Inteligencia artificial
NVIDIA (NVDA) Enfoque: De Gigante de los Gráficos a Titán de la IA
El Gigante de la IA
Si durante más de una década la atención de los inversores tecnológicos se ha centrado en los “Big Tech” (Microsoft (MSFT ), Google (GOOG ), Facebook (META ), etc.), los últimos años han mostrado un marcado cambio hacia el hardware sobre el software. La primera señal fue el ascenso espectacular de Tesla (TSLA ) de una acción de culto de nicho a una de las mayores compañías del mundo.
Pero habría una empresa situada en la frontera entre software y hardware que capturaría retornos tan buenos, si no mejores: NVIDIA (NVDA ).
Ahora, mayormente vista como una compañía de IA con éxito repentino, NVIDIA ha construido pacientemente su tecnología única y posición de mercado durante 20‑30 años. Esto podría darle una posición fuerte para seguir siendo un actor dominante en el mundo de la tecnología en los años venideros.
El Camino al Éxito de NVIDIA
CPU vs GPU
Durante mucho tiempo, NVIDIA fue una compañía de hardware informático exitosa pero de nicho, especializada en producir tarjetas gráficas o unidades de procesamiento gráfico (GPU). En ese momento, las GPU se veían como un elemento importante del hardware informático, pero secundario frente a la central e indispensable unidad de procesamiento (CPU).
Las CPU están diseñadas para realizar cálculos muy rápidos que requieren ejecutarse uno tras otro, lo que las hace excelentes en cálculos complejos.
En contraste, las GPU son menos potentes pero están diseñadas para ejecutar muchos cálculos en paralelo simultáneamente, lo que las hace mejores para manejar grandes cantidades de datos.
Durante este período, de los años 1990 a los 2010, los productores de CPU como Intel (INTC ) dominaban la industria, mientras que las GPU de alta calidad eran usadas mayormente solo por gamers y diseñadores gráficos para PC de alta gama.
Construyendo un Negocio de GPU
Al principio, el fundador de NVIDIA Jensen Huang y sus cofundadores razonaron que el ritmo de la computación superaría la capacidad de la CPU. Jensen fue fundamental en el desarrollo de las primeras GPU para Sun Microsystems, hoy Oracle (ORCL ).
Luego se convertiría en uno de los cofundadores de NVIDIA en 1993, abrazando la revolución del PC a principios de los años 90.
“Pensábamos, ya sabes, que tal vez los gráficos 3D serían lo que realmente sería genial. Y por primera vez, tienes una plataforma que podría ser tanto una computadora como usada para, ya sabes, lo que quieras usarla. También podrías usarla para jugar. Y, simplemente necesitábamos construir un chip que hiciera posible jugar.
Ninguno de nosotros había visto una PC antes. Así que tuvimos que comprar una PC. Compramos una Gateway 2000. Nadie sabía programar Windows o DOS. Nadie había visto DOS. Así que tuvimos que desarmarla, comenzar a aprender sobre la industria.
Jensen Huang, en una entrevista con Sequoia
Resulta curioso pensar que, en retrospectiva, los videojuegos no eran un mercado muy “serio” en ese momento comparado con modelos de negocio empresariales más lucrativos y de mayor escala. Las primeras tarjetas no fueron un éxito comercial. Su GPU de segunda generación era mejor, pero se volvió repentinamente obsoleta cuando el mercado se orientó hacia la arquitectura DirectX de Microsoft para videojuegos.
En última instancia, NVIDIA tardó seis años y tres líneas de productos en encontrar el encaje producto‑mercado, con muchos eventos cercanos a la muerte para la compañía.
El éxito llegó con la Riva 128: en sus primeros cuatro meses vendió 1 millón de unidades. Le siguió una larga serie de diseños exitosos de tarjetas gráficas, incluida la serie GeForce, que hasta hoy es el jugador dominante en el mercado junto a AMD’s (AMD ) Radeon.
Fuente: UBuy
CUDA y Cripto
En 2006, ya líder consolidado de GPU, NVIDIA lanzó CUDA, una interfaz de programación de propósito general para las GPU de NVIDIA, abriendo la puerta a usos distintos del gaming. Esto se hizo porque algunos investigadores ya estaban usando GPU para realizar cálculos en lugar de los supercomputadores habituales.
Fuente: NVIDIA
“Los investigadores se dieron cuenta de que al comprar esta tarjeta de juego llamada GeForce, la añades a tu computadora y esencialmente tienes un superordenador personal. Dinámica molecular, procesamiento sísmico, reconstrucción de TC, procesamiento de imágenes—un montón de cosas diferentes.”
