--- title: "“No todo es Rubin”: Positron AI defiende la vía air-cooled para la IA y promete 2–5× más eficiencia que NVIDIA en inferencia" description: "Con NVIDIA marcando el paso del hardware de inteligencia artificial —de Blackwell a la nueva plataforma Rubin apoyada en CPUs Vera y contextos de hasta “millón de tokens ”— podría parecer que el table..." url: https://revistacloud.com/no-todo-es-rubin-positron-ai-defiende-la-via-air-cooled-para-la-ia-y-promete-2-5x-mas-eficiencia-que-nvidia-en-inferencia/ date: 2025-10-15 modified: 2025-10-15 author: "Noticias Cloud" image: https://revistacloud.com/wp-content/uploads/2024/08/chips-avanzados-ia.jpeg categories: ["Noticias", "Tecnología"] tags: ["NVIDIA", "Positron AI", "rubin"] type: post lang: es --- # “No todo es Rubin”: Positron AI defiende la vía air-cooled para la IA y promete 2–5× más eficiencia que NVIDIA en inferencia Con NVIDIA marcando el paso del *hardware* de inteligencia artificial —de **[Blackwell](https://revistacloud.com/tag/blackwell/)** a la nueva plataforma **Rubin** apoyada en CPUs **Vera** y contextos de hasta “millón de *tokens*”— podría parecer que el tablero está resuelto. **Positron AI** discrepa. Su CEO, **Mitesh Agarwal**, defiende que hay espacio para alternativas centradas en **inferencias más baratas y eficientes**, aptas para **centros de datos por aire** (*air-cooled*) y sin la urgencia de migrar a la **refrigeración líquida** que exigirían las GPU de NVIDIA de nueva hornada. La apuesta de Positron se materializa en **Atlas** (primera generación) y **Asimov** (la próxima), dos aceleradores que, según Agarwal, **consumen entre 2 y 5 veces menos energía** que una GPU de NVIDIA **en cargas de inferencia** y **encajan en *racks* convencionales por aire**. El mensaje, dirigido a *hyperscalers*, *clouds* y *hosters* con metros cuadrados ya amortizados, es directo: **desplegar en lo que ya existe**. “El **95 %** de la capacidad instalada hoy es *air-cooled*. Rubin y Blackwell obligan a **nuevas obras**; nosotros **entramos** donde están”, resume. ## Aire frente a líquido: costes, plazos y complejidad Para Positron, **no se trata de sacrificar rendimiento** sino de **diseñar para inferencia**. Ahí es donde, sostiene, **se gana el volumen de negocio**. La comparativa térmica no es menor: **Blackwell ronda los 1.200 W por GPU** y **Rubin** —apunta el directivo citando prensa especializada— **podría alcanzar los 2.000 W**. A esas densidades, **el aire es inviable**; toca **líquido**, con su consiguiente **CAPEX** (tuberías, intercambiadores, pasillo húmedo, garantías de suministro de agua) y **OPEX** de mantenimiento. Agarwal añade un matiz importante: los **centros por líquido son más eficientes** a escala de edificio, pero **construirlos cuesta un 40–50 % más** y **lleva tiempo**. En mercados con **restricciones eléctricas** —**centros urbanos** de EE. UU. o Europa—, **no siempre hay potencia** disponible para levantar un *campus* de nueva generación. Si el acelerador **cabe en *air-cooled*** y **rinde** en inferencia, se **atiende demanda hoy** sin esperar permisos ni subestaciones. ## El *claim* técnico: potencia contenida y eficiencia por *token* La hoja técnica que Positron verbaliza es sencilla de recordar: - **Presupuesto energético por chip**: **< 200 W** en los diseños base y **~ 400 W** en configuraciones superiores, **ambas aireables**. - **Eficiencia**: **2–5×** mejor que una GPU de NVIDIA **en inferencia** (según casos). - **Rendimiento/€** (**performance per dollar**): **≈ 3,5×** frente a **Hopper**; **hasta 5×** en **cargas hambrientas de memoria/energía**. - **ROI**: donde NVIDIA requeriría **~ 2–2,5 años** para amortizar la inversión, **Atlas** estaría en **15–16 meses**, y el siguiente silicio **bajaría de 12 meses**; en escenarios extremos, **~ 6 meses**. La **constante** en todas las métricas es la misma: **inferir más *tokens* por euro y por vatio**. Frente a una GPU **generalista** para **entrenamiento + inferencia** —el enfoque de NVIDIA—, Positron se declara **especialista en inferencia**, justo **donde explota el mercado** en 2025–2028. ## El ángulo de la **escasez**: otra memoria, otro cuello de botella Buena parte del **cuello de botella** de la industria **no está en la oblea** sino en el ***packaging* avanzado** y la **memoria HBM** (p. ej., **CoWoS**). Ahí **todos compiten por los mismos turnos**. Positron afirma **evitar ese carril** con **una arquitectura de memoria propia**, lo que **desacoplaría** sus cadenas de suministro de las de **NVIDIA/AMD/TPU**. Resultado: **menos dependencia** del embudo HBM y, en teoría, **más escalabilidad** si acompañan los pedidos. En **producción**, **Atlas** es —según la compañía— **“*US-made*”** con **Intel Foundry** y una **cadena doméstica**. **Asimov** (objetivo: **tape-out** a finales de **2026**) llegaría en un **nodo maduro** y **más disponible**, con opciones de fabricación también en **Arizona**. La lectura entre líneas: **priorizar capacidad** frente a pelear cada milímetro en el **nodo de vanguardia**. ## ¿Y el *stack* de sistema? CPUs x86 y aceleradores “Archer” Positron **no compite en CPU**: usa **AMD EPYC** (como podría ser Intel o Arm) y compone **sistemas Atlas** con **8 aceleradores “Archer”**, **24 canales DDR5 RDIMM** y **doble EPYC Genoa**. La **diferencia** —insiste Agarwal— está **en el acelerador y su memoria**: - **Utilización de ancho de banda** de memoria: **> 90 %** (frente a **40–50 %** “incluso en el mejor caso GPU”). - **Capacidad**: hoy **prioriza el ancho de banda**; **Asimov** subiría el listón con **~ 2 TB** por tarjeta (**≈ 2.048 GB**), **≈ 5×** más que lo anticipado para **Rubin** (**288–384 GB** HBM3e, según versiones). Si la **limitación** de la carga está en **memoria** (*prefill intensivo*, contextos grandes, *prompt caches*, bases vectoriales), esa combinación —**alto aprovechamiento + gran capacidad**— **eleva el caudal** sin pelear cada gigabyte de HBM. ## Rubin CPX, *prefill* y “cooperación competitiva” La **respuesta** de NVIDIA al auge de la inferencia **ya está en marcha** con **Rubin CPX**, un acelerador **orientado a *prefill*** (entrada de *tokens*). ¿Le preocupa a Positron? “**No**”, dice Agarwal: **la salida** (*decoding*) —**código**, **vídeo**, **generación prolongada**— será la **palanca económica** y ahí es donde Positron **optimiza**. Incluso plantea **sistemas híbridos**: **Rubin CPX + Positron** para **combinar fortalezas** y **exprimir € por *token*** en *workloads* mixtas. El **subtexto** es claro: **entrenamiento** seguirá concentrándose en **unos pocos chips generalistas**; la **inferencia** **se fragmentará** en **ASICs** y **GPUs específicas por tarea**. Y el **pastel** es grande: **≈ 400.000 M $** de gasto en **2028** para inferencia, cita el directivo. ## Competidores “domésticos”: Trainium y TPU ¿Y frente a **Trainium** (AWS) o **TPU** (Google)? Agarwal distingue **plataforma** y **aplicación**. Si el **indicador único** es **rendimiento/€ por *token*** en **LLM de frontera**, asegura **≈ 3,5×** frente a **Hopper** y **mejor** que **Trainium/TPU** **en los casos que maximizan memoria** y **eficiencia por vatio**. La tesis: **no hace falta ser nº 1 en todo**; basta con **ser nº 1 en lo que paga la factura**. ## Casos de uso y clientes: *brownfield* antes