Nvidia comienza a vender la forma de hacer palas

Autor: Ada, TechFlow Deep Tide

San Francisco, Centro de Convenciones de San José, GTC en vivo.

El director científico de Nvidia, Bill Dally, está sentado en el escenario, frente a Jeff Dean de Google. Mientras conversan, Dally lanza un número: “Antes, migrar una biblioteca de unidades estándar que contenía aproximadamente 2500 a 3000 unidades, requería un equipo de 8 ingenieros y unos 10 meses.”

Hace una pausa.

“Ahora solo se necesita una GPU de una sola tarjeta, y se puede hacer en una noche.”

La audiencia no exclamó, porque todos los que entendieron esa frase saben qué significa. Ocho ingenieros trabajando durante 10 meses, consumidos en una sola noche por una GPU propia. Además, Dally añadió que los resultados obtenidos en términos de área, consumo de energía y latencia, igualan o incluso superan el diseño humano.

Al día siguiente, las noticias interpretaron que “Nvidia diseña GPUs con IA”.

Pero la verdad detrás de esto es mucho más interesante que el titular.

¿En qué está trabajando Nvidia internamente?

Lo que Nvidia está haciendo internamente no es una caja negra, sino varias cadenas de herramientas que han perfeccionado durante años.

NB-Cell es un programa basado en aprendizaje reforzado, dedicado a tareas arduas como la migración de bibliotecas de unidades estándar. Prefix RL busca resolver un problema de investigación a largo plazo en la colocación en cadenas de previsión anticipada en etapas de avance. Dally dice que la disposición generada por este sistema “es algo que los humanos nunca podrían imaginar”, y en comparación con el diseño humano, mejora en aproximadamente un 20% a un 30% los indicadores clave.

También hay dos grandes modelos de lenguaje internos, Chip Nemo y Bug Nemo. Nvidia alimenta estos modelos con el código RTL, la documentación arquitectónica y las especificaciones de diseño de cada GPU en la historia. Según Dally, esto equivale a destilar veinte años de memoria muscular de Nvidia, desde G80 hasta Blackwell, en un modelo interno, de modo que un nuevo ingeniero puede conectarse directamente a veinte años de experiencia.

Entonces, ¿se puede decir que “la IA diseña GPUs”?

Al contrario. La frase exacta de Dally fue: “Me gustaría poder decir algún día ‘diseña una nueva GPU para mí’, pero estamos muy lejos de eso.”

Nvidia no ha usado IA para diseñar una GPU. Pero ha hecho otra cosa que cambiará la forma en que toda la industria opera en el futuro.

Adquisición de 2 mil millones de dólares en el dominio de EDA

El 1 de diciembre de 2025, Nvidia invirtió 2 mil millones de dólares en Synopsys, uno de los tres gigantes de EDA. Ambas compañías firmaron un acuerdo de desarrollo conjunto para integrar la pila de cálculo acelerado de Nvidia en todo el flujo de trabajo de EDA de Synopsys, y Blackwell y la próxima generación de GPUs Rubin se integrarán profundamente con Synopsys.ai.

La posición de Synopsys necesita explicación. Cada chip avanzado de proceso en el mundo, ya sea el serie M de Apple, AMD MI, o Google TPU, casi siempre se diseña con las herramientas de Synopsys o Cadence. Estas dos empresas, junto con Siemens EDA, monopolizan las herramientas básicas para el diseño de chips. Puedes no usar chips de Qualcomm o la línea de producción de TSMC, pero no puedes evitar depender del software de estas tres compañías.

Tres meses después de invertir en Synopsys, Nvidia también incorporó a Cadence, Siemens y Dassault, anunciando que todas están desarrollando herramientas de diseño de chips impulsadas por IA basadas en GPUs de Nvidia.

Los datos de referencia que Nvidia publicó son impactantes: las simulaciones de Synopsys PrimeSim en Blackwell son casi 30 veces más rápidas, Proteus 20 veces, y Sentaurus en B200 acelera 12 veces en comparación con la CPU. MediaTek usa H100 para acelerar Cadence Spectre en 6 veces. Astera Labs, con Synopsys y Nvidia, acelera la validación de chips en 3.5 veces.

