--- title: "NVIDIA dibuja su hoja de ruta en CES 2026: Rubin, modelos abiertos y “memoria” para la IA agéntica" description: "NVIDIA aprovechó el arranque de CES 2026 en Las Vegas para presentar algo más ambicioso que un catálogo de productos: una visión de plataforma . Jensen Huang subió al escenario del Fontainebleau con u..." url: https://revistacloud.com/nvidia-dibuja-su-hoja-de-ruta-en-ces-2026-rubin-modelos-abiertos-y-memoria-para-la-ia-agentica/ date: 2026-01-07 modified: 2026-01-06 author: "Silvia A. Feliz" image: https://revistacloud.com/wp-content/uploads/2026/01/ces26-nvidialive-Jensen-huang.jpg categories: ["Inteligencia artificial", "Noticias"] tags: ["CES 2026", "jensen huang", "NVIDIA", "rubin"] type: post lang: es --- # NVIDIA dibuja su hoja de ruta en CES 2026: Rubin, modelos abiertos y “memoria” para la IA agéntica NVIDIA aprovechó el arranque de CES 2026 en Las Vegas para presentar algo más ambicioso que un catálogo de productos: una **visión de plataforma**. Jensen Huang subió al escenario del Fontainebleau con un mensaje claro: la inteligencia artificial ya no es una capa más del software, sino el motor que está **reconstruyendo el stack completo de computación**, desde el silicio y la red hasta el almacenamiento y los modelos. En ese marco, la compañía desplegó tres pilares que resumen su apuesta para los próximos años: **Rubin**, su nueva plataforma de IA “extreme-codesigned”; una estrategia de **modelos abiertos** por dominios; y una infraestructura pensada para la **IA agéntica**, donde el contexto —la “memoria” operativa— se convierte en un recurso crítico. ### Rubin: la plataforma de seis chips que quiere abaratar el “precio por token” El anuncio central fue **NVIDIA Rubin**, sucesora de Blackwell y presentada como la **primera plataforma de IA de seis chips diseñada en codesign extremo**. La idea es directa: cuando la IA escala a “gigascale”, ya no basta con fabricar una GPU más rápida; hay que diseñar de forma coordinada **GPU, CPU, interconexión, red, DPUs, almacenamiento y software**, porque los cuellos de botella se mueven. Rubin se describe como una plataforma “construida desde el data center hacia fuera” y, en su composición, NVIDIA sitúa: - **Rubin GPUs** con **50 petaflops** de inferencia en **NVFP4**. - **Vera CPUs**, orientadas al **movimiento de datos** y al procesamiento asociado a sistemas agénticos. - **NVLink 6** para escala “scale-up”. - **Spectrum-X Ethernet Photonics** para “scale-out”. - **ConnectX-9 SuperNICs** y **BlueField-4 DPUs** como base de la conectividad y la aceleración de infraestructura. El objetivo declarado por Huang es reducir drásticamente el coste de desplegar IA a gran escala: la plataforma, en conjunto, promete **entregar tokens a aproximadamente una décima parte del coste** de la generación anterior, empujando la economía de la IA hacia un terreno más “industrial” que experimental. ### El nuevo problema de moda: el contexto y el KV cache La lectura que hace NVIDIA de 2026 es que la IA va camino de dejar atrás el chatbot de “una respuesta” y abrazar sistemas que **mantienen conversaciones largas**, encadenan tareas, consultan herramientas y sostienen un historial —lo que hoy se entiende como **IA agéntica**. Ahí aparece un cuello de botella que la industria está empezando a tratar como infraestructura de primer orden: el **KV cache** (key-value cache), esa memoria de contexto que permite a los modelos razonar sobre múltiples turnos sin perder coherencia. NVIDIA insiste en un punto: el KV cache **no puede vivir indefinidamente en la GPU** sin penalizar la inferencia en tiempo real. Por eso, en paralelo a Rubin, la compañía presentó un concepto de **almacenamiento nativo para IA**: una capa específica para el contexto. ### “AI-native storage”: una tier de memoria de contexto fuera de la GPU Bajo el paraguas de BlueField-4, NVIDIA introdujo la **Inference Context Memory Storage Platform**, definida como una **tier de KV cache** para inferencia de contexto largo y agentes multi-turno. La promesa —en cifras— es agresiva: - **Hasta 5× más tokens por segundo**, - **hasta 5× mejor rendimiento por dólar de TCO**, - y **hasta 5× mejor eficiencia energética** frente a almacenamiento tradicional. Más allá de los multiplicadores, el mensaje estratégico es claro: si los agentes van a necesitar “memoria” compartida entre nodos y persistencia de contexto, el almacenamiento deja de ser un repositorio pasivo y pasa a convertirse