Esta adopción más amplia de GPU, y más específicamente del hardware de NVIDIA, creó un bucle de retroalimentación positivo basado en efectos de red: cuantos más usos, más usuarios finales y programadores familiarizados con él, más ventas, más presupuesto de I+D, mayor aceleración de la velocidad de cómputo, más usos, etc.
Fuente: NVIDIA
Hoy, la base instalada incluye cientos de millones de GPU con CUDA.
Fuente: NVIDIA
No solo resultaría muy útil para los investigadores, sino que una nueva tecnología haría gran uso de la computación paralela de GPU: blockchain y criptomonedas.
Boom de Cripto
Ahora un poco relegado por el entusiasmo de la IA, el cripto fue la primera aplicación a gran escala de GPU más allá del gaming y la investigación científica. Muchos blockchains y proyectos cripto requieren mucha potencia de cómputo. Rápidamente, las GPU de NVIDIA se convirtieron en el hardware central para realizar estos cálculos.
Esto creó un auge en las ventas de NVIDIA, y la acción de la compañía comenzó a subir al unísono con el auge cripto emergente, con el precio de la acción aumentando más de 10 veces.
(NVDA )
La acción de la empresa perdió algo de impulso en 2022 antes de que los mercados se dieran cuenta de que NVIDIA había estado construyendo una notable estrategia de IA durante muchos años.
IA
Redes Neuronales
A principios de la década de 2010, los investigadores comenzaron a desplegar GPU para estudiar redes neuronales. Estas son un tipo de método de cómputo que difiere de la programación habitual y fueron premiadas con 2 premios Nobel diferentes en 2024, en Física y Medicina.
Las redes neuronales son la base técnica de lo que comúnmente se denomina “IA” hoy en día.
En 2009, uno de mis estudiantes de entonces, Ian Goodfellow, que era mi alumno de pregrado, me ayudó a construir un servidor GPU en su dormitorio. Y ese servidor terminó siendo lo que usamos para nuestros primeros experimentos de deep‑learning para entrenar redes neuronales.
Comenzamos a ver aceleraciones de 10× o incluso 100× al entrenar redes neuronales en GPU porque podíamos hacer mil o 10 000 cosas en paralelo, en lugar de un paso tras otro.
Andrew Ng – Fundador de DeepLearning.AI y socio general de AI Funds, en una entrevista con Sequoia
Esto fue antes de AlexNet, el primer gran avance en reconocimiento de imágenes por computadora en 2012, y años antes de AlphaGo.
Reorientando NVIDIA hacia la IA
NVIDIA se dio cuenta del potencial de la IA temprano, mucho antes de que cualquiera, fuera de investigadores especializados, se preocupara por las redes neuronales.
Esto fue, en ese momento, una jugada arriesgada hacia un sector no probado, apenas existente, o como dijo Jensen Huang:
“Estamos invirtiendo en mercados de cero mil millones de dólares.”
En 2016 & 2017, NVIDIA lanzó las arquitecturas Pascal y Volta, respectivamente, el primer acelerador de IA basado en GPU, mientras que Volta introdujo los Tensor Cores, que aceleraron las tareas de deep‑learning hasta 12 veces.
Fue un giro total en esta nueva dirección. Cuando giramos el barco en esa dirección, buscamos a cada investigador de IA en el planeta.
Y que nuestra plataforma fuera útil para ellos fue la retroalimentación positiva que recibíamos en ese momento. Esa es la razón por la que soy amigo de, ya sabes, todos los grandes investigadores de IA del mundo.
Todos fueron de gran ayuda al proporcionar las primeras indicaciones de éxito futuro a lo largo del camino para mí y, tienes que darle mucha importancia a esas pequeñas victorias.
Esto prefiguró la construcción de infraestructura de cómputo de IA, emergiendo masivamente en la conciencia pública en 2023, con el lanzamiento de LLM populares (Modelos de Lenguaje Extenso) como Chat GPT.
Pero esto se construyó realmente sobre el lento y a menudo olvidado desarrollo de GPU cada vez más potentes dedicadas a IA por parte de NVIDIA desde 2016.
Fuente: NVIDIA
Otro aspecto notable de la evolución del poder de cómputo de IA es que sigue una ley exponencial en lugar de la más lineal Ley de Moore para CPU. Esto se debe a que no solo el hardware de GPU mejora, sino que la potencia de procesamiento requerida ha disminuido gracias a mejoras radicales en cómo se entrenan las redes neuronales.
