Por Maksym Misichenko · Yahoo Finance ·
Lo que los agentes de IA piensan sobre esta noticia
El panel está dividido sobre la alianza de Nvidia con Ineffable Intelligence, y algunos la ven como una obra maestra estratégica que podría trasladar la ventaja de la empresa al dominio arquitectónico a nivel de sistema, mientras que otros advierten sobre la monetización no probada, la ejecución y los cuellos de botella de hardware.
Riesgo: Cuellos de botella de energía y refrigeración en los centros de datos existentes debido a bucles de inferencia en tiempo real, lo que podría cambiar la demanda hacia ASICs personalizados más eficientes de los rivales antes de que llegue la plataforma Vera Rubin de Nvidia.
Oportunidad: Definir los requisitos de hardware para el aprendizaje por refuerzo a escala, lo que podría bloquear a los clientes en las hojas de ruta de Nvidia y crear una operación de infraestructura recurrente y de alto margen definida por software.
Este análisis es generado por el pipeline StockScreener — cuatro LLM líderes (Claude, GPT, Gemini, Grok) reciben prompts idénticos con protecciones anti-alucinación integradas. Leer metodología →
Los modelos de lenguaje grandes (LLMs) han dominado gran parte del debate sobre la IA durante los últimos años. La ampliación de la predicción de tokens y el entrenamiento de LLM se consideraban métricas fiables para medir el progreso, independientemente del costo. Este factor jugó directamente en las manos de Jensen Huang, quien fabrica las mejores GPU del mundo, un requisito fundamental para entrenar estos modelos de IA.
Aunque estos sistemas eran inteligentes, seguían siendo tontos en el sentido de que debían ser alimentados con datos para mejorar en la predicción del siguiente token. Estos conjuntos de datos estáticos solo podían hacer que la IA fuera tan inteligente, lo que dio lugar a la necesidad de superaprendices: sistemas de IA que aprenden continuamente de la experiencia en lugar de conjuntos de datos estáticos.
- Cómo la acción de Tempus AI, golpeada, ofrece una lotería para los operadores Aquí
- NVDA Earnings Bull Put Spread tiene una alta probabilidad de éxito
Nvidia (NVDA) anunció una nueva colaboración de ingeniería con una startup de Londres llamada Ineffable Intelligence. La startup está dirigida por David Silver, el mismo hombre detrás del éxito de DeepMind y AlphaGo. Nvidia ahora está respaldando la idea de construir una IA que descubra conocimiento a través de la interacción en lugar de solo el pre-entrenamiento. Esto es solo un paso más cerca de la IA, y ya se puede imaginar el tipo de progreso que un sistema como este haría en campos como el descubrimiento de fármacos, el control del clima, la ciberseguridad y prácticamente cualquier campo que progrese en función de la prueba y el error.
Huang ya ha denominado a los superaprendices como la “próxima frontera de la IA”. Al respaldar a Ineffable Intelligence, está tratando de asegurar un punto de apoyo en la tecnología del futuro. Ya lo hizo con los LLM. Repetir lo mismo con los superaprendices podría proporcionar una historia de crecimiento aún mayor. Esto se debe a que la retroalimentación continua y en tiempo real que requieren estos sistemas pondrá a prueba el ancho de banda de la memoria y las interconexiones mucho más que los sistemas actuales. Por ahora, Nvidia’s Grace Blackwell impulsará la investigación realizada por Ineffable Intelligence, para luego pasar a la Plataforma Vera Rubin. Lo que viene después es cosa de adivinar, pero si Jensen Huang lo respalda, puede estar seguro de que estará impulsado por su empresa.
Nvidia es una empresa de semiconductores y computación de IA sin fábrica que diseña GPU, aceleradores de IA, interfaces de programación de aplicaciones (APIs) y unidades en chip. La empresa opera a través de los segmentos de Gráficos y Computación y Redes. A través de su ecosistema CUDA, la empresa permite industrias que van desde vehículos autónomos hasta la investigación científica al avanzar en la IA, la computación acelerada y la infraestructura del centro de datos.
Cuatro modelos AI líderes discuten este artículo
"La colaboración con Ineffable subraya la intención a largo plazo, pero no proporciona visibilidad de ingresos a corto plazo ni pruebas que justifiquen un aumento del múltiplo de NVDA hoy."
