La carrera armamentista de 100.000 GPUs detrás de GPT-6 Astra

El número que lo redefine todo

Diez mil GPUs era extraordinario hace dos años. Cien mil es ahora el nivel básico para un modelo de vanguardia.

OpenAI lanzó GPT-6 Astra a principios de septiembre, primero a instituciones seleccionadas y luego al público. Completó Portal en menos de 24 horas reales — menos de dos horas de tiempo de juego — y resolvió RimWorld tras 15 horas de juego autónomo, leyendo guías y buscando en la web por su cuenta. Esas son demostraciones vívidas. Pero el número principal es más discreto y mucho más trascendente: más de 100.000 unidades NVIDIA GB200 NVL72 estuvieron en línea durante el entrenamiento.

Greg Brockman lo confirmó en una entrevista con Stratechery. Fue la primera vez que algún modelo se entrenó a esa escala. Jensen Huang fue más lejos en X, declarando que la AGI había llegado y que 400.000 GPUs ya estaban por entrar en funcionamiento. Cuatro veces más potencia computacional en un solo salto.

Esa trayectoria es la historia. No los juegos superados. Los juegos son el comunicado de prensa. Las GPUs son el cambio de régimen.

Por qué el Looped Transformer importa más que los titulares

Astra utiliza una arquitectura Looped Transformer, un cambio estructural respecto a los patrones estándar de atención feed-forward que dominan desde 2017. El diseño en bucle recicla representaciones intermedias a través de las capas, lo que significa que puedes profundizar el razonamiento sin escalar linealmente los parámetros. En teoría, es una jugada de eficiencia. En la práctica, es otra razón por la que entrenar con 100.000 GPUs importaba: la arquitectura requiere una potente computación paralela para iterar rápidamente en esos bucles antes de la convergencia.

Este es el detalle oculto que la cobertura en inglés apenas ha tocado. El Looped Transformer no es solo una palabra de moda más. Señala que la vanguardia está superando el «tirar más parámetros a la misma arquitectura» y entrará en rediseño estructural, y el rediseño estructural requiere infraestructura que pueda sostener enormes cargas de trabajo de entrenamiento sin fragmentación. Solo la topología NVLink de NVIDIA y el diseño de rack GB200 NVL72 pueden lograr eso a la escala actual. Eso no es casualidad.

El dominio de NVIDIA es el cuello de botella

Aquí está la paradoja incómoda: el dominio de hardware de NVIDIA es simultáneamente el motor del progreso y la restricción sobre él.

Todos los laboratorios principales —OpenAI, Anthropic, Google, Microsoft, una lista creciente de actores nacionales— necesitan lo mismo. Sistemas GB200 NVL72. No se producen a un ritmo que satisfaga la demanda. Los plazos de entrega se extienden por trimestres. Los precios en los mercados secundarios para las RTX 5090 de consumo ya han saltado, y esa es solo la punta del iceberg donde la cadena de suministro drena al mercado del consumidor.

Cuando Huang dice que 400.000 GPUs están por llegar, está describiendo una curva de oferta que debe expandirse cuatro veces. La pregunta es si las restricciones físicas —memoria HBM, empaquetado CoWoS, distribución de energía, espacio en el piso del data center— pueden mantener el paso. Cada restricción se convierte en un filtro sobre cómo se verán las capacidades de los modelos nextos.

Por eso la posición de NVIDIA es a la vez su mayor activo y su mayor responsabilidad como ecosistema. Si eres la única carretera, todos los que llegan a la cima te dan las gracias —y todos los que no pueden te culpan. Las leyes de escalado que premian la fuerza bruta computacional también premian a quien controla esa fuerza bruta. Esa es una concentración peligrosa.

Quién gana, quién pierde

Los ganadores son claros. OpenAI tiene un modelo que puede navegar mundos de juego complejos de forma autónoma, una capacidad que se traduce directamente en uso de herramientas, codificación y flujos de trabajo tipo agente. NVIDIA vende hardware que realmente no compite en la capa de modelos. Microsoft financia ambas cosas y porta todo a Azure.

Los perdedores son menos visibles pero estructuralmente reales. Los laboratorios más pequeños que no puedan acceder a clústeres de 100.000 GPUs quedarán aún más atrás. La brecha entre la «vanguardia» y «todo lo demás» ya no se mide solo en talento o algoritmos: se mide en espacio de rack y contratos de energía. Los países sin acceso a suficiente oferta de GPUs enfrentarán un nuevo tipo de dependencia tecnológica.

También hay un perdedor más silencioso: el mercado de GPUs de consumo. Como se vio en los comentarios japoneses en la pieza original de Game*Spark, los precios de la serie RTX 50 ya están distorsionados. La escasez de memoria alimenta esto, sí —en parte por disruptción geopolítica—, pero la fuerza estructural de la demanda de entrenamiento de IA es la presión más profunda. Cuando un solo modelo necesita 100.000 GPUs de alta gama, el suministro residual para los demás se vuelve escaso.

Qué pasa después

La consecuencia inmediata no es otro benchmark superado. Es la aceleración de la carrera armamentista computacional misma.

Si 100.000 GPUs te llevaron a GPT-6 Astra, y 400.000 están por llegar, el siguiente modelo no será un paso incremental. Será un orden diferente de capacidad autónoma: no solo resolviendo juegos, sino operando dentro de ellos a un nivel indistinguible del de un jugador humano experto. La partida de RimWorld es reveladora: le dijeron al modelo «figúralo tú solo», y produjo una estrategia, reunió información y ejecutó durante 15 horas. Eso no es coincidencia de patrones. Eso es planificación.

La segunda consecuencia es consolidación. Los laboratorios sin acceso a esta escala de computación o bien se asociarán con proveedores en la nube que lo tengan, o bien se fusionarán, o bien se centrarán en aplicaciones más estrechas. La definición de «empresa de IA» se está estrechando hasta significar «empresa con acceso a computación a escala de vanguardia».

La tercera consecuencia —y la que poca gente está discutiendo— es que la propia ley de escalado podría toparse con un muro. Más GPUs compran más tokens de entrenamiento, pero los rendimientos decrecientes en capacidad de razonamiento son reales. El intento con el Looped Transformer sugiere que la industria lo sabe. Está intentando obtener más inteligencia por ciclo computacional, no solo más ciclos. Si eso funciona con 400.000 GPUs es una pregunta abierta. La certeza de Huang de que la AGI ya ha llegado merece exactamente eso: certeza sometida a prueba contra lo que realmente salga a producción.

El número a vigilar

100.000 fue el umbral. 400.000 es la previsión. El número real a rastrear es la proporción entre nueva capacidad de GPUs y nueva capacidad de modelos —porque si esa proporción tiende a bajar, seguimos en un camino de escalado productivo. Si se aplana, el próximo salto requerirá algo distinto a más hardware. Y ahí es cuando las guerras de arquitectura —Looped Transformers, mezclas dispersas, híbridos de espacio de estados— dejan de ser ejercicios académicos y se convierten en estrategias de supervivencia.

Por ahora, NVIDIA sostiene la palanca. Eso es tanto un logro como una advertencia.