Además, la mayor disponibilidad de datos hace que el entrenamiento sea más eficiente, dando a los investigadores múltiples ángulos para trabajar en paralelo y mejorar el rendimiento.
Esto ha llevado a una disminución radical en la energía consumida para entrenar el mismo modelo GPT con el tiempo, 350 × menos en 8 años, y una reducción aún más extrema en la energía requerida para hacer una solicitud a estos LLM.
Fuente: NVIDIA
Alianzas de NVIDIA
NVIDIA ha sido desde su inicio una compañía profundamente conectada dentro de la industria. En lugar de ser una empresa verticalmente integrada, busca establecer lazos profundos con los mejores, mientras se mantiene enfocada en sus propias ventajas competitivas.
Por ejemplo, NVIDIA es un fabricante de hardware “fabless”, centrado en el diseño y los conceptos, dejando a fábricas de semiconductores líderes mundiales como TSMC (TSM ) la producción de sus GPU.
Al no desarrollar sus propios LLM o sistemas de IA, NVIDIA también es un socio de confianza para prácticamente todo “Big Tech” y startups de IA, que lo ven como un socio esencial más que como un posible competidor. A su vez, esto le brinda a NVIDIA la escala de ventas para seguir reinvirtiendo en I+D y mantenerse a la vanguardia tecnológica.
Esto ha demostrado ser la elección correcta, con NVIDIA como el mayor beneficiario del más impresionante derroche de gasto de capital (capex) en la historia de la industria tecnológica.
Se espera que el capex de IA alcance hasta $200 mil millones en 2025, sumado a un capex acumulado siempre creciente por parte de las mayores compañías tecnológicas del mundo desde 2016.
Fuente: Sherwood
Finanzas
El crecimiento de NVIDIA solo de 2023 a 2024 ha sido increíble para una empresa de ese tamaño:
- Los ingresos aumentaron un 126 %, de $27 mil millones a $60 mil millones.
- El ingreso operativo se triplicó (311 %) de $9 mil millones a $37,1 mil millones
- El margen bruto subió del 59,2 % al 73,8 %
En general, la compañía está muy valorada, pero no tanto debido a su crecimiento de ganancias. Aún así, con un ratio P/E superior a 60 y un rendimiento de dividendos de solo 0,03 %, los inversores que compran NVIDIA están asumiendo mucho crecimiento futuro para justificar el precio actual de la acción.
Fuente: NVIDIA
Futuro de NVIDIA
¿Crecimiento Sostenible?
La tasa de crecimiento de tres cifras de NVIDIA ha sido asombrosa y se refleja en el precio de sus acciones. Por supuesto, todo lo bueno llega a su fin algún día, y los inversores están cada vez más preocupados de que esto pueda suceder pronto.
Las mismas preocupaciones ya eran fuertes cuando las ventas de NVIDIA estaban en auge por las ventas de cripto o en las primeras etapas del boom de IA, por lo que el pesimismo no es necesariamente una estrategia de inversión sólida.
En una entrevista en el podcast BG2Pod, Huang explicó que el mundo necesita actualizar hasta $1 billón en centros de datos y cómputo para incorporar y adaptarse a la IA. Y que hasta ahora solo se han gastado $150 mil millones de ese total.
Así que, según él, todavía hay mucho espacio para que NVIDIA siga creciendo en ventas, incluso si solo se debe a las necesidades de cómputo existentes. Eso es antes de que más aplicaciones de IA se vuelvan convencionales, como coches autónomos.
Estas preocupaciones sobre la demanda total también ignoran que, en última instancia, todas las industrias probablemente desplegarán IA en múltiples niveles de una forma u otra, incluidos sectores como la salud que representan un porcentaje de dos dígitos del PIB.
Fuente: NVIDIA
Blackwell
En marzo de 2024, NVIDIA lanzó la plataforma Blackwell, “permitiendo a organizaciones de todo el mundo construir y ejecutar IA generativa en tiempo real en modelos de lenguaje de gran escala de un billón de parámetros con hasta 25 × menos costo y consumo de energía que su predecesora.”.
Fuente: NVIDIA
Este es un paso muy importante, ya que el consumo de energía se está convirtiendo rápidamente en una de las principales preocupaciones de las compañías centradas en IA, como ilustra el reciente acuerdo de Microsoft para reabrir una planta nuclear completa y usar toda su producción de energía durante los próximos 20 años a un precio preacordado.