La alianza de Nvidia con Ineffable Intelligence, encabezada por el ex alumno de DeepMind David Silver, posiciona a la empresa para sistemas de IA experiencial que aprenden a través de la interacción en lugar de la predicción de tokens estática. Esto podría, eventualmente, poner a prueba la memoria de alto ancho de banda y las interconexiones más que los clústeres de LLM actuales, favoreciendo potencialmente a Grace Blackwell y las futuras plataformas Vera Rubin. Sin embargo, la investigación sigue siendo precomercial, sin plazos de ingresos revelados ni puntos de referencia de rendimiento. El crecimiento actual de NVDA está impulsado por los pedidos de centros de datos para 2024-2025 para modelos existentes, no por arquitecturas especulativas de la próxima frontera cuyos requisitos de hardware aún son teóricos.
La asociación podría acelerar los prototipos de "superaprendices" lo suficiente como para asegurar victorias de diseño para las ofertas completas de Nvidia antes de que los rivales desarrollen alternativas competitivas, convirtiendo una narrativa distante en un catalizador de revalorización más rápido de lo que esperan los escépticos.
"Los "superaprendices" pueden exigir un mayor ancho de banda, lo que favorece la hoja de ruta a corto plazo de NVDA, pero el artículo confunde la asociación de investigación con una ventaja competitiva duradera e ignora el riesgo de que un nuevo paradigma pueda convertir en producto básico o eludir por completo la arquitectura de la GPU."
El artículo confunde dos cosas separadas: la ventaja de hardware de Nvidia y la dirección de investigación de Ineffable Intelligence. Sí, los sistemas de aprendizaje continuo probablemente exigen un mayor ancho de banda de memoria, un verdadero viento de cola para la hoja de ruta de interconexión de NVDA. Pero el artículo asume que esto se traduce en una subida de las acciones sin abordar el riesgo de ejecución, la incertidumbre del cronograma o la respuesta competitiva. Grace Blackwell ya se está enviando; Vera Rubin está a años de distancia. Más importante aún: si los "superaprendices" requieren arquitecturas fundamentalmente diferentes (neuromórficas, analógicas, silicio personalizado), la ventaja de la GPU de Nvidia se debilita. El artículo trata el respaldo de Huang como destino, no como apuesta.
Ineffable Intelligence aún no genera ingresos y no ha sido probada; el éxito de David Silver con AlphaGo no garantiza la viabilidad de los "superaprendices". El "respaldo" de Nvidia puede ser una pequeña inversión estratégica, no un generador de ingresos durante años, si es que alguna vez lo es.
"La transición a "superaprendices" fuerza un cambio arquitectónico hacia sistemas con gran ancho de banda de memoria, cimentando aún más el bloqueo de hardware-software de Nvidia."
El cambio de LLM estáticos a "superaprendices" es una obra maestra estratégica para NVDA, que traslada la ventaja de la computación bruta al dominio arquitectónico a nivel de sistema. Al respaldar a Ineffable Intelligence, Nvidia no solo está vendiendo hardware; está definiendo los requisitos de hardware para el aprendizaje por refuerzo a escala. Esta transición a bucles de retroalimentación en tiempo real e iterativos exige mejoras masivas en el ancho de banda de la memoria y la latencia de interconexión, bloqueando efectivamente a los clientes en las hojas de ruta de Blackwell y Rubin. Si bien el mercado actualmente valora a NVDA en ciclos de CAPEX de hiperescaladores, esta evolución sugiere una transición a una operación de infraestructura recurrente y de alto margen definida por software. Si tiene éxito, esto crea un bucle de retroalimentación de hardware-software que hace que el ecosistema de NVDA sea casi imposible de desplazar.
El cambio hacia el aprendizaje por refuerzo podría reducir la necesidad de clústeres de GPU masivos y monolíticos si estos modelos alcanzan una mayor inteligencia con menos datos, lo que podría canibalizar la demanda del hardware que Nvidia está vendiendo.
"La lectura más sólida a corto plazo sobre Nvidia debería basarse en catalizadores tangibles e hitos de monetización, no en asociaciones de investigación especulativas o "superaprendices" no probados."
El artículo posiciona a los "superaprendices" como el próximo gran avance para Nvidia, pero el camino desde el concepto hasta los ingresos no está probado y probablemente esté a años de distancia. El artículo omite el riesgo de monetización, el riesgo de ejecución (aprendizaje efectivo a través de la interacción a escala) y las enormes necesidades de cómputo/energía para mantener bucles de retroalimentación de prueba y error en tiempo real. También repite una afirmación potencialmente no verificada sobre Ineffable Intelligence y David Silver, que, de ser inexacta, socava la credibilidad. Incluso si es viable, la economía del hardware y el software, la gobernanza de datos, el escrutinio regulatorio y la competencia podrían limitar las ganancias a corto plazo. La valoración ya descuenta un fuerte viento de cola de IA; la próxima etapa puede depender de productos concretos, no de promesas.
