La discreta presentación de CUDA en 2007 que gestó la era de la IA
En 2007, Jensen Huang presentó CUDA, una plataforma que pasó desapercibida pero que sentó las bases para el desarrollo de la inteligencia artificial. Esta apuesta de NVIDIA por el procesamiento GPU más allá de los gráficos transformaría la computación para siempre.
El 27 de enero de 2007, en el Centro de Convenciones de San José, Jensen Huang, CEO de NVIDIA, presentó CUDA. Esta nueva plataforma permitía a los desarrolladores programar las Unidades de Procesamiento Gráfico (GPU) de NVIDIA para fines que iban más allá de los gráficos. El público prestó poca atención a esta presentación técnica. Sin embargo, allanó el camino para la inteligencia artificial (IA).
Antes de CUDA, las Unidades Centrales de Procesamiento (CPU) dominaban la informática. Las CPU son aptas para tareas secuenciales, procesando las instrucciones una a una. La IA, especialmente las redes neuronales, requería un enfoque diferente. Estos algoritmos necesitaban realizar millones de cálculos simples al mismo tiempo. Las GPU, diseñadas para gráficos 3D complejos, resultaron muy efectivas en este ámbito. Procesaban muchos píxeles a la vez.
NVIDIA, fundada en 1993, pasó años perfeccionando el procesamiento paralelo. Sus GPU se hicieron más sofisticadas. CUDA puso esta capacidad de procesamiento a disposición de la computación general. Los investigadores ahora podían usar los miles de núcleos de la GPU. Este cambio fue crucial para las complejas operaciones matemáticas que requerían los modelos de IA.
El arquitecto invisible: el origen de los chips de IA
En 2006, NVIDIA lanzó su arquitectura de GPU G80. Este chip contenía 681 millones de transistores. Ofrecía un procesamiento paralelo superior al de las CPU tradicionales. Jensen Huang creía que las GPU no eran solo para juegos. Pensaba que podían acelerar el descubrimiento científico.
El marco CUDA se lanzó junto con el G80. Proporcionó herramientas de programación a científicos e ingenieros. Ahora podían escribir código que aprovechaba la considerable capacidad de procesamiento paralelo de la GPU. Entre los primeros usuarios se encontraban investigadores en imágenes sísmicas y biología computacional. Encontraron mejoras notables en la velocidad para sus problemas que implicaban grandes volúmenes de datos. Este éxito inicial demostró que la GPU podía hacer más de lo que sus diseñadores habían imaginado inicialmente.
Las instituciones académicas, a menudo con presupuestos ajustados, comenzaron a experimentar. Descubrieron que una sola GPU podía superar a los clústeres de CPU para ciertas tareas. Esta eficiencia de costos atrajo a los laboratorios de investigación. Las GPU con CUDA pusieron gradualmente la computación de alto rendimiento al alcance de más personas.
El uso de GPU en la ciencia creó un pequeño grupo de usuarios. Estos usuarios exploraron los límites de las GPU. Su trabajo sentó, sin saberlo, las bases para el auge del desarrollo de la IA. El compromiso de NVIDIA con CUDA generó un conjunto creciente de herramientas y expertos.
La GPU NVIDIA G80, lanzada en 2006, fue un chip fundamental que contenía 681 millones de transistores. Sus avanzadas capacidades de procesamiento paralelo, desbloqueadas por la plataforma CUDA, sentaron las bases para la inteligencia artificial (IA) moderna al permitir los complejos cálculos necesarios para las redes neuronales. (Fuente: commons.wikimedia.org)
La chispa del deep learning: los chips de IA despegan
El 30 de septiembre de 2012, un equipo de la Universidad de Toronto captó la atención. Los investigadores Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton participaron en el ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Su red neuronal convolucional profunda, AlexNet, logró una tasa de error del 15.3%. Esto superó significativamente al ganador del año anterior, que obtuvo un 26.2%.
AlexNet se entrenó con dos GPU NVIDIA GTX 580. Los investigadores utilizaron estas tarjetas de uso doméstico para procesar millones de imágenes. Este logro demostró la notable capacidad del deep learning cuando se combina con la aceleración de GPU. Fue un momento clave para la IA. La comunidad de investigación lo notó de inmediato.
De repente, el deep learning, un subcampo de la IA, despertó un interés generalizado. Google, Facebook y Microsoft comenzaron a invertir masivamente. Establecieron sus propias divisiones de investigación de IA. Su objetivo era copiar y mejorar el éxito de AlexNet. La demanda de GPU potentes aumentó drásticamente entre estos gigantes tecnológicos.
Jensen Huang describió este cambio en un evento universitario en 2014. Afirmó que “el auge del deep learning comenzó con las GPU”. NVIDIA cambió rápidamente su estrategia, centrándose en el mercado de los centros de datos. La compañía comprendió el impacto significativo de esta nueva forma de computación. El rendimiento de las redes neuronales profundas ahora dependía de chips especializados.