que *greenfield* La **teoría** gana tracción cuando aterriza en **centros con potencia limitada**. Agarwal cita a **Cloudflare** —cliente público— como ejemplo de quien **no puede** “pedir más megavatios a la ciudad” ni **reconstruir por líquido** en **San Francisco, Nueva York o Chicago**. Ahí **entra Atlas**: **más *tokens* por vatio** en **lo que ya está**. ## Señales a vigilar (y cautelas) - **Las cifras** de **2.000 W** para **Rubin** aparecen **no confirmadas** por NVIDIA; son **estimaciones externas** que la compañía **no comenta**. - El calendario de **Asimov** (finales de **2026**) y su **capacidad de 2 TB** son **objetivos**; habrá que ver **silicio real**. - **Liquid-cooling** **seguirá creciendo** por **eficiencia energética** y **densidad**: Positron lo **admite** y promete **soporte dual** (aire/**líquido**) según *layout*. - El **éxito** del enfoque **dependerá** de si **la mayoría de cargas de inferencia** de alto valor **siguen atadas** a **memoria y *decoding*** —donde asegura ventaja— y de si **mantiene** la **ventana de *supply chain*** fuera del **embudo HBM**. ## Lo esencial En un mercado que corre hacia **racks de líquido**, **megavatios a pie de nave** y **HBM por kilos**, **Positron** levanta la mano para **lo ya construido**, con **chips de 200–400 W**, **memoria distinta**, **mejor aprovechamiento** y una promesa que seduce a cualquier CFO: **recuperar la inversión en meses, no en años**, en **inferencias reales**. Si **Rubin** es la **autopista** de NVIDIA, **Positron** quiere **llenar las carreteras secundarias** que siguen moviendo el tráfico. --- ### Preguntas frecuentes **¿Por qué insiste Positron en *air-cooled* si el líquido es más eficiente?** Porque **el 95 %** de la **capacidad existente** es **por aire** y **reconstruir** para **líquido** **cuesta un 40–50 % más** y **tarda**. En **inferencias** con **chips de 200–400 W**, Positron defiende que **encaja** en *racks* actuales y **acorta el *time-to-value***. **¿Qué significa “2–5× más eficiente” frente a una GPU de NVIDIA?** En **inferencias**, más **tokens por vatio** y más **tokens por euro**. La compañía habla de **≈ 3,5× rendimiento/€** frente a **Hopper** y **hasta 5×** en **cargas** muy **sensibles a memoria/energía**. El **ROI** bajaría de **2–2,5 años** a **15–16 meses** (Atlas) y **< 12 meses** en la siguiente generación. **¿Cómo esquiva Positron la escasez de HBM?** Asegura usar **otra arquitectura de memoria** (no HBM/CoWoS), con **> 90 %** de **uso de ancho de banda** y, en **Asimov**, **~ 2 TB** de **capacidad** por tarjeta. Así **desacopla** su producción de los **cuellos** que afectan a **NVIDIA/AMD/TPU**. **¿Rubin CPX no deja fuera a Positron en inferencia?** Rubin CPX **optimiza *prefill***. Positron reivindica el **decoding** (salida) —**código**, **vídeo**, **generación larga**— como **motor de coste** y propone incluso **combinar** **Rubin CPX + Positron** para **maximizar € por *token*** en **pipelines mixtos**. **¿En qué *stack* se integra Atlas?** En **[servidores x86](https://revistacloud.com/arm-frente-x86/)** con **doble AMD EPYC**, **24 canales DDR5** y **8 aceleradores Archer**. No compite en **CPU**; su **diferencial** está en el **acelerador** y su **memoria**. *Nota: las cifras y afirmaciones citadas proceden de declaraciones del CEO de Positron AI en la entrevista de referencia. Algunos valores de potencia y memoria de plataformas ajenas (p. ej., Rubin) son estimaciones de terceros que los fabricantes no han confirmado públicamente.* vía: [wccftech](https://wccftech.com/nvidias-latest-rubin-ai-gpus-dont-have-to-be-the-only-game-in-town-says-positron-ai-ceo/)