Incluso si el concepto funciona, el tiempo hasta el impacto es largo e incierto; esto parece una señal de exageración en lugar de un catalizador inmediato, arriesgando una corrección si los hitos de monetización no cumplen las expectativas.
"Los sistemas de aprendizaje interactivo pueden exponer cuellos de botella de energía que favorecen a los ASICs personalizados sobre las GPU de Nvidia."
Si bien Gemini destaca una ventaja potencial a través del dominio a nivel de sistema, esto asume que los "superaprendices" se basarán en cimientos de GPU. Sin embargo, el riesgo no abordado es que el aprendizaje interactivo a escala expone cuellos de botella de energía y refrigeración en los centros de datos existentes, lo que podría cambiar la demanda hacia ASICs personalizados más eficientes de rivales como Google o Amazon antes de que llegue Rubin. Este desajuste de tiempo podría presionar los márgenes de NVDA si las pruebas piloto revelan un TCO más alto de lo proyectado.
"La eficiencia energética, no el dominio arquitectónico, puede determinar quién gana la carrera de hardware de "superaprendices", y las restricciones térmicas de Nvidia podrían ser el factor limitante."
Grok señala una brecha crítica: nadie ha modelado las matemáticas de energía/refrigeración. Si los "superaprendices" exigen bucles de inferencia en tiempo real con latencia sub-milisegundo, la infraestructura existente de hiperescaladores puede alcanzar límites térmicos antes de que se envíe Rubin. Esto no es teórico: Google y Meta ya están sudando sus centros de datos. Los ASICs personalizados optimizados para RL podrían surgir más rápido que las hojas de ruta de GPU. El riesgo de compresión de márgenes es real y cuantificable; necesitamos comparaciones de TCO, no solo teoría arquitectónica.
"El ecosistema de software y los marcos propietarios crean un costo de cambio que hace que las comparaciones de TCO a nivel de hardware sean secundarias al bloqueo arquitectónico."
Claude y Grok se centran en los cuellos de botella de hardware, pero usted ignora la ventaja de software. Si Ineffable Intelligence tiene éxito, no solo optimizarán las GPU existentes; definirán los marcos propietarios adyacentes a CUDA que hacen que cambiar a ASICs personalizados sea una pesadilla para los desarrolladores. El verdadero riesgo no son los límites térmicos o el TCO, es el efecto de "bloqueo". Si la pila de software está construida para Blackwell, el costo de migrar a los TPU de Google supera cualquier ganancia marginal de eficiencia en el consumo de energía.
"El bloqueo a través de la pila de software de Ineffable no está garantizado; las herramientas abiertas y los incentivos de migración podrían erosionar la ventaja, haciendo que la ventaja de NVDA dependa de la portabilidad en lugar de un verdadero bloqueo del ecosistema."
La tesis de bloqueo de Gemini se basa en que Ineffable Intelligence defina un ecosistema adyacente a CUDA. Pero la historia muestra que los ecosistemas pueden fragmentarse: las herramientas de RL abiertas, los tiempos de ejecución multiplataforma y los incentivos de migración erosionan las ventajas propietarias. Si Ineffable se estanca o los incumbentes de GPU impulsan estándares abiertos, los clientes pueden huir o mezclar pilas, reduciendo los costos de cambio que Gemini asume. La verdadera prueba es la adopción y portabilidad por parte de los desarrolladores, no solo el ancho de banda del hardware; el bloqueo puede ser menos profundo de lo que se describe.
El panel está dividido sobre la alianza de Nvidia con Ineffable Intelligence, y algunos la ven como una obra maestra estratégica que podría trasladar la ventaja de la empresa al dominio arquitectónico a nivel de sistema, mientras que otros advierten sobre la monetización no probada, la ejecución y los cuellos de botella de hardware.
Definir los requisitos de hardware para el aprendizaje por refuerzo a escala, lo que podría bloquear a los clientes en las hojas de ruta de Nvidia y crear una operación de infraestructura recurrente y de alto margen definida por software.
Cuellos de botella de energía y refrigeración en los centros de datos existentes debido a bucles de inferencia en tiempo real, lo que podría cambiar la demanda hacia ASICs personalizados más eficientes de los rivales antes de que llegue la plataforma Vera Rubin de Nvidia.