La carrera de la inteligencia artificial suele contarse como una sucesión de chips cada vez más potentes. Más FLOPS, más memoria HBM, más ancho de banda y más racks por centro de datos. Pero la noticia que ahora rodea a NVIDIA apunta a una realidad menos vistosa y mucho más incómoda: el límite no siempre está en diseñar una GPU más grande, sino en conectarla, alimentarla, refrigerarla y fabricarla en volumen.
Según el análisis difundido por SemiAnalysis, la arquitectura Kyber NVL144 de NVIDIA habría sufrido un retraso importante y se desplazaría hacia 2028. También se habría cancelado el diseño alternativo NVL72x2, que buscaba colocar dos racks Oberon espalda contra espalda para ampliar el dominio de escalado por cobre. La información no ha sido confirmada oficialmente por NVIDIA, así que conviene tratarla como lo que es: una lectura de cadena de suministro y arquitectura, no un anuncio corporativo.
Aun así, el fondo del asunto es relevante. NVIDIA había presentado Kyber como parte de su evolución hacia sistemas de IA a escala de rack y multirrack. En su propio blog técnico, la compañía describía Kyber como una arquitectura capaz de duplicar el dominio NVLink por rack hasta 144 GPU y de servir como base para sistemas aún mayores, como NVL1152, usando interconexiones ópticas directas entre racks.
El problema ya no es solo el chip
Durante los últimos años, NVIDIA ha construido una ventaja difícil de igualar no solo con sus GPU, sino con el sistema completo que las rodea. NVLink, NVSwitch, racks integrados, refrigeración líquida, redes Spectrum-X e InfiniBand, software y una cadena de proveedores coordinada han permitido vender infraestructura de IA como bloques casi completos, no como aceleradores aislados.
Ese modelo funciona mientras la arquitectura pueda escalar. El reto aparece cuando se intenta que cientos de GPU se comporten como un único sistema coherente, con baja latencia y ancho de banda suficiente. En ese punto, las pistas de cobre, conectores, midplanes, cables, consumo eléctrico y disipación térmica dejan de ser detalles de ingeniería y pasan a ser el centro del producto.
Kyber NVL144 buscaba precisamente ampliar ese dominio de escalado. La idea era aumentar el número de GPU conectadas dentro de un mismo entorno NVLink, reduciendo la dependencia de redes externas más lentas para determinadas cargas. En IA generativa, especialmente en entrenamiento e inferencia de modelos grandes, esa diferencia puede afectar al coste por token, al aprovechamiento de las GPU y a la eficiencia del centro de datos.
El supuesto retraso se atribuye a la dificultad de fabricar de forma fiable el PCB midplane, una pieza crítica para interconectar el sistema. No es un fallo menor. En este tipo de arquitecturas, el rendimiento depende de señales de altísima velocidad moviéndose por distancias físicas muy ajustadas. La ingeniería deja de parecer software y vuelve a ser materia: cobre, fibra, calor, tolerancias, servicio y montaje.
Rubin Ultra también se reajusta
La noticia llega además después de otro giro importante: el supuesto abandono del diseño de Rubin Ultra con cuatro compute dies. Tom’s Hardware, citando a SemiAnalysis, informó de que NVIDIA habría cancelado esa versión más ambiciosa por dificultades de fabricación y habría optado por una configuración de dos compute dies, más sencilla de producir. El propio medio advertía que la información era no oficial y debía tomarse con cautela.
La diferencia no es trivial. El diseño de cuatro dies prometía duplicar el área de cómputo frente a Rubin y elevar de forma muy agresiva el rendimiento por paquete. Reducirlo a dos dies rebaja el riesgo industrial, pero también limita la mejora esperada. En la práctica, NVIDIA podría compensar parte de esa pérdida vendiendo más racks o más sistemas, pero el mensaje para el mercado cambia: incluso el líder de la IA se enfrenta a límites físicos, de empaquetado y de fabricación.
Esto no significa que NVIDIA haya perdido su ventaja. Sería una lectura exagerada. La compañía mantiene una posición dominante en aceleradores, software, redes y ecosistema. Pero sí sugiere que el margen de superioridad puede estrecharse en una fase en la que el problema ya no consiste solo en tener la mejor GPU, sino en construir el mejor sistema completo.
Ahí es donde entran AMD, Google y los grandes hyperscalers. AMD tiene en su hoja de ruta soluciones rack-scale con Instinct MI500X y CPUs Verano para 2027, dentro de una estrategia anual de evolución de CPU, GPU y sistemas de IA. Google, por su parte, ha separado su octava generación de TPU en dos arquitecturas especializadas, TPU 8t para entrenamiento y TPU 8i para inferencia, con una apuesta clara por eficiencia, escala y cargas agentic.
La oportunidad para estos rivales no está en que NVIDIA desaparezca del mapa, sino en que cualquier retraso en su dominio de escalado abre espacio para arquitecturas alternativas. Si Rubin Ultra llega con menos músculo del previsto o si Kyber tarda más en madurar, los clientes con demanda extrema podrían mirar con más atención a sistemas basados en Ethernet, UALink, TPU o diseños internos.
