NVIDIA ya no diseña solo chips, sino fábricas completas de IA: sistemas complejos donde la unidad de computación ha pasado de una sola GPU a una infraestructura a escala de gigavatios de energía, refrigeración y redes diseñadas para generar tokens de inteligencia valiosos. Jensen Huang describe esto como “diseño extremo conjunto”, una necesidad nacida de la necesidad de distribuir enormes cargas de trabajo de IA entre miles de computadoras para lograr ganancias de rendimiento mucho más allá de simplemente agregar más hardware. Esta filosofía se extiende a la estructura misma de la empresa, con Huang manteniendo un equipo directo de 60 especialistas en cada capa de la pila, desde la óptica y la memoria hasta el suministro de energía, asegurando que cada componente se optimice en conjunto con los demás.

La conversación profundiza en la historia de apuestas cruciales y existenciales que dieron forma a la trayectoria de NVIDIA, sobre todo la decisión de integrar la plataforma de computación CUDA en sus tarjetas gráficas GeForce para consumidores. Esta medida hizo caer los márgenes y la capitalización bursátil de la empresa a corto plazo, pero Huang razonó que la base de instalación lo era todo para una arquitectura de computación. Al colocar una supercomputadora en manos de cada jugador de PC e investigador, cultivó el ecosistema de desarrolladores que se convertiría en la base de la revolución de la IA. Este razonamiento a largo plazo y basado en primeros principios es un sello distintivo de su liderazgo; habla de “materializar el futuro” convenciéndose a fondo de un resultado y luego moldeando incansablemente los sistemas de creencias de sus empleados, junta directiva y socios para que se alineen con esa visión.

De cara al futuro, Huang describe cuatro leyes de escalabilidad clave que seguirán impulsando el avance de la IA: escalamiento previo al entrenamiento, posterior al entrenamiento, en tiempo de prueba (inferencia) y agentivo. Argumenta que el temor común de agotar datos de entrenamiento de alta calidad es erróneo, ya que los datos sintéticos generados por IA pronto dominarán, haciendo que el cómputo sea el verdadero factor limitante. Se centra especialmente en el futuro “agentivo”, donde los sistemas de IA generan subagentes y utilizan herramientas, un cambio que obligó a rediseñar por completo sus sistemas a escala de rack desde cero. Si bien reconoce las preocupaciones sobre la pérdida de empleos, utiliza el ejemplo de los radiólogos —cuyo número creció incluso después de que la IA logró una precisión de diagnóstico sobrehumana— para argumentar que el propósito de un trabajo a menudo trasciende sus tareas individuales, y que la IA finalmente elevará las profesiones automatizando las partes tediosas.

Sobre los desalentadores desafíos de la escalabilidad —restricciones energéticas, cuellos de botella en la cadena de suministro y complejidad de ingeniería— Huang mantiene una calma razonada y proactiva. Cree que el problema energético puede mitigarse utilizando la capacidad excedente de las redes eléctricas el 99% del tiempo y diseñando centros de datos para degradar suavemente el rendimiento durante raras demandas máximas. Expresa una profunda confianza en los socios de NVIDIA en la cadena de suministro de 200 empresas, afirmando que su papel es informarlos e inspirarlos sobre el crecimiento venidero para que puedan invertir en consecuencia. Su secreto de gestión para manejar la presión y la ansiedad es descomponer cualquier problema en pasos accionables, compartir la carga abiertamente y olvidar sistemáticamente los contratiempos para mantenerse enfocado en la siguiente oportunidad.

En última instancia, Huang separa el concepto de inteligencia —que ve como una mercancía en camino a la democratización— de la humanidad, que abarca la compasión, el carácter y la resiliencia. Cree que la IA nos ayudará a celebrar más estas cualidades humanas, no menos. Su profundo optimismo surge de una confianza central en la generosidad humana y la perspectiva tangible de que esta tecnología acerca soluciones a enfermedades, contaminación y misterios científicos fundamentales. Para él, el aspecto más emocionante es la expansión de la capacidad humana, argumentando que herramientas como la IA convertirán a carpinteros en arquitectos y contadores en asesores financieros, elevando el potencial de cada profesión.

