NVIDIA está trasladando la carrera de la inteligencia artificial desde el número de GPU instaladas hacia una métrica cada vez más condicionante: cuánto trabajo de IA puede producir un centro de datos con cada megavatio disponible. Su respuesta es DSX MaxLPS, un conjunto de tecnologías de gestión eléctrica, software, refrigeración líquida y diseño de instalaciones con el que la compañía proyecta que los futuros centros basados en Vera Rubin NVL72 puedan albergar hasta un 40 % más de GPU dentro del mismo presupuesto energético.
Las claves de NVIDIA DSX MaxLPS en 30 segundos
- MaxLPS busca aprovechar mejor una potencia eléctrica que en muchos centros de datos ya es el recurso que limita nuevas GPU.
- NVIDIA propone reasignar dinámicamente la capacidad eléctrica que los racks no están utilizando.
- En pruebas representativas, mantiene el rendimiento reduciendo la potencia provisionada por rack.
- Vera Rubin NVL72 está diseñado para refrigeración líquida con agua de entrada a 45 °C.
- NVIDIA estima hasta un 40 % más de GPU Rubin dentro de una instalación con la misma potencia disponible.
El planteamiento resulta relevante porque no promete obtener ese 40 % aumentando la potencia contratada con la red eléctrica. La propuesta consiste precisamente en trabajar dentro de un límite fijo y recuperar capacidad que actualmente se pierde entre refrigeración, distribución eléctrica, reservas operativas y diferencias entre el consumo máximo provisionado y el consumo real de los racks.
NVIDIA denomina MaxLPS a Maximum Land Power Shell, una forma de considerar conjuntamente tres límites físicos de una instalación: terreno disponible, potencia eléctrica y edificio con sus sistemas de energía, refrigeración, comunicaciones y cómputo. Para la compañía, estos recursos deben gestionarse como un sistema completo en lugar de dimensionar cada rack como una unidad aislada.
El problema de reservar electricidad que después no se utiliza
Un centro de datos no puede asumir que sus servidores consumirán siempre su potencia media.
La infraestructura eléctrica tiene que soportar picos. Si un rack puede alcanzar 120 kW bajo determinadas cargas, reservar únicamente 90 kW porque ese sea su consumo habitual podría provocar problemas cuando el sistema alcance el máximo.
El resultado es que tradicionalmente se asigna suficiente potencia a cada rack para cubrir esos escenarios.
Pero las cargas de IA no consumen de forma constante.
Entrenamiento, inferencia, sincronización, acceso a memoria, comunicaciones, checkpointing, prefill y decode generan perfiles eléctricos diferentes. Hay momentos en los que las GPU trabajan intensamente y otros en los que esperan datos o comunicaciones.
Un rack puede tener reservada una potencia que temporalmente no utiliza mientras otro podría aprovecharla.
NVIDIA quiere convertir ese margen en capacidad compartida.
Su ejemplo parte de una instalación hipotética de 100 MW. De acuerdo con el modelo utilizado por la compañía, 20 MW se destinan al funcionamiento de la propia instalación, 10 MW se pierden en la infraestructura del rack y otros 10 MW quedan fuera de la carga útil de IA por ineficiencias operativas asociadas a fallos, reinicios y checkpoints.
Quedarían así unos 60 MW destinados directamente a la carga de IA.
No debe interpretarse ese reparto como una regla universal para cualquier centro de datos. NVIDIA lo presenta como un escenario ilustrativo para explicar cuánto puede separarse la potencia eléctrica recibida de la que finalmente produce trabajo computacional.
Ahí aparece una cuestión cada vez más importante para los operadores: comprar una GPU más eficiente puede ayudar, pero también puede hacerlo conseguir que una mayor proporción de los megavatios contratados llegue realmente hasta esas GPU.
De una potencia fija por rack a repartirla dinámicamente
Una de las piezas de MaxLPS es Dynamic Power Software (DPS), actualmente presentado por NVIDIA como Developer Preview.
El sistema monitoriza el consumo desde la instalación hasta grupos de recursos, racks, nodos y GPU. Los operadores establecen límites y políticas y el software compara continuamente la potencia asignada con la que realmente está consumiendo el hardware.
Cuando encuentra capacidad disponible puede reasignarla dentro del grupo administrado.
La idea se parece a otros mecanismos de asignación dinámica utilizados durante años en informática: reservar recursos suficientes para garantizar el funcionamiento, pero aprovechar estadísticamente que todos los componentes no suelen alcanzar simultáneamente su máximo.
La diferencia es que aquí el recurso compartido son kilovatios.
NVIDIA muestra un escenario en el que el aprovisionamiento estático deja 170 kW sin utilizar dentro de un presupuesto total de 540 kW. La asignación dinámica recuperaría ese margen y permitiría incorporar otro rack sin ampliar la potencia total de la instalación.
