Nvidia(NVDA) en CES 2026 vuelve a escribir las reglas de la fábrica de IA… anuncia la “Ley de Moore triple”
En la consolidación de su posición dominante en el mercado de semiconductores AI, Nvidia(NVDA) volvió a mostrar innovaciones tecnológicas en CES 2026, redefiniendo por completo los estándares de la economía de fábricas de IA. Esta innovación en la arquitectura del sistema, presentada personalmente por el CEO Huang Renxun, trasciende el simple nivel de semiconductores y representa un diseño de “coordinación extrema” que integra de manera estrecha componentes de red, memoria, software y otros componentes de toda la pila.
En esta presentación, Nvidia no solo mejoró el rendimiento computacional, sino que también aumentó explosivamente la eficiencia en la generación de tokens, cambiando así la estructura de costos de la infraestructura de IA. Por ejemplo, análisis indican que el rendimiento de cálculo de las unidades GPU aumentó 5 veces respecto a antes, mientras que a nivel de sistema, el rendimiento de transferencia aumentó 10 veces, resultando en una demanda de tokens generables hasta 15 veces mayor. Esto se denomina innovación estructural de la “Ley de Moore triple”, que cambia fundamentalmente la economía operativa y la estrategia de escalabilidad de las fábricas de IA.
Al igual que las empresas que sobreviven en un entorno competitivo feroz construyendo ecosistemas basados en escala, el ganador absoluto en la era de IA actual no se define por la magnitud del rendimiento, sino por la coherencia en el diseño del sistema y la economía derivada de las curvas de aprendizaje basadas en escala. Empresas como (INTC) (Intel), (AMD), (TSMC) (Taiwán Semiconductor Manufacturing Company), y (AAPL) (Apple) han establecido su base de supervivencia en la escalabilidad del sistema y la velocidad de aprendizaje, cada una a su manera. Ahora, Nvidia busca dominar toda la pila tecnológica de IA a un ritmo más rápido y agresivo que estas.
El lanzamiento centrado en la plataforma Rubin no solo involucra GPU y CPU, sino que también rediseña componentes como la interfaz de red de alto rendimiento (Spectrum-X Ethernet), DPU (BlueField) y la red interna basada en InfiniBand NVLink, todo en un marco unificado. Este sistema de pila completa no se trata solo de mejorar el rendimiento de componentes individuales, sino de maximizar el rendimiento objetivo y aumentar intensamente la utilización de recursos en conjunto. En realidad, los resultados no son solo mejoras de rendimiento, sino una transformación fundamental en la estructura de procesamiento a nivel de sistema.
En tareas de entrenamiento y inferencia de IA, el indicador clave está cambiando a “costo por token generado”. Gracias a la eficiencia del sistema, Nvidia ha reducido el costo por token a una décima parte de lo que era antes. Esto permite que aplicaciones de IA con rentabilidad limitada puedan desplegarse a gran escala de manera económica. Esta mejora revolucionaria en la economía seguramente provocará una reestructuración en los presupuestos de TI y en la estructura de costos centrada en tokens en toda la industria de IA.
Su velocidad de mejora es notable. Si la ley de Moore en la industria de semiconductores tradicional establece ciclos de 18-24 meses, Nvidia ahora está cambiando el marco de rendimiento y eficiencia en ciclos de 12 meses. Esto no solo refleja liderazgo técnico, sino que también crea una nueva curva de aprendizaje que acelera la brecha con los competidores. Su significado simbólico radica en que, bajo el nuevo paradigma de plataformas de IA, la ventaja en infraestructura se basará más en liderazgo económico que en capacidades técnicas puras.
Aunque Intel mantiene cierta presencia en el mercado de CPU, sin colaboraciones con Nvidia, le resulta difícil mantener su posición de monopolio anterior. AMD, aunque competitivo en el mercado de CPU x86, enfrenta límites físicos en velocidad y escala en un entorno de transferencia rápida de cargas de trabajo de aprendizaje y inferencia de IA.
En el mercado de chips especializados, empresas como Groq, con ventajas en optimización de latencia, y Cerebras, explorando nuevos límites en el diseño de chips gigantes, están conquistando nichos en el ecosistema de fábricas de IA. Sin embargo, la opinión de la industria es que estas empresas tienen limitaciones para reemplazar completamente la capacidad de integración del sistema de Nvidia y su estrategia de expansión basada en curvas de aprendizaje.
Google(GOOGL), con su TPU, y Amazon(AWS), con Trainium, también poseen altos niveles de madurez tecnológica, pero en términos de escalabilidad del sistema, especialmente para afrontar cuellos de botella en redes en entornos de fábricas a gran escala, parecen estar limitadas estructuralmente en comparación con Nvidia. En proyectos de gran escala como Gemini, la velocidad de evolución del modelo afecta directamente los resultados, por lo que la velocidad de iteración lograda con CUDA y hardware de última generación puede convertirse en una ventaja estratégica.
En un escenario competitivo que se extiende desde unidades de fabricación de semiconductores hasta niveles que superan los “racks” y entran en la operación a nivel de fábrica, las empresas clientes que consideran estrategias de IA deben centrarse en acumular valor mediante experimentación rápida y aprendizaje iterativo, en lugar de construir infraestructura a gran escala. El nuevo sistema de fábrica propuesto por Nvidia reduce la barrera de entrada a la era de IA y aumenta la efectividad de la estrategia de ejecución que prioriza la experimentación antes de refinar los datos.
La esencia de esta transformación en el paradigma ICT ya no radica en el rendimiento de un solo chip, sino en el equilibrio entre sistema y economía de tokens. En un contexto donde la velocidad de implementación tecnológica y los ciclos de decisión se acortan, solo las empresas líderes podrán aprovechar la ventaja de la curva de aprendizaje, que se traducirá directamente en poder de dominio en la industria. Desde CES 2026, el nuevo orden de la era de las fábricas de IA vuelve a ser claro.