ChatGPT: la demanda explota
El 30 de noviembre de 2022, OpenAI lanzó ChatGPT. Este chatbot de IA generativa conversaba como un humano, superando a los sistemas anteriores. Rápidamente captó millones de usuarios, impresionando a muchos con su capacidad de generación de texto. Este evento alteró rápidamente el panorama de la IA.
ChatGPT funcionaba con vastas redes neuronales. Estos Large Language Models (LLM) necesitaban enormes cantidades de potencia computacional para su entrenamiento y funcionamiento. Los modelos de OpenAI utilizaban decenas de miles de GPU NVIDIA. Esta escala demostró lo esenciales que eran los chips de IA.
El interés inmediato del público en ChatGPT llevó a una inversión significativa. Todas las principales empresas tecnológicas integraron rápidamente la IA generativa en sus productos. Microsoft invirtió miles de millones en OpenAI. Google aceleró su propio desarrollo de LLM. Amazon, Meta y otros anunciaron grandes proyectos de IA. Esto creó una demanda continua de chips de IA de alto rendimiento.
El precio de las acciones de NVIDIA subió bruscamente. Sus previsiones de ingresos trimestrales aumentaron considerablemente debido a los pedidos de GPU para centros de datos. El CEO Jensen Huang informó ganancias récord, afirmando en mayo de 2023 que “había comenzado un nuevo período de computación”. El mercado consideró a NVIDIA como el principal impulsor de este rápido crecimiento en la IA. La industria se enfrentó inmediatamente a la escasez de suministro de estos procesadores especializados.
La NVIDIA GTX 580, una GPU de uso doméstico lanzada en 2010, desempeñó un papel fundamental en la revolución del deep learning. Los investigadores utilizaron dos de estas tarjetas para entrenar AlexNet, logrando un gran avance en el desafío ImageNet de 2012 y demostrando el poder de la aceleración de GPU para la IA. (Fuente: techradar.com)
La carrera de los titanes: la innovación se acelera
La demanda de IA creció rápidamente, lo que llevó a una fuerte competencia entre los fabricantes de chips. NVIDIA aún mantiene una posición sólida, con una cuota de mercado estimada del 80-90% en aceleradores de IA a finales de 2023. Su GPU H100, con un precio de entre $30,000 y $40,000, se convirtió en el estándar de la industria. Ofrecía un rendimiento muy alto para el entrenamiento de modelos complejos de IA.
Otros actores se unieron rápidamente a la competencia. AMD lanzó su serie MI300X de aceleradores de IA en diciembre de 2023. La CEO de AMD, Lisa Su, afirmó que el MI300X ofrecía un rendimiento competitivo. Su objetivo era capturar una gran parte del mercado en crecimiento. Intel también promovió su línea Gaudi de procesadores de IA. Destacaron su menor costo para ciertas cargas de trabajo de IA.
Los proveedores de la nube a hiperescala comenzaron a diseñar sus propios Application-Specific Integrated Circuits (ASICs) personalizados. Google construyó sus Tensor Processing Units (TPUs) para sus cargas de trabajo de IA. Amazon creó los chips Inferentia y Trainium para los clientes de AWS. Microsoft presentó su acelerador de IA Maia 100 en noviembre de 2023. Estas empresas tenían como objetivo reducir la dependencia de proveedores externos y adaptar los chips a sus necesidades específicas.
La competencia se extendió más allá de los propios chips. Fabricantes de memoria como Samsung y SK Hynix vieron una fuerte demanda de High Bandwidth Memory (HBM). Esta memoria especializada es esencial para alimentar rápidamente datos a los aceleradores de IA. Taiwan Semiconductor Manufacturing Company (TSMC), el mayor fabricante de chips por contrato del mundo, resultó crucial. Fabricó la mayoría de estos chips de IA avanzados.
Proyecciones de mercado: miles de millones en juego
El mercado de chips de IA está creciendo rápidamente. La firma de investigación IDC informó en diciembre de 2023 que los servidores de IA, incluidos los aceleradores, alcanzaron los $28.1 mil millones en 2023. Esto representó un aumento del 36.3% con respecto al año anterior. Las previsiones apuntan a un crecimiento rápido y continuo.
Otro informe, de Mordor Intelligence en enero de 2024, proyectó un crecimiento significativo. Se espera que el mercado de chips de IA crezca de $25.46 mil millones en 2023 a $201.28 mil millones para 2029. Esto representa una tasa de crecimiento anual compuesta (CAGR) del 41.25%. Este rápido aumento refleja el uso generalizado de la IA en todas las industrias. Los centros de datos siguen siendo el segmento más grande. La Edge AI, los vehículos autónomos y la atención médica también impulsan la demanda.
