Jensen Huang: cómo NVIDIA llevó las GPU más allá de los gráficos
De los videojuegos a la IA: qué hace una GPU, para qué sirve CUDA y por qué una infraestructura útil también debe dejar espacio para elegir.
Trabajo en paralelo que después se reúne. Ilustración conceptual generada con IA.
Un videojuego necesita dibujar nuevas imágenes muchas veces por segundo. Un modelo de IA necesita realizar una enorme cantidad de cálculos. Parecen tareas distintas, pero comparten algo: parte del trabajo se puede dividir en operaciones pequeñas que se ejecutan a la vez. Ahí está la conexión entre los orígenes de NVIDIA en los gráficos y su papel en la IA.
¿Quién es Jensen Huang?
Huang fundó NVIDIA junto con Chris Malachowsky y Curtis Priem en 1993. Estudió ingeniería eléctrica en Oregon State y obtuvo un máster en Stanford en 1992 mientras trabajaba. Su perfil en Stanford recoge esa trayectoria. El punto de partida era un problema de ingeniería: qué trabajo necesitaban hacer los ordenadores y qué chips podían hacerlo bien.
¿Por qué un chip gráfico sirve para otras tareas?
Imagina que quieres aumentar el brillo de cada píxel de una fotografía. Puedes trabajar con muchos píxeles a la vez: no hace falta terminar uno para empezar otro. Eso es procesamiento en paralelo. La GPU, o unidad de procesamiento gráfico, está diseñada para realizar muchas operaciones simultáneamente. La CPU, el procesador central, se adapta mejor a tareas variadas y a secuencias en las que cada paso depende del anterior. Se complementan.
Muchos cálculos de IA también repiten operaciones con grandes conjuntos de números. Una GPU puede acelerar las partes adecuadas. Pero añadir una no vuelve más rápido cualquier programa: hay que poder repartir el trabajo, llevar los datos al procesador y tener software que aproveche esa capacidad.
El software fue el puente
NVIDIA presentó CUDA en 2006 para que los desarrolladores pudieran usar sus GPU en cálculos ajenos a los gráficos. Es la diferencia entre tener un taller potente y disponer, además, de herramientas manejables y una forma de organizar el trabajo. Las bibliotecas y herramientas de programación cumplen esa función. La introducción a CUDA explica cómo colaboran CPU y GPU.
Así se entiende mejor el desarrollo de NVIDIA que atribuyéndolo todo a la visión de un líder. Chips, software y personas que crean aplicaciones tienen que encajar. Una capacidad técnica adquiere valor cuando resuelve un problema real.
La siguiente pregunta: ¿quién puede elegir?
Una plataforma útil también plantea decisiones prácticas. ¿Puedes trasladar tu software a otra? ¿Cuánto costaría cambiar de herramientas? ¿Qué cambios puedes aceptar o rechazar? La reputación del proveedor no responde por sí sola.
En la coordinación de Internet, Lu Heng lleva esa cuestión más lejos en la Nota 65, sobre la primacía del código en funcionamiento: defiende reglas que cada participante pueda verificar localmente y cambios adoptados de forma voluntaria. Una pregunta une ambas lecturas: ¿la infraestructura amplía las posibilidades de sus usuarios y les permite seguir eligiendo?