Tinta Tech

Resumen semanal de Tinta Tech: tech, IA y mercados en tu correo. Una vez por semana, sin spam. Política de privacidad

Nvidia presenta en SC26 su chip Rubin para HPC y nuevas librerías científicas

Redacción Tinta Tech·

Equipo editorial de Tinta Tech. Cobertura diaria de tecnología, IA, mercados y criptomonedas con perspectiva latinoamericana. Conoce al equipo →

Nvidia presenta en SC26 su chip Rubin para HPC y nuevas librerías científicas

Nvidia presentó en la conferencia SC26, celebrada en Chicago, un paquete de productos pensado para acelerar la investigación científica. El plato fuerte es Rubin HPC, una tarjeta gráfica que todavía no está disponible. Lo acompañan más de una docena de herramientas de software para científicos e ingenieros.

La apuesta llama la atención por el lugar al que apunta. Nvidia se hizo famosa vendiendo chips para videojuegos y, después, para entrenar modelos de inteligencia artificial. Ahora quiere instalarse en laboratorios, universidades y centros de cálculo que simulan fenómenos físicos, biológicos o químicos. Ese mercado es menor en volumen, pero suele ser más leal y más difícil de abandonar.

Rubin HPC: más núcleos para simular más

Una unidad de procesamiento gráfico (GPU) es un chip diseñado para hacer muchas operaciones a la vez. Esa capacidad sirve tanto para dibujar imágenes como para resolver ecuaciones complejas. Por eso la ciencia la usa cada vez más.

La GPU insignia de la nueva familia, llamada Rubin, incluye 898 núcleos Tensor. Son circuitos optimizados para multiplicar matrices, la operación básica de los modelos de lenguaje de gran tamaño (LLM). También trae más de 28.000 núcleos CUDA, de propósito general, que sirven para casi cualquier cálculo.

La versión para computación de alto rendimiento (HPC, por sus siglas en inglés), que Nvidia mostró por primera vez, superará los 50.000 núcleos CUDA. La cifra impresiona, pero llega sin comparativa independiente. Conviene esperar pruebas de terceros antes de medir su ventaja real.

Otro componente clave es NVLink, la conexión que mueve datos entre las GPU y los procesadores centrales (CPU). La versión actual transfiere 3,6 terabits por segundo por tarjeta. La nueva generación promete más velocidad, y en simulaciones grandes el cuello de botella suele estar justo ahí, en el traslado de datos.

Nvidia también anunció una función de "aceleración de datos dispersos". Los datos dispersos son conjuntos con una gran cantidad de ceros. Abundan en biología y astrofísica. Un telescopio, por ejemplo, registra ceros en las zonas del cielo donde no hay estrellas visibles. Procesar esos ceros de forma eficiente ahorra tiempo y energía.

Ian Buck, vicepresidente de computación hiperescala y de alto rendimiento de Nvidia, lo resumió así: "Para los agentes que abordan ciencia e ingeniería, una simulación más rápida significa un descubrimiento más rápido". Un agente de IA es un programa que ejecuta tareas en secuencia sin supervisión constante. La idea de Buck es que esos programas probarán hipótesis en simulaciones antes de que un humano invierta semanas en un experimento.

Nvidia planea enviar Rubin HPC en 2028. Mientras tanto, los laboratorios pueden usar el software que salió junto con el chip. Ese es el verdadero gancho comercial: el software queda instalado hoy y el hardware llegará después.

El software como puerta de entrada

Nvidia distribuye sus GPU con CUDA-X, un conjunto de bibliotecas de software, es decir, colecciones de funciones ya programadas que los investigadores llaman desde sus propios proyectos. En la conferencia añadió varias piezas nuevas.

Para astrofísicos, la novedad es cuPhoton.xBeam, una biblioteca que facilita analizar datos de la red del Telescopio del Horizonte de Sucesos (EHT), un conjunto de radiotelescopios que captó la primera imagen de un agujero negro. Según Nvidia, tareas de análisis que antes tomaban un mes ahora se completan en ocho minutos. Esa cifra es de la compañía, pero muestra hacia dónde va el argumento de venta: menos tiempo de espera para cada resultado.

La misma familia incluye cuPhoton.xLens, para simular el plasma que usan los reactores de fusión para generar electricidad. La fusión sigue lejos de ser una fuente comercial de energía. Pero simular bien el plasma acorta el camino a los prototipos.