Taiwan Semiconductor Manufacturing Company (TSMC) es el mayor fabricante de chips por contrato del mundo, crucial para producir la mayoría de los chips de IA avanzados como el H100 de NVIDIA y el MI300X de AMD. Sus plantas de fabricación de vanguardia en Taiwán son la columna vertebral de la industria global de hardware de IA. (Fuente: restofworld.org)
Gartner, una empresa de investigación líder, pronosticó en abril de 2024 que los ingresos mundiales por chips de IA alcanzarían los $71.2 mil millones en 2024. Esto marca un aumento del 33% con respecto a 2023. Se espera que los ingresos crezcan aún más hasta los $92 mil millones en 2025. Este crecimiento se debe a una mayor demanda de aceleradores de IA en servidores. También incluye nuevos diseños para IA integrada en dispositivos.
El gran volumen de datos que los modelos de IA generan y procesan es el motor de este crecimiento. Entrenar grandes modelos de lenguaje puede costar cientos de millones de dólares en potencia computacional. Esta inversión muestra lo valiosas que son las capacidades de la IA. El mercado de chips de IA no solo se está expandiendo. Está cambiando la industria de los semiconductores en su esencia.
El camino a seguir: el futuro de la IA en silicio
El desarrollo de chips de IA se centra en una mayor especialización y eficiencia. Las empresas están explorando nuevos diseños más allá de las GPU tradicionales. Los chips neuromórficos, inspirados en el cerebro humano, están diseñados para un consumo de energía ultrabajo. La computación cuántica, aunque todavía es incipiente, ofrece el potencial de cambiar significativamente ciertas tareas de IA. Estas innovaciones abrirán nuevas posibilidades para las aplicaciones de IA.
Los factores geopolíticos también seguirán influyendo en el mercado. Estados Unidos ha impuesto controles de exportación sobre chips de IA avanzados a China. Estas políticas tienen como objetivo limitar el desarrollo de la IA de China. Esto ha impulsado a China a acelerar su propia fabricación de chips. La cadena de suministro global de chips de IA sigue siendo un área clave de rivalidad estratégica.
El impacto ambiental de la computación de IA también está cobrando relevancia. Entrenar y ejecutar grandes modelos de IA utiliza enormes cantidades de energía. Los futuros diseños de chips se centrarán tanto en la eficiencia energética como en el rendimiento. Las innovaciones en refrigeración y centros de datos sostenibles serán esenciales.
El mercado de chips de IA seguirá siendo un centro de innovación. Determinará el ritmo y la dirección de la IA. La competencia por silicio más potente, eficiente y especializado no muestra signos de desaceleración. Este esfuerzo continuo cambiará las industrias y la forma en que interactuamos con las computadoras durante las próximas décadas.
Preguntas frecuentes
P: ¿Qué es un chip de IA? R: Un chip de IA, o acelerador de IA, es un procesador especializado. Está diseñado para manejar los cálculos paralelos a gran escala que necesitan los algoritmos de IA. A diferencia de las CPU de propósito general, estos chips están optimizados para tareas como el entrenamiento y la inferencia de redes neuronales. A menudo tienen miles de núcleos trabajando a la vez.
Los chips neuromórficos, como el Loihi de Intel o el TrueNorth de IBM, están diseñados para imitar las redes neuronales del cerebro humano, ofreciendo un consumo de energía ultrabajo para tareas de IA al procesar información de manera altamente paralela y basada en eventos. (Fuente: gigenet.com)
P: ¿Por qué las GPU son tan dominantes en el mercado de chips de IA? R: Las GPU (Graphics Processing Units) fueron diseñadas originalmente para el procesamiento paralelo en la renderización de gráficos. Este diseño era muy adecuado para las operaciones matemáticas y el procesamiento paralelo que requiere el deep learning. La inversión temprana de NVIDIA en CUDA también creó un entorno de software robusto, fortaleciendo su posición en el mercado.
P: ¿Cuál es el principal impulsor del crecimiento del mercado de chips de IA? R: El principal impulsor es el rápido aumento de la demanda de modelos de IA generativa, como los large language models (LLM). Estos requieren enormes cantidades de potencia computacional para el entrenamiento y el despliegue. La expansión de la IA en muchos sectores —vehículos autónomos, atención médica y automatización industrial— también contribuye a este crecimiento.
P: ¿Qué son los ASIC de IA personalizados? R: Los ASIC (Application-Specific Integrated Circuits) de IA personalizados son chips diseñados por empresas como Google (TPUs) y Amazon (Inferentia) para sus cargas de trabajo internas específicas de IA. Están construidos para algoritmos y tareas particulares. Esto ofrece alta eficiencia y rendimiento para esas aplicaciones, a menudo reduciendo la dependencia de proveedores de chips externos.
Las Tensor Processing Units (TPUs) de Google son ASIC diseñados a medida y optimizados para cargas de trabajo de machine learning, particularmente redes neuronales. Presentadas por primera vez en 2016, impulsan muchos de los servicios de IA de Google y son conocidas por su alta eficiencia en el entrenamiento y la inferencia. (Fuente: tomshardware.com)
También te puede interesar:
👉 La IA revoluciona los gobiernos: EE. UU. disparó un 30% su uso en servicios públicos
👉 Jóvenes y la IA: riesgos y desafíos digitales más allá de las oportunidades
👉 El PNL y la IA: el fin de la caja negra del mercado laboral
