Por qué NVIDIA es clave en la inteligencia artificial

Casi cualquier conversación sobre inteligencia artificial termina en NVIDIA. La razón no es la publicidad: es un tipo de procesador, la GPU, y un software, CUDA, que la empresa presentó en 2006.

Esta guía explica qué hace una GPU, por qué el software pesa tanto como el chip y cómo esa tecnología llega a las cámaras. Es para responsables de TI y para integradores que quieren entender de dónde sale la analítica de video.

De los videojuegos a la IA: qué hace una GPU distinto a un procesador

El procesador central de un computador, la CPU, tiene pocos núcleos y cada uno es muy capaz. Está hecho para tareas variadas que se ejecutan en orden: el sistema operativo, una hoja de cálculo, una base de datos.

La GPU nació para otra cosa: dibujar gráficos, sobre todo los de los videojuegos. Una imagen en pantalla son millones de píxeles, y cada uno se calcula con operaciones parecidas. Por eso la GPU tiene muchos núcleos más simples que trabajan al mismo tiempo.

Un ejemplo con cifras: el módulo NVIDIA Jetson Orin NX de 8 GB tiene una CPU de 6 núcleos Arm Cortex-A78AE y una GPU Ampere de 1024 núcleos CUDA, según la hoja de datos de NVIDIA de febrero de 2026.

Un modelo de IA se parece más a una imagen que a una hoja de cálculo. Por dentro son multiplicaciones de matrices: la misma cuenta repetida sobre enormes cantidades de números. Ese trabajo se reparte bien entre muchos núcleos, y ahí la GPU rinde.

CUDA: el software que hizo la diferencia

NVIDIA presentó CUDA en 2006, según su informe anual 10-K. CUDA es una plataforma de programación que permite usar la GPU para cálculos generales, no solo para gráficos.

Con CUDA, un programador escribe código que la GPU ejecuta directamente, y se apoya en bibliotecas ya hechas para las operaciones más comunes. Muchas herramientas de IA están construidas sobre esas bibliotecas.

Esa es la parte que no se ve: cambiar de fabricante de GPU obliga a revisar herramientas y código que ya funcionan.

Del centro de datos al borde: dónde está NVIDIA hoy

Las cifras de la propia empresa muestran dónde está su negocio. En su año fiscal 2026, terminado el 25 de enero de 2026, NVIDIA reportó ingresos por 215.900 millones de dólares, un 65 % más que el año anterior.

Del total de ese año fiscal, 193.700 millones de dólares correspondieron a centros de datos, cerca del 90 %, según las cifras del 10-K de NVIDIA. Ojo: su año fiscal no coincide con el calendario.

Centros de datos y entrenamiento de modelos

En IA hay dos trabajos. Entrenar un modelo es enseñarle con grandes volúmenes de ejemplos, y exige mucho cómputo concentrado. Usarlo ya entrenado se llama inferencia: es lo que pasa cuando una cámara clasifica un objeto.

Las plataformas para centros de datos que NVIDIA nombra son Hopper, Blackwell, Blackwell Ultra y, la más reciente, Vera Rubin. NVIDIA presenta Vera Rubin como la siguiente a Blackwell y dice que está entrando en producción. Los nombres cambian rápido: si comparas servidores con GPU, pide en la cotización la referencia exacta.

La red que une las GPU

Un modelo grande no cabe en una sola GPU. Se reparte entre muchas, y estas intercambian datos todo el tiempo. Si la red es lenta, las GPU esperan. En un centro de datos para IA, la red es parte del rendimiento, no un accesorio.

NVIDIA entró a ese terreno con una compra. Anunció la adquisición de Mellanox, una empresa de tecnología de red, en marzo de 2019 por unos 6.900 millones de dólares, y la completó el 27 de abril de 2020. Según su 10-K, esa compra amplió su oferta.

IA en el borde: la familia Jetson

No toda la IA vive en un centro de datos. El «borde» es el equipo que está junto a la fuente de los datos: en la cámara, en el gabinete del conjunto, en el vehículo. Procesar ahí evita mandar todo el video a un servidor central.