En biología, Nvidia liberará como código abierto cuSpa, que acelera cálculos sobre la estructura de las células y la forma en que interactúan entre sí. Además, rapids-singlecell, una herramienta de análisis celular ya existente, estará disponible en formato de contenedor. Un contenedor empaqueta el programa con todo lo que necesita para funcionar, de modo que se ejecuta igual en distintos equipos sin ajustes manuales.

La pieza más ambiciosa es Nemotron for Science, un paquete de IA construido sobre Nemotron 3.5 Super VL. Ese modelo, de código abierto, salió el mes pasado y tiene 124.000 millones de parámetros, es decir, valores internos que el modelo ajusta durante su entrenamiento. En cada momento activa cerca de una décima parte de ellos, lo que reduce el costo de cada respuesta. Parte de su diseño se basa en Mamba-2, una arquitectura alternativa a la Transformer, la que usan la mayoría de los modelos de lenguaje actuales. Mamba-2 aprovecha mejor el hardware.

El paquete incluye flujos de trabajo de posentrenamiento, es decir, procesos para especializar un modelo ya entrenado en una tarea concreta. Nvidia también añadió casi 50.000 preguntas sobre química. Sirven para especializar modelos y para medir qué tan bien responden los que ya pasaron por ese proceso.

Buck lo planteó como una ventaja de acceso: "Nemotron for Science da a los investigadores modelos abiertos, datos científicos y recetas de posentrenamiento para construir agentes especializados". Traducido: quien quiera construir su propia herramienta de investigación con IA ya no empieza desde cero.

En computación cuántica, la tarea es más técnica. Un ordenador cuántico usa qubits, unidades de información que son muy sensibles al ruido y cometen errores con facilidad. Esos equipos necesitan un procesador clásico que los controle. Nvidia ofrece CUDA-Q, una plataforma que conecta hardware cuántico con sus GPU y CPU. En esta edición sumó nuevos bloques para escribir software cuántico y un algoritmo para mitigar errores en los qubits.

Además, Nvidia se asoció con IBM y con Fermilab, el laboratorio nacional de física de partículas del Departamento de Energía de Estados Unidos. Juntos buscan crear una "plataforma modular de codiseño cuántico". Combinará sistemas DGX B200 de Nvidia con hardware cuántico de IBM. El objetivo es que los investigadores desarrollen algoritmos para corregir errores en los qubits.

El detalle que importa es el orden de la estrategia. Nvidia no está vendiendo primero el chip. Está instalando sus bibliotecas, sus modelos y sus herramientas en los laboratorios, y el hardware llegará después, en 2028. Cuando un investigador escribe su código sobre CUDA, cambiar de proveedor tiene un costo alto.

Vigilaría tres cosas. La primera, si las cifras de rendimiento de Rubin HPC se confirman en pruebas independientes. La segunda, si los laboratorios públicos adoptan estas herramientas o si las universidades buscan alternativas de código abierto para no depender de una sola empresa. La tercera, si la promesa de los agentes científicos se traduce en descubrimientos verificables y no solo en simulaciones más rápidas. Nvidia ya tiene la puerta abierta. Lo que falta saber es si la ciencia quiere cruzarla por completo.

Preguntas frecuentes

¿Cuándo estará disponible Rubin HPC y qué pueden usar los laboratorios mientras tanto?

Nvidia planea enviar Rubin HPC en 2028. Mientras tanto, el software que se presentó junto con el chip ya puede instalarse hoy, y ese es el principal gancho comercial de la propuesta.

¿Qué son los datos dispersos y por qué importan para la ciencia?

Son conjuntos de datos con una gran cantidad de ceros, como los que registra un telescopio en las zonas del cielo sin estrellas visibles. Abundan en biología y astrofísica, y procesarlos de forma eficiente ahorra tiempo y energía.

¿Por qué Nvidia apuesta por la ciencia si ese mercado es más pequeño que el de videojuegos o IA?

El mercado científico es menor en volumen, pero suele ser más leal y más difícil de abandonar. Por eso Nvidia quiere instalarse en laboratorios, universidades y centros de cálculo después de vender chips para videojuegos y para entrenar modelos de inteligencia artificial.

Compartir

Relacionados

Newsletter

El resumen semanal de tech, IA y mercados, en tu correo.

Sin spam. Puedes darte de baja cuando quieras. Política de privacidad.