El límite eléctrico general no cambia.
Tampoco aparece electricidad nueva.
Lo que cambia es la utilización de la capacidad existente.
Este matiz resulta importante porque el sistema no puede eliminar los límites físicos del centro de datos. Si todos los racks necesitan simultáneamente su máxima potencia, no existe margen que repartir. El beneficio dependerá del comportamiento real de las cargas y de hasta qué punto sus picos puedan complementarse.
GB200 y Vera Rubin muestran cuánto puede cambiar la densidad
NVIDIA aporta resultados de cargas representativas de inferencia para explicar el efecto.
Con GB200 NVL72 y Kimi-K2.5, MaxLPS reduce en sus pruebas la potencia provisionada por rack de 125 a 90 kW manteniendo el throughput de la carga. Eso permitiría instalar un 39 % más de racks dentro del mismo límite energético.
Para Vera Rubin NVL72 ejecutando DeepSeek-R1, la potencia provisionada pasa de 136 a 101 kW. En este caso, NVIDIA calcula que cabría aproximadamente un 35 % más de racks.
El fabricante sitúa además la mejora del rendimiento por vatio alrededor de 1,5 veces en GB200 NVL72 y entre 1,3 y 1,4 veces en Vera Rubin NVL72 para los escenarios evaluados. Son resultados y proyecciones de NVIDIA sobre cargas concretas, por lo que no equivalen a una mejora automática para cualquier centro de datos o aplicación.
La compañía amplía el cálculo cuando combina MaxLPS con la planificación eléctrica y térmica completa de una futura instalación Vera Rubin.
Según sus estimaciones, un centro de datos de 100 MW podría alojar hasta 40.000 GPU Rubin y alcanzar las siguientes capacidades:
| Capacidad estimada por NVIDIA | Centro de IA de 100 MW |
|---|---|
| Inferencia NVFP4 | 2 zettaFLOPS |
| Entrenamiento NVFP4 | 1,4 zettaFLOPS |
| Memoria HBM4 | 11 PB |
| Ancho de banda HBM4 | 800 PB/s |
| Incremento potencial de GPU | Hasta un 40 % |
Ese 40 % debe entenderse como el objetivo máximo proyectado por NVIDIA combinando varias medidas, no como una propiedad intrínseca de cada rack Rubin.
Refrigerar con líquido a 45 °C puede ahorrar electricidad
La segunda parte de la propuesta parece inicialmente contradictoria: utilizar líquido más caliente para refrigerar mejor un centro de datos.
Vera Rubin NVL72 está diseñado para funcionar con refrigeración líquida con una temperatura de entrada de hasta 45 °C.
El objetivo no es enfriar más el chip, sino reducir la cantidad de energía necesaria para expulsar posteriormente ese calor fuera del edificio.
Cuando el circuito funciona con temperaturas más altas aumenta el número de horas durante las que determinadas instalaciones pueden utilizar refrigeración exterior o free cooling sin recurrir intensivamente a compresores y enfriadoras.
El resultado depende mucho del clima y del diseño concreto.
Una instalación situada en una región fría tendrá oportunidades diferentes a otra construida en un entorno con temperaturas exteriores elevadas durante buena parte del año.
También cambia el uso de agua. NVIDIA sostiene que un diseño adecuado puede reducir la dependencia de refrigeración evaporativa intensiva en agua, aunque no significa que cualquier centro de datos Rubin vaya a prescindir de enfriadoras o sistemas evaporativos.
La propuesta consiste en utilizarlos solo cuando las condiciones realmente los requieran.
Cada kilovatio que deja de consumir la refrigeración puede permanecer disponible para los servidores siempre que la infraestructura eléctrica y térmica haya sido diseñada para ello.
El software también intenta obtener más tokens por vatio
MaxLPS no termina en la instalación eléctrica.
NVIDIA introduce perfiles denominados Workload Profile Power Solutions (WPPS) para adaptar el funcionamiento de las GPU a diferentes tipos de carga, entre ellos entrenamiento, inferencia, tareas limitadas por memoria o trabajos dominados por capacidad de cálculo.
El Application Performance and Power Manager aplica las configuraciones correspondientes y NVIDIA Dynamo puede intervenir en la gestión de servicios de inferencia distribuidos.
El objetivo es evitar una configuración energética idéntica para cargas que se comportan de manera distinta.
En inferencia, la compañía propone medir el resultado mediante tokens por segundo y por vatio. Esa métrica relaciona directamente el consumo con el trabajo realizado, aunque tampoco puede utilizarse aisladamente: latencia, calidad de servicio y coste de la infraestructura siguen siendo relevantes.
Para un proveedor de IA, producir más tokens con el mismo megavatio puede aumentar la capacidad comercial disponible sin esperar una nueva conexión eléctrica.