Un detalle que vale la pena destacar: la plataforma Millennium M2000 de Cadence, que está “diseñada específicamente para el mercado de EDA, basada exclusivamente en NVIDIA Blackwell”.

La palabra “exclusiva” es la más significativa. Significa que, anteriormente, las herramientas de EDA se ejecutaban en CPU, y tanto Qualcomm como TSMC podían usarlas. En el futuro, si quieres usar la EDA más rápida, solo podrás comprar tarjetas de Nvidia.

La verdadera forma del volante

La versión que la mayoría entiende del volante de Nvidia es así: vender GPUs a empresas de IA, que entrenan grandes modelos, estos modelos demuestran que las GPUs son insustituibles, y más personas compran GPUs.

Este volante ya es bastante aterrador. Pero hay una capa debajo de él.

Nvidia diseña sus próximas generaciones de GPUs usando sus propias herramientas, lo que amplía la brecha en eficiencia de diseño entre generaciones, y además, vincula toda la cadena de herramientas de EDA de la industria a su hardware propio. Los competidores quieren alcanzarla, pero incluso las herramientas que intentan usar deben alquilarse del ecosistema de Nvidia.

La preocupación que hay detrás de los resultados financieros que asustan a AMD, se basa en esta ansiedad. Aunque Nvidia y Synopsys dicen que “la inversión no implica ninguna obligación de comprar hardware de Nvidia”, el mercado lo sabe bien: las funciones aceleradas de EDA se lanzan primero en hardware de Nvidia, y AMD e Intel solo pueden depender de una ruta de “optimización para la plataforma del máximo competidor”.

Imagina que los ingenieros de AMD quieren diseñar un chip comparable a Blackwell. Abren las herramientas de Synopsys, que funcionan más rápido en GPUs de Nvidia. Entonces, o soportan un ciclo de diseño doblemente lento, o compran muchas tarjetas de Nvidia para diseñar un chip que supere a Nvidia.

El pico todavía se vende. Pero la forma de vender ha cambiado.

La situación real de las GPUs nacionales

Aquí, es necesario ofrecer algunos números que dejan en claro la realidad.

En el mismo año en que Nvidia superó los 70 mil millones de dólares en beneficios netos en su año fiscal 2025, las “Cuatro Dragones” de GPUs nacionales — Moore Threads, Muoxi, Biren y Suiyuan — estaban haciendo fila en la ventana de IPO.

El folleto de Moore Threads muestra que, entre 2022 y 2024, tuvo pérdidas netas acumuladas de 5 mil millones de yuanes, y en la primera mitad de 2025 perdió otros 271 millones. Hasta el 30 de junio, acumulaba pérdidas no cubiertas de 1,478 millones. La gerencia estima que, como pronto, en 2027 podrán obtener beneficios consolidados. Muoxi tiene un panorama algo mejor, con pérdidas acumuladas de más de 3 mil millones. La más problemática es Biren, con pérdidas de más de 6.3 mil millones en tres años y medio, y en la primera mitad de 2025, solo generó ingresos de 5.89 millones de yuanes, menos que los 70 millones de Moore Threads en ese mismo período.

En cuanto a inversión en I+D, la proporción de gastos en 2022 fue del 2422.51% de los ingresos, y en 2024 aún alcanza el 309.88%. La inversión en I+D anual es más de tres veces los ingresos. Esto no es gestión empresarial, sino una transfusión continua de dinero, sustentada en el mercado primario y en la reciente apertura del mercado de ciencia y tecnología.

En cuanto a herramientas, la situación es aún más crítica. El folleto de IPO de Huada Jiutian en 2022 indica que sus herramientas solo soportan parcialmente procesos de 5 nm. Leike Electronics puede cubrir nodos de 7 nm, 5 nm y 3 nm, pero solo desarrolla herramientas específicas, no un flujo completo.

