GPU: el chip que hace funcionar la inteligencia artificial
Una GPU es un chip diseñado para hacer una enorme cantidad de cálculos sencillos al mismo tiempo. Nació para dibujar los gráficos de los videojuegos y se ha convertido en el motor del entrenamiento y del uso de los modelos de IA.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Avanzado |
|---|---|
| Origen | 1999 |
| Introducido por | NVIDIA (selon sa chronologie officielle) |
Qué es una GPU
Una GPU es un chip que hace muchísimos cálculos pequeños a la vez, mientras que un procesador clásico hace pocos, pero muy rápido.
El procesador central de un ordenador (CPU) tiene unos pocos núcleos potentes, pensados para encadenar tareas variadas. La GPU (graphics processing unit) reúne miles de núcleos más simples que aplican la misma operación a muchos datos al mismo tiempo. Esa arquitectura se diseñó para calcular el color de millones de píxeles. Según su cronología oficial, NVIDIA se atribuye la invención de la GPU en 1999 y en 2006 abrió sus chips al cálculo científico con la arquitectura CUDA.
Resulta que una red neuronal se reduce sobre todo a multiplicar grandes matrices: justo el tipo de trabajo masivamente paralelo en el que la GPU destaca.
Un ejemplo concreto
Cuando usted hace una pregunta a un asistente, su texto se divide en tokens y se envía a un centro de datos. Allí, una o varias GPU cargan el modelo en su VRAM y calculan la respuesta token a token: es la inferencia. Un modelo grande a menudo no cabe en una sola tarjeta: la documentación de Hugging Face recuerda que un modelo de 70 mil millones de parámetros necesita unos 140 GB en 16 bits, mientras que las tarjetas de centro de datos A100 y H100 que menciona ofrecen 80 GB. Hay que repartir entonces el modelo entre varias GPU.
Por qué es importante
La GPU es el recurso escaso de la IA. El cómputo de entrenamiento de un modelo de frontera ocupa un gran número de chips durante mucho tiempo, lo que explica las enormes inversiones en centros de datos. Para el usuario, el precio de una suscripción o de una API refleja en gran parte el tiempo de GPU consumido. En la IA local, la tarjeta gráfica decide qué se puede ejecutar, de ahí la importancia de la cuantización.
Ideas erróneas
- «Lo más importante es la potencia de cálculo.» Para generar texto, la cantidad de memoria y su ancho de banda suelen limitar antes que la potencia bruta.
- «Una GPU para videojuegos no sirve para IA.» Las tarjetas domésticas ejecutan muchos modelos abiertos cuantizados.
- «Solo existe NVIDIA.» NVIDIA domina, en parte gracias a su ecosistema de software, pero hay otros fabricantes y aceleradores dedicados.
Términos relacionados: VRAM, servidor de inferencia, cómputo de entrenamiento y aprendizaje profundo.
Términos relacionados
- VRAM (memoria de vídeo) · Memoria integrada en la tarjeta gráfica donde debe caber el modelo de IA para funcionar rápido; suele ser lo que limita el uso en local.
- Cómputo de entrenamiento (FLOP) · Cantidad total de operaciones de cálculo, medida en FLOP, necesaria para entrenar un modelo de IA.
- Inferencia · Momento en que un modelo ya entrenado se usa para producir una respuesta: cada pregunta enviada a una IA desencadena una inferencia.
- Servidor de inferencia · Software que carga un modelo de IA en memoria y responde a peticiones mediante una API, optimizando el rendimiento y la memoria de la GPU.
- Aprendizaje profundo · Aprendizaje automático que usa redes neuronales de muchas capas; es la técnica detrás de las IA actuales de texto, imagen y voz.
- Cuantización · Técnica que guarda los pesos de un modelo con menos bits (8, 4 o incluso menos) para que ocupe mucha menos memoria.
Todo el glosario
Preguntas frecuentes
¿Necesito una GPU para usar ChatGPT o Claude?
No. Estos asistentes funcionan en las GPU de los centros de datos de sus proveedores; su móvil u ordenador solo envía la pregunta y muestra la respuesta. Una GPU propia solo es útil si quiere ejecutar un modelo en local.
¿En qué fijarse al elegir una GPU para IA local?
Primero, en la cantidad de memoria de vídeo (VRAM), que determina el tamaño del modelo que la tarjeta puede cargar. Después, en el ancho de banda de memoria, que influye en la velocidad de generación, y en la compatibilidad del software.
¿Las GPU son los únicos chips que se usan para IA?
No. Existen aceleradores especializados, como las TPU de Google, y los procesadores clásicos (CPU) pueden ejecutar modelos pequeños. La documentación de vLLM, por ejemplo, cita GPU de NVIDIA y AMD, CPU y TPU entre el hardware compatible.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.