El hardware que ahora escribe frases y reconoce tumores debe parte de su trayectoria a un problema más antiguo: dibujar una enorme cantidad de píxeles antes de que un jugador se dé cuenta de que el escenario ha llegado tarde.
Las GPU se volvieron fundamentales para la IA moderna porque las redes neuronales contienen enormes cantidades de trabajo matemático que se puede dividir y realizar en paralelo. Los gráficos exigían esa misma capacidad general. Después, el software convirtió un procesador de imágenes especializado en un motor programable para matrices, modelos y datos.
Primero llegaron los píxeles
Un juego moderno procesa repetidamente geometría, texturas, iluminación, color y sombras en millones de píxeles. Gran parte de ese trabajo se puede dividir en muchos cálculos similares. En lugar de pedirle a un único trabajador extremadamente capaz que pinte la pantalla de izquierda a derecha, el hardware gráfico organiza un enorme taller y mantiene ocupados a muchos trabajadores más pequeños al mismo tiempo.
Una CPU está diseñada de otra manera. Su menor número de núcleos potentes y flexibles se ocupa del sistema operativo, la lógica de las aplicaciones, las decisiones condicionales y las tareas en las que el siguiente paso depende del resultado del anterior. Ninguna arquitectura es universalmente superior. Un tribunal y una fábrica de galletas emplean personas; eso no significa que se beneficien del mismo plan de personal.
Después, los píxeles se convirtieron en tensores
Las redes neuronales combinan repetidamente grandes matrices de números, aplican operaciones y pasan los resultados por muchas capas. El entrenamiento ajusta el modelo; la inferencia lo utiliza. El trabajo subyacente puede ser extremadamente sofisticado, pero gran parte de la aritmética pesada aún se puede dividir entre un procesador paralelo.
Una CPU puede realizar estos cálculos. La ventaja de la GPU aparece cuando el trabajo contiene suficientes operaciones adecuadas para mantener ocupados sus recursos paralelos. Esa es la conexión:
- los gráficos implican cálculos relacionados distribuidos entre píxeles, geometría y muestras;
- la IA implica cálculos relacionados distribuidos entre pesos del modelo, activaciones y datos;
- una GPU está diseñada para mover una gran carga de trabajo paralelo por la máquina.
El cambio de trayectoria ocurrió en cuatro actos
- Hardware gráfico fijo: las primeras GPU aceleraban el trabajo especializado necesario para dibujar imágenes y escenas 3D.
- Shaders programables y computación general: el hardware se volvió lo bastante flexible como para que los desarrolladores expresaran problemas paralelos más amplios.
- Plataformas de software prácticas: sistemas como CUDA y ROCm proporcionaron modelos de programación, compiladores, bibliotecas y herramientas.
- Aprendizaje profundo a gran escala: investigaciones como AlexNet en 2012 demostraron cómo la computación con GPU podía hacer práctico el entrenamiento de una gran red de reconocimiento de imágenes.
El ciclo se reforzó entonces por sí mismo. Más investigadores utilizaban la computación con GPU; el software mejoraba; los diseñadores de chips añadían funciones para operaciones de aprendizaje automático; las cargas de trabajo más grandes se volvían prácticas; y la demanda financiaba otra generación de hardware.
El software es la razón por la que un chip rápido se volvió útil
La aritmética paralela en bruto no constituye un ecosistema utilizable. Los desarrolladores necesitan compiladores, entornos de ejecución, perfiladores y bibliotecas aceleradas; los investigadores necesitan frameworks que permitan expresar un modelo sin escribir manualmente cada operación de bajo nivel.
La Guía de programación de CUDA de NVIDIA describe su modelo de programación y plataforma de ejecución. La documentación de ROCm de AMD cubre la correspondiente pila de software abierto para el hardware AMD compatible. La compatibilidad con frameworks explica por qué dos GPU teóricamente capaces pueden tener un valor práctico muy diferente para una aplicación.
La VRAM es la sala donde se realiza el trabajo
Un modelo y sus datos de trabajo temporales deben caber en la memoria disponible. Según la tarea, eso incluye pesos, prompts, imágenes, lotes y resultados intermedios. Una GPU puede ser suficientemente rápida en teoría y aun así no poder ejecutar una carga de trabajo porque no hay dónde colocarla.
Esto crea una peculiaridad del hardware usado: una tarjeta profesional antigua con más memoria puede seguir siendo útil para un modelo que no cabe en una tarjeta gaming más nueva y rápida. Lo contrario también es cierto. Si el software previsto utiliza poca memoria y se beneficia de funciones de computación más nuevas, comprar una capacidad que nunca se utiliza es una forma cara de admirar una especificación.
El ancho de banda de memoria también importa. Miles de trabajadores paralelos no son productivos cuando los datos les llegan a través de un buzón.
¿Todo trabajo de IA necesita una GPU?
No. Los modelos pequeños pueden ejecutarse en CPU. Los teléfonos y ordenadores recientes incluyen cada vez más NPU diseñadas para ejecutar de forma eficiente operaciones neuronales compatibles. Los grandes operadores también construyen aceleradores específicos, como las Unidades de Procesamiento Tensorial de Google.
La GPU sigue siendo importante porque combina un alto rendimiento paralelo, programabilidad, memoria local y herramientas maduras. Esa combinación se adapta a muchas tareas, sin convertirla en la respuesta correcta para cualquier tarea que contenga las letras A e I.
Una GPU gaming puede ejecutar IA, cuando el software está de acuerdo
Las tarjetas gaming adecuadas pueden realizar localmente generación de imágenes, transcripción, ampliación de resolución y ejecutar modelos de lenguaje más pequeños. Comprueba la aplicación exacta en lugar de confiar en una afirmación genérica de «preparada para IA»:
- ¿Son compatibles la GPU y el sistema operativo?
- ¿Cuánta VRAM necesitan el modelo elegido y el lote?
- ¿Qué formatos numéricos y rutas de aceleración están disponibles?
- ¿La fuente de alimentación, la caja y la refrigeración pueden soportar la tarjeta?
- ¿La velocidad prevista justifica realmente comprar hardware?
Un ejemplo práctico: transcribir una entrevista
Supón que quieres convertir grabaciones en texto sin subirlas. Estás eligiendo una aplicación de transcripción, un tamaño de modelo, una precisión aceptable y un tiempo de respuesta, no simplemente una «tarjeta gráfica para IA». El repositorio de Whisper proporciona requisitos aproximados de memoria para sus tamaños de modelo, que sirven como punto de partida para esa implementación, no como una promesa universal para todas las aplicaciones basadas en ella.
Un modelo más grande puede necesitar más memoria. Uno más pequeño quizá ya termine con suficiente precisión. Si la CPU procesa una grabación ocasional antes de que la necesites, una GPU nueva resolvería un problema de programación que no existe.
El accidente histórico útil
El hardware gráfico inicial no se diseñó pensando en los modelos de lenguaje modernos. Se volvió útil porque la arquitectura construida para dibujar píxeles también era adecuada para gran parte de las matemáticas paralelas en las que se basan las redes neuronales. El software programable abrió ese accidente de compatibilidad a científicos y desarrolladores; décadas de demanda gráfica siguieron mejorando la maquinaria.
Las GPU no impulsaron el auge de la IA simplemente porque fueran rápidas. Eran paralelas y programables, y estaban rodeadas de software capaz de convertir esa estructura en trabajo útil.
Consulta las GPU de IA y aprendizaje automático que gestiona GPUsed, lee qué hace una NPU o compara la capacidad de VRAM y sus límites. Si la cuestión es una compra, empieza por la carga de trabajo, no por el nombre del modelo más grande.