Jetson es la familia de módulos de NVIDIA para ese uso. El Jetson Orin NX de 8 GB ofrece hasta 70 TOPS INT8 (dispersos), 32 núcleos Tensor y 8 GB de memoria LPDDR5; sus modos de potencia son 10, 15, 20 y 40 W, según la hoja de datos de NVIDIA de febrero de 2026. En modo MAXN_SUPER, NVIDIA indica hasta 117 TOPS.

TOPS son billones de operaciones por segundo. Sirve para comparar módulos, no para saber cuántas cámaras procesa un equipo: eso depende del software.

Lo que NVIDIA no fabrica

NVIDIA declara en su 10-K una estrategia «fabless»: diseña sus chips y contrata a terceros para fabricarlos; entre las fundiciones que nombra están TSMC y Samsung. El mismo informe no dice qué chip fabrica cada una.

La disponibilidad de sus productos depende también de fábricas ajenas. Cómo funciona esa cadena lo explica el artículo sobre de dónde vienen los chips.

Qué significa para la seguridad electrónica: cámaras, cajas de analítica y servidores

La analítica de video que detecta personas, lee placas o cuenta vehículos usa el mismo principio: un modelo entrenado que corre sobre un procesador capaz de hacer muchas operaciones en paralelo. Ese procesador puede estar en tres sitios.

En la cámara

Algunas cámaras traen su propio procesador de IA y envían el video junto con los eventos ya clasificados. No necesitan un equipo aparte. En el catálogo están las cámaras con analítica de marcas como Hanwha Vision. Qué analíticas trae cada modelo lo dice su ficha.

En una caja de analítica

Si las cámaras ya están instaladas y no tienen IA, un equipo aparte recibe su video por la red y lo procesa. Aquí es donde aparece Jetson.

En el catálogo hay una caja de analítica con NVIDIA Jetson Orin NX. Según su ficha en la tienda, es de Hanwha Vision y trabaja con cámaras Hanwha Vision u ONVIF que no tienen IA propia. Antes de comprar, confirma en la hoja del fabricante cuántas cámaras procesa y qué analíticas trae.

En un servidor

La tercera opción es llevar el video a un equipo central que corre el software de analítica. Un ejemplo es Neural Server, de Neuralabs, un software de análisis de video con aprendizaje profundo que su ficha describe para reconocimiento de placas y monitoreo de tráfico.

Qué hardware pide el software, y si necesita GPU, lo define su fabricante. Para el cómputo general del proyecto, como grabación, gestión o virtualización, el catálogo tiene servidores HPE ProLiant. El modelo enlazado no menciona GPU en su ficha: no lo tomes como servidor de IA.

Alrededor de cualquiera de las tres opciones va lo mismo: switches, cableado, racks y respaldo de energía. Todo eso está en infraestructura para centros de datos.

Los competidores y los límites

NVIDIA no es la única. AMD e Intel venden aceleradores para IA, y varios proveedores de nube diseñan chips propios. Aquí no se comparan rendimientos: cada fabricante mide a su manera.

El otro límite es regulatorio. EE. UU. restringe la exportación de los chips de IA más avanzados. En enero de 2026 el Departamento de Comercio de EE. UU. cambió a revisión caso por caso las licencias para exportar a China chips como el H200 de NVIDIA, con condiciones. NVIDIA informó en agosto de 2026 que los envíos de H200 bajo ese programa fueron menos del 1 % de sus ingresos de centros de datos del trimestre.

Las reglas de exportación de chips de IA de EE. UU. han cambiado varias veces desde 2025: se derogó una regla amplia, se aprobaron licencias caso por caso para ciertos chips con destino a China y se flexibilizó el trato a los Emiratos Árabes Unidos. Conviene consultar la regla vigente en bis.gov antes de cualquier decisión de compra o exportación.

Preguntas frecuentes