El fundador de Huada Jiutian, Liu Weiping, dice con franqueza: “El soporte de EDA nacional para procesos avanzados todavía tiene deficiencias evidentes, especialmente en 7 nm, 5 nm y 3 nm. Actualmente, la EDA nacional puede alcanzar el nivel de 14 nm, y aunque domina la tecnología de 7 nm, aún necesita la colaboración de toda la cadena industrial para una integración profunda con aplicaciones reales.”

Es decir, la EDA de proceso completo para procesos avanzados todavía no puede usarse con productos nacionales. Las empresas de GPU nacionales todavía usan las herramientas de Synopsys y Cadence para diseñar chips. En 2025, Trump anunció controles de exportación para todo software clave, aunque no se implementó formalmente, las herramientas de EDA para procesos por debajo de 7 nm siguen bajo estricta regulación. La autorización para usarlas depende de terceros.

La reacción del mercado de capitales es bastante surrealista. El día de la salida a bolsa de Muoxi, su precio cerró en 829.9 yuanes, con un aumento de 692.95% en un solo día. La acción de Moore Threads, tras su IPO, alcanzó el tercer lugar en valor de mercado en A-shares, solo detrás de Kweichow Moutai y Cambrian, con un valor estimado de aproximadamente 359.5 mil millones de yuanes.

La verdadera historia detrás de estos números es que un grupo de empresas que aún queman dinero y dependen de herramientas extranjeras controladas para diseñar chips, están siendo valoradas en el mercado secundario como los sucesores nacionales de Nvidia.

Y esas mismas herramientas que usan para diseñar chips, se están integrando en el ecosistema de Nvidia. La inversión de 2 mil millones de dólares en Synopsys, la etiqueta de “exclusivo basado en NVIDIA Blackwell” en Cadence Millennium M2000, hacen que la carrera por alcanzarla se convierta en una paradoja.

Una cadena completa desde diseño hasta fabricación

Volviendo a la charla en GTC.

Dally fue muy humilde: “La IA todavía está muy lejos de diseñar chips por sí misma”, esto Nvidia lo ha dicho ya hace cuatro o cinco años. Pero la forma en que lo dice ha cambiado. Hace cuatro años era “la IA puede ayudar en el diseño”, hace tres era “la IA puede automatizar ciertos pasos”, y este año es “en una noche, puede hacer en una noche lo que 8 personas en 10 meses”. Cada año, un paso adelante, y cada año, una frase que dice “aún estamos lejos del objetivo final”. Mirando hacia atrás en tres años, la promesa de “todavía estamos lejos” ya se ha cumplido, y la nueva promesa de “todavía estamos lejos” se sitúa en un nivel que todos los competidores aún no alcanzan.

Lo que Nvidia ha hecho en los últimos doce meses es solo una cosa: aplicar la IA en los segmentos más valiosos y con mayor barrera de entrada en la cadena de chips, y vender esas herramientas en capas a toda la industria.

La etapa frontal del diseño de chips, ahora está en manos de LLM internos como Chip Nemo; la migración de bibliotecas de unidades estándar y la optimización de layout, en NB-Cell y Prefix RL; toda la cadena de herramientas de EDA, vinculada a su GPU a través de la inversión de 20 mil millones en Synopsys y la etiqueta de “exclusivo basado en Blackwell” en Cadence; y la litografía en la fabricación, en manos de cuLitho, que ya usa TSMC.

Desde el diseño hasta la fabricación, Nvidia ha rehecho cada paso con IA. Y todos conducen a un mismo punto: si quieres usar la herramienta más rápida, debes comprar la tarjeta de Nvidia.

Para cualquier competidor que quiera diseñar un chip que pueda vencer a Blackwell, la realidad incómoda ya ha llegado: las herramientas de EDA más rápidas para diseñar ese chip, se ejecutan en GPUs de Nvidia; las mejores librerías para litografía, las proporciona Nvidia; y la potencia de cálculo para entrenar IA de diseño, también es de Nvidia.

El que quiere vencer a Nvidia, le está alquilando todas las herramientas que necesita para hacerlo. El alquiler se paga anualmente, y cada año sube de precio.