidad geopolítica dadas las tensiones en torno a Taiwán. El susto de DeepSeek de enero de 2025, en el que un modelo chino de costo comparativamente bajo pareció igualar a los sistemas frontera occidentales, eliminó brevemente un récord de valor de mercado de NVIDIA en un solo día por temores de que el entrenamiento de IA pudiera requerir mucho menos cómputo de lo asumido, lo que ilustra cuán estrechamente la valoración de la empresa se había vinculado a la creencia continua en la demanda impulsada por leyes de escalado de cada vez más cómputo de GPU, una dependencia que algunos analistas han comparado con las dinámicas de auge y caída de ciclos tecnológicos anteriores predichos, aunque imperfectamente, por observaciones como la ley de Moore.