Hay un foso profundo y temible que rodea a Nvidia, y no tiene nada que ver con el hardware. Es CUDA, la plataforma de computación propietaria de la empresa estadounidense que se ha convertido en el eje central del desarrollo de inteligencia artificial.

Técnicamente, CUDA significa Compute Unified Device Architecture, pero al igual que láser o scuba, nadie se molesta en expandir el acrónimo. Se pronuncia “cuda” y funciona como un sistema operativo especializado para cargas de trabajo de inteligencia artificial.

Lo que comenzó como una herramienta para simulaciones físicas en la Universidad de Stanford se transformó, bajo el liderazgo del investigador Ian Buck, en una plataforma que hoy define cómo se entrenan los modelos de lenguaje a gran escala. La clave está en la paralelización: donde una CPU procesa operaciones secuencialmente, una GPU con CUDA ejecuta miles de tareas simultáneamente, algo esencial para el entrenamiento de redes neuronales.

El problema para los competidores es que CUDA no es solo un lenguaje de programación, sino una plataforma completa con su propia arquitectura de software. Esto significa que las empresas han invertido miles de millones de dólares en código escrito para CUDA, lo que crea un costo de migración prácticamente imposible de asumir. Cambiarse a AMD ROCm o a silicio personalizado como los chips Trainium de Amazon requiere reescribir cantidades masivas de código y volver a entrenar a equipos enteros de desarrolladores.

La ventaja de Nvidia no radica únicamente en sus chips, sino en el ecosistema completo de software que los rodea. Mientras los rivales fabrican hardware competitivo, carecen de la plataforma de software que convierte a ese hardware en algo utilizable para la industria de la inteligencia artificial.