Y ese último punto está adquiriendo una importancia considerable.
La electricidad empieza a determinar el tamaño real de los clústeres de IA
Durante los primeros años del crecimiento de la IA generativa, la escasez más visible estuvo en las GPU.
Conseguir aceleradores era el problema.
Ahora las limitaciones se están desplazando también hacia potencia eléctrica, capacidad de red, transformadores, refrigeración, terreno y tiempo necesario para construir nuevas instalaciones.
Una empresa puede disponer del capital necesario para comprar más GPU y descubrir que no tiene dónde conectarlas.
La estrategia de NVIDIA intenta responder precisamente a esa situación.
Si un centro de datos tarda años en conseguir otros 100 MW, mejorar un 20 %, 30 % o 40 % la utilización efectiva de los megavatios existentes puede tener un valor económico enorme.
También cambia la forma de medir la infraestructura.
El número de GPU continúa siendo importante, pero dos centros de datos con la misma potencia y los mismos aceleradores pueden producir cantidades diferentes de trabajo si uno necesita más electricidad para refrigeración, mantiene mayor capacidad reservada sin utilizar o ejecuta sus cargas con una configuración energética menos eficiente.
Por eso NVIDIA está utilizando cada vez más el concepto de AI factory, o fábrica de IA: considera el centro de datos como una instalación industrial cuya producción son tokens y otros resultados computacionales.
Es una terminología comercial del fabricante, pero describe un cambio real en la planificación de estas instalaciones.
Diseñar ahora para las GPU que llegarán después
Otra idea de MaxLPS afecta directamente a la construcción de nuevos centros.
NVIDIA recomienda dimensionar desde el principio alimentación, refrigeración, espacio y comunicaciones para la cantidad máxima de racks que la instalación podría albergar durante su vida útil, aunque inicialmente no se instalen todos.
El motivo está en la evolución de las cargas.
Un centro dedicado principalmente a entrenamiento puede comenzar con un consumo medio elevado por rack. Si posteriormente aumenta el peso de la inferencia y disminuye el consumo medio, aparecería margen para instalar más hardware sin incrementar la potencia total contratada.
Para que eso sea posible tienen que existir físicamente posiciones de rack, distribución eléctrica, refrigeración y capacidad de red suficientes.
Modificar esos elementos después de construir el edificio puede ser mucho más complejo y caro.
MaxLPS intenta, por tanto, que el límite energético deje de gestionarse únicamente GPU a GPU o rack a rack y pase a considerarse desde el diseño completo del centro de datos.
El planteamiento todavía tendrá que demostrar su comportamiento a gran escala.
Dynamic Power Software y DSX Exchange se encuentran actualmente en Developer Preview, y buena parte de las cifras sobre Vera Rubin son proyecciones de NVIDIA para hardware y centros de datos futuros. No deben confundirse con resultados generalizables de instalaciones comerciales ya operativas.
Pero el problema que intenta resolver sí está presente.
Los próximos centros de IA podrán disponer de GPU capaces de realizar cantidades enormes de operaciones y de memorias HBM con anchos de banda medidos en terabytes por segundo. Nada de eso sirve si la instalación no dispone de electricidad suficiente para mantenerlas funcionando.
La siguiente carrera de la infraestructura de IA puede acabar midiéndose, por tanto, menos en cuántas GPU se pueden comprar y más en cuántos tokens consigue producir cada megavatio que llega al centro de datos.
Preguntas frecuentes
¿Qué es NVIDIA DSX MaxLPS?
DSX MaxLPS es un conjunto de tecnologías de NVIDIA para gestionar conjuntamente potencia, configuración de las GPU, refrigeración y diseño del centro de datos. Su objetivo es aumentar la cantidad de trabajo de IA producido dentro de un límite energético fijo.
¿Puede MaxLPS instalar un 40 % más de GPU sin aumentar la electricidad?
NVIDIA proyecta hasta un 40 % más de capacidad Rubin cuando MaxLPS se combina con una planificación adecuada del centro de datos. Es una estimación máxima del fabricante y dependerá de las cargas, la instalación y su diseño eléctrico y térmico.
¿Por qué Vera Rubin utiliza refrigeración líquida a 45 °C?
Trabajar con líquido de entrada más caliente puede facilitar el uso de refrigeración exterior y reducir las horas de funcionamiento de sistemas mecánicos de enfriamiento. El ahorro concreto depende del clima y del diseño de cada instalación.
¿Qué es Dynamic Power Software?
Es el sistema de NVIDIA que monitoriza el consumo y permite reasignar capacidad eléctrica disponible entre grupos de recursos, racks, nodos y GPU dentro de políticas y límites previamente establecidos. Actualmente se encuentra en Developer Preview.
vía: developer.nvidia