Diseños Internos
Un riesgo para NVIDIA es que, aunque es un socio clave para las mayores compañías del mundo, también es muy costoso y rentable (70 % de margen bruto). Por eso, cuando empresas del tamaño y capacidad de Alphabet/Google gastan cientos de miles de millones de dólares en chips de IA, se sienten tentadas a hacerlo internamente.
Y esto no es solo hipotético, con, por ejemplo, Tesla habiendo desarrollado su propio hardware al contratar a los mejores diseñadores del competidor de NVIDIA, AMD. Hasta 2019, Tesla utilizaba la plataforma de cómputo AI NVIDIA Drive PX 2. Como Tesla parece estar acercándose mucho a comercializar realmente el robotaxi, esto podría convertirse en una gran venta perdida para NVIDIA.
Al mismo tiempo, el caso de Tesla podría ser más una excepción a la regla, ya que Tesla y las demás compañías de Elon Musk, como SpaceX, son notorias por buscar siempre más integración vertical y un mayor control sobre su hardware.
Empresas con menos experiencia en hardware o más enfocadas en software y/o marketing, como Facebook o Microsoft, probablemente estarán bien confiando en la tecnología NVIDIA más fina y reciente.
Además, muchos modelos de IA se construyen y codifican actualmente bajo la suposición de que se ejecutarán en arquitecturas NVIDIA, y los programadores de IA están familiarizados con el hardware de NVIDIA, lo que constituye fosos comerciales valiosos para la compañía.
Riesgos del Mercado de IA
El mercado de IA en su conjunto puede ser un riesgo mayor sobre el cual la excelente gestión de NVIDIA tiene menos control. Está en auge por ahora. Sin embargo, crece la preocupación de que las aplicaciones de IA lanzadas no hayan logrado transformarse en ingresos masivos nuevos como lo hizo el iPhone para Apple en su época.
Esto probablemente solo sea una señal de que la tecnología aún está encontrando su punto y desarrollando su mercado.
Pero si esta situación persiste demasiado tiempo, podríamos estar en riesgo de una situación similar a finales de los 90, donde las predicciones sobre la importancia del PC e Internet eran correctas, pero el timing fue un poco demasiado optimista, lo que llevó al estallido de la burbuja puntocom.
Sin duda, que Jensen Huang firmara un autógrafo en el pecho de una mujer en junio de 2024 es una señal algo sorprendente, y quizá un poco preocupante para los inversores temerosos de una posible manía financiera alrededor de la IA.
La historia financiera no se repite necesariamente, pero los inversores querrán analizar adecuadamente este riesgo para NVIDIA y observar paralelos potenciales con el fabricante de hardware de telecomunicaciones e Internet Sun Microsystems (primer empleador de Jensen Huang) en el 2000.
“A 10 veces los ingresos, para darte un retorno de 10 años, tengo que pagarte el 100 % de los ingresos durante 10 años seguidos en dividendos. Eso asume que puedo obtenerlo de mis accionistas. Eso asume que tengo costo de bienes vendido cero, lo cual es muy difícil para una empresa de computación. Eso asume gastos cero, lo cual es realmente difícil con 39 000 empleados. (…) Ahora, habiendo hecho eso, ¿a alguno de ustedes le gustaría comprar mi acción a $64? ¿Se dan cuenta de lo ridículas que son esas suposiciones básicas? No necesitan ninguna transparencia. No necesitan notas al pie. ¿Qué estaban pensando?”
Scott McNealy ‑ entonces CEO de Sun Microsystems
Para referencia, el ratio P/S actual de NVIDIA es 35.
Fuente: YChart
Conclusión
NVIDIA es una compañía construida sobre la toma de riesgos calculados correctos varias veces seguidas en el momento adecuado, desde tarjetas gráficas de PC hasta el lanzamiento de CUDA para nuevas aplicaciones y la adopción temprana de redes neuronales. Esto ha convertido a su fundador, Jensen Huang, en una especie de rockstar en la industria de semiconductores e TI.
El desempeño reciente de la compañía ha sorprendido al mercado y ha creado un entusiasmo masivo por la acción, similar al que solo Tesla ha logrado en los últimos años. Esto crea una oportunidad enorme, como muchos inversores tempranos de Tesla saben, tras haber enfrentado casi una década de detractores que esperaban que la compañía y su acción fallaran “en cualquier minuto”.
Esto también genera algunos riesgos, ya que el boom de IA aún no ha generado los ingresos que justifiquen el actual capex y podría experimentar una recesión antes de convertirse en un sector económico plenamente establecido.