CPO, NPO y la batalla de las interconexiones
Otra lectura importante afecta a la cadena de suministro óptica. Durante meses, el CPO o co-packaged optics se ha presentado como una de las grandes respuestas al problema de mover datos dentro de las fábricas de IA. La idea es acercar o integrar los motores ópticos con los chips de conmutación para reducir pérdidas eléctricas, consumo y complejidad frente a módulos ópticos tradicionales. NVIDIA ha defendido que las interconexiones fotónicas serán necesarias para escalar futuras fábricas de IA con mayor eficiencia.
Pero la integración óptica avanzada no es sencilla. CPO mejora la eficiencia, pero también introduce retos de empaquetado, test, reparación, servicio, térmica y suministro. Si los sistemas basados en CPO se retrasan o quedan limitados a volúmenes pequeños, ganan atractivo opciones intermedias como NPO (near-packaged optics), que acercan el motor óptico al ASIC sin integrarlo completamente en el mismo paquete. Esta aproximación suele verse como un punto medio entre los módulos enchufables tradicionales y el CPO más integrado, con menos salto industrial y mejor mantenibilidad.
Por eso algunos analistas leen el supuesto retraso de Kyber como una señal positiva para parte de la cadena NPO y más negativa para los proveedores más expuestos a CPO puro en el corto plazo. Si la industria necesita soluciones desplegables antes de que CPO esté completamente maduro, las arquitecturas menos radicales pueden ganar una ventana comercial.
También hay implicaciones para fabricantes de PCB avanzados, conectores, cables, módulos ópticos, sistemas de refrigeración líquida, integradores ODM y proveedores de memoria. Un cambio de diseño en un rack de IA no solo afecta a NVIDIA. Reordena pedidos, validaciones, calendarios de cualificación y capacidad de producción en toda la cadena.
Lo que realmente está en juego
El titular fácil sería decir que NVIDIA tropieza. La lectura más precisa es que la IA está entrando en una fase donde las promesas de roadmap chocan con la complejidad de producción a escala. Diseñar una arquitectura extrema para una keynote es una cosa. Convertirla en miles de racks operativos para hyperscalers, con servicio, disponibilidad, coste y tiempos razonables, es otra.
Los grandes clientes no compran solo rendimiento máximo. Compran fiabilidad, plazos, mantenibilidad, eficiencia energética y capacidad de desplegar rápido. Si un diseño exige una operación demasiado extraña, un mantenimiento difícil o una cadena de suministro inmadura, los CSP pueden preferir una solución menos elegante pero más operativa.
Ese parece haber sido uno de los problemas del diseño NVL72x2, según el análisis que circula en la industria: una solución pensada para ampliar el dominio por cobre, pero con un coste operativo y una disposición física poco atractivos para grandes clientes. En centros de datos que ya lidian con racks de cientos de kilovatios, refrigeración líquida, espacio, peso y energía limitada, cada rareza de diseño se paga.
La gran cuestión para 2027 y 2028 será si NVIDIA consigue mantener su ventaja sistémica mientras reajusta Rubin Ultra y Kyber, o si AMD, Google y otros ecosistemas aprovechan el hueco para recortar distancia. La respuesta no dependerá solo de benchmarks. Dependerá de cuánto hardware se pueda fabricar, cuánta energía consuma, cómo se conecte, cómo se repare y cuánto tarde en encenderse en un centro de datos real.
La IA ha hecho famosa a la GPU. Ahora está haciendo visible algo menos glamuroso: el rack. Y quizá la próxima gran ventaja competitiva no esté en el chip más espectacular, sino en la arquitectura que consiga que miles de chips trabajen juntos sin que el sistema se vuelva ingobernable.
Preguntas frecuentes
¿Qué es NVIDIA Kyber NVL144?
Es una arquitectura de rack pensada para ampliar el dominio NVLink hasta 144 GPU dentro de sistemas de IA de próxima generación. NVIDIA la presentó como parte de la evolución de Vera Rubin Ultra y de sus futuros sistemas de escalado.
¿El retraso de Kyber está confirmado por NVIDIA?
No. La información procede de análisis de industria y cadena de suministro atribuidos a SemiAnalysis. NVIDIA no ha confirmado oficialmente ese retraso ni la cancelación de NVL72x2.
¿Por qué importa el dominio de escalado?
Porque en IA avanzada muchas GPU deben trabajar como un único sistema. Cuanto mayor y más eficiente es el dominio de escalado, mejor puede moverse el modelo entre aceleradores con menor latencia y mayor aprovechamiento del hardware.
¿Qué empresas podrían beneficiarse si NVIDIA se retrasa?
AMD, Google TPU y otros ecosistemas de aceleradores podrían ganar atención si ofrecen sistemas rack-scale competitivos y disponibles en los plazos que necesitan los grandes clientes cloud.
¿Qué diferencia hay entre CPO y NPO?
CPO integra la óptica muy cerca o dentro del paquete del chip de conmutación, con mayor eficiencia pero más complejidad. NPO coloca los motores ópticos cerca del paquete, con un enfoque intermedio más fácil de fabricar y mantener.