Perspectivas Sorprendentes

• La inferencia es “pensar” y más difícil que el entrenamiento: Huang invirtió la suposición común de la industria de que entrenar modelos masivos es el problema de cómputo difícil, mientras que la inferencia es fácil y se hará en chips pequeños y baratos. Argumenta que la inferencia —que implica razonamiento, planificación y búsqueda— es “pensar”, y es intensamente intensiva en cómputo.


• Los trabajos de radiología aumentaron a pesar de una IA “sobrehumana”: Un ejemplo clásico de pérdida de empleos predicha que no ocurrió. Incluso después de que los diagnósticos de IA superaran la precisión humana, el número de radiólogos creció porque la IA les permitió atender a más pacientes, diagnosticar más rápido y asumir trabajos más complejos, expandiendo el mercado total.


• La AGI, por una definición específica, ya podría estar aquí: Huang afirma de manera provocadora que si defines la AGI como una IA que puede crear una empresa y hacer que valga más de mil millones de dólares (incluso si es de corta duración), es posible ahora. Sugiere que un agente de IA podría crear una aplicación o servicio viral que alcance brevemente esa valoración, tal como lo hicieron muchas empresas de la era de internet.


• El éxito tecnológico de China está impulsado por la cultura de código abierto y la competencia interna: Atribuye la rápida innovación de China a una combinación de talento inmenso, una tendencia cultural a compartir conocimientos abiertamente entre amigos y compañeros de escuela (lo que alimenta proyectos de código abierto) y una feroz competencia entre provincias y ciudades, cada una fomentando sus propias empresas.


• El mayor obstáculo para la escalabilidad de la IA podría ser el desperdicio de energía de la red, no la falta de energía: Huang sugiere que los centros de datos podrían usar la vasta capacidad excedente de las redes eléctricas que existe el 99% del tiempo, si están diseñados para reducir suavemente el consumo durante las raras demandas máximas de la red, en lugar de requerir garantías de disponibilidad del 100%.

Conclusiones Prácticas

• Acepta la IA como un elevador laboral, no como un reemplazo: Sin importar tu profesión—carpintero, contador, programador o plomero—aprende proactivamente cómo las herramientas de IA pueden potenciar tu trabajo. La persona experta en usar IA en su campo tendrá una ventaja significativa sobre quien no lo sea.


• Usa la IA para descomponer la ansiedad y hacer planes: Cuando sientas ansiedad sobre el futuro de tu trabajo o cualquier problema complejo, usa chatbots de IA como un “motor de razonamiento”. Divide tu preocupación en preguntas específicas y pide a la IA un plan paso a paso para adquirir nuevas habilidades o navegar el desafío.


• Razona desde los primeros principios y comparte tu razonamiento: Al liderar o colaborar, no solo presentes conclusiones. Guía a las personas a través de tu lógica paso a paso. Esto permite que otros participen y mejoren tu pensamiento en cada etapa, fomentando la aceptación colectiva y mejores resultados.


• Enfócate en el propósito de tu trabajo, no solo en las tareas: La automatización cambiará o eliminará tareas específicas. Para mantener la resiliencia, pregúntate continuamente cuál es el propósito fundamental o el valor de tu rol, y adáptate para usar nuevas herramientas que sirvan a ese propósito de manera más efectiva.


• Para proyectos ambiciosos, pregunta “¿qué tan difícil puede ser?” y luego no sobre-simules el dolor: Huang aboga por emprender nuevos proyectos con una “mente de principiante” y optimismo, no pre-viviendo todos los fracasos potenciales. Una vez comprometido, desarrolla la determinación para soportar los contratiempos inevitables, descomponerlos y seguir avanzando.