en una **pieza activa del rendimiento**. ### Modelos abiertos por dominios: Clara, Earth-2, Nemotron, Cosmos, GR00T y Alpamayo La otra gran línea de la keynote fue la insistencia de NVIDIA en un catálogo de **modelos abiertos** entrenados sobre sus propios supercomputadores, organizados por dominios y pensados como una “base” reutilizable por empresas e индустрias. La cartera citada abarca seis áreas: - **Clara** (salud) - **Earth-2** (clima) - **Nemotron** (razonamiento y multimodalidad) - **Cosmos** (robótica y simulación) - **GR00T** (inteligencia “embodied”) - **Alpamayo** (conducción autónoma) La narrativa que sostiene esta estrategia es que los modelos evolucionan con ciclos cada vez más cortos y que el ecosistema —descargas, adaptaciones, evaluación, “guardrails”— es parte del producto. NVIDIA se posiciona como “constructor de modelos de frontera”, pero con un enfoque “abierto” para que terceros puedan ajustar, evaluar y desplegar. ### Alpamayo: razonamiento para la cola larga de la conducción autónoma En el terreno de la automoción, Alpamayo se presenta como una familia de **modelos VLA (visión-lenguaje-acción) con razonamiento** orientados a resolver el gran enemigo del vehículo autónomo: la **long tail**, esos escenarios raros y difíciles que no aparecen con frecuencia en los datos. Dentro del anuncio, NVIDIA destacó: - **Alpamayo R1**, como primer modelo VLA de razonamiento “abierto” para conducción autónoma. - **AlpaSim**, como blueprint de simulación abierta para pruebas de alta fidelidad. En una de las afirmaciones más llamativas, Huang vinculó esta línea con una implementación en automoción de consumo: el primer vehículo de pasajeros con Alpamayo basado en la plataforma completa **NVIDIA DRIVE** aparecerá “pronto” en la carretera, en el **nuevo Mercedes-Benz CLA**, con “conducción definida por IA” llegando a EE. UU. este mismo año, y mencionando su reciente calificación de cinco estrellas en EuroNCAP. ### La IA se “personaliza”: DGX Spark, agentes locales y robots de escritorio Otra parte del guion buscó alejar la IA del imaginario exclusivo del centro de datos. Huang defendió que el futuro también es **local y personal**, con demos de agentes ejecutándose en el **DGX Spark**, “encarnados” en un robot (Reachy Mini) y utilizando modelos de Hugging Face. NVIDIA añadió que DGX Spark ofrece **hasta 2,6× de rendimiento** para modelos grandes, con soporte para **LTX-2** y **FLUX** en generación de imagen, y con disponibilidad futura de **NVIDIA AI Enterprise** para ese formato. ### Gaming y creación: DLSS 4.5 y el ecosistema RTX como escaparate Aunque CES es también show, NVIDIA no dejó fuera el escaparate clásico: juegos y creación. La compañía presentó **DLSS 4.5**, con **Dynamic Multi Frame Generation**, un nuevo modo **6X Multi Frame Generation** y un **transformer de segunda generación** para DLSS Super Resolution. También subrayó que **más de 250 juegos y apps** ya soportan DLSS 4, y citó varios títulos que lo incorporarán desde el lanzamiento (entre ellos *007 First Light*, *Phantom Blade Zero*, *PRAGMATA* o *Resident Evil Requiem*). Hubo además menciones a RTX Remix Logic, a demostraciones de NVIDIA ACE y a nuevos despliegues de GeForce NOW en más dispositivos. --- ## Preguntas frecuentes (FAQ) **¿Qué significa que Rubin sea una plataforma “extreme-codesigned” de seis chips?** Que NVIDIA diseña como un conjunto coordinado GPU, CPU, red, DPUs e interconexión para reducir cuellos de botella a escala de rack y bajar el coste total de entrenamiento e inferencia. **¿Por qué el KV cache se ha convertido en un problema de infraestructura?** Porque los agentes y los contextos largos generan grandes volúmenes de memoria de estado. Mantenerlo siempre en GPU limita la inferencia en tiempo real y encarece la operación, especialmente en sistemas multi-turno y multi-agente. **¿Qué pretende resolver el “AI-native storage” de NVIDIA?** Crear una capa específica para almacenar y compartir contexto (KV cache) fuera de la GPU con alta velocidad, orientada a aumentar tokens por segundo y mejorar eficiencia energética en inferencia de gran escala. **¿Qué es Alpamayo y por qué importa para el vehículo autónomo?** Es una familia de modelos y herramientas (incluida simulación y datasets) enfocada a razonamiento en escenarios raros (“long tail”), el gran reto para escalar la conducción autónoma con seguridad. vía: [Nvidia](https://blogs.nvidia.com/blog/2026-ces-special-presentation/)