Noticias IA 26 de agosto: Nvidia presenta resultados y OpenAI reorganiza su infraestructura

El panorama de la IA de hoy no está dominado por el lanzamiento de un nuevo chatbot. La noticia importante está en otro lugar: quién tiene la capacidad informática necesaria para mantener el ritmo de crecimiento de la inteligencia artificial.

Nvidia vuelve a ser el centro de atención

NVIDIA presenta hoy sus resultados trimestrales. Para el mercado tecnológico, las cifras serán importantes, pero todavía lo será más saber si las empresas siguen aumentando sus inversiones en centros de datos y aceleradores de IA.

Durante los últimos años, el crecimiento de la IA generativa ha provocado una enorme demanda de GPU. Si esa demanda continúa, significa que las grandes empresas todavía consideran la infraestructura de IA una inversión estratégica.

OpenAI pierde a su responsable de centros de datos

Chris Malone, responsable de los centros de datos de OpenAI, ha dejado la compañía.

El movimiento llega en un momento en el que OpenAI continúa reorganizando su estrategia de infraestructura y aumentando su capacidad informática.

La lectura interesante es que la batalla de la IA ya no se limita a quién tiene el mejor modelo. También importa quién puede conseguir suficientes chips, energía y capacidad de centros de datos para ejecutar esos modelos a gran escala.

Anthropic pone 5 millones de dólares sobre la mesa

Anthropic ha lanzado un programa de 5 millones de dólares para financiar investigaciones independientes sobre el impacto de la IA en el bienestar de los usuarios.

Es un tema que empieza a tener una importancia práctica. La IA ya forma parte del trabajo, los estudios, la programación y muchas decisiones cotidianas.

Por eso la pregunta ya no es solamente si una IA responde bien. También hay que preguntarse qué ocurre cuando una persona depende de ella durante meses o años.

La IA también quiere vivir dentro de las máquinas

El nuevo Jetson Orin Nano 2 de NVIDIA apunta a otro movimiento importante: llevar la IA directamente a robots, dispositivos industriales y otros equipos.

Procesar los modelos localmente puede reducir la latencia y disminuir la dependencia de servidores en la nube. Para la robótica y la industria, esa diferencia puede ser mucho más importante que una simple mejora en una prueba de rendimiento.