La carrera de la intel·ligència artificial no es juga només als laboratoris que creen models com els xatbots o els generadors d’imatges. També es juga als centres de dades: edificis plens de servidors que han de fer una quantitat enorme de càlculs en paral·lel. És aquí on Nvidia ha passat de ser coneguda sobretot per les targetes gràfiques a convertir-se en una empresa central per a la infraestructura de la IA.

La seva posició no s’explica per una sola peça de maquinari ni perquè totes les aplicacions d’IA necessitin Nvidia. El factor decisiu és una combinació: xips dissenyats per al càlcul paral·lel, programari que fa anys que utilitzen investigadors i empreses, i sistemes de xarxa que permeten connectar moltes GPU com si fossin una màquina molt més gran.

El resultat té una dimensió econòmica visible. En el segon trimestre del seu exercici fiscal 2027, tancat el 26 de juliol de 2026, Nvidia va informar d’uns ingressos de 96.200 milions de dòlars, dels quals 89.000 milions procedien del negoci de centres de dades. Aquesta dada no vol dir que Nvidia controli tota la IA, però mostra fins a quin punt la demanda d’infraestructura s’ha convertit en el centre del seu negoci.

La IA moderna necessita fer molts càlculs alhora

Els models d’IA generativa funcionen ajustant grans quantitats de paràmetres, és a dir, valors numèrics que determinen com respon el model. Per entrenar-los, cal repetir operacions matemàtiques sobre grans blocs de dades una vegada i una altra. Moltes d’aquestes operacions es poden dividir en milers de tasques petites que s’executen simultàniament.

Una CPU convencional és molt versàtil: pot gestionar instruccions diferents, coordinar un ordinador i resoldre tasques complexes amb pocs fils d’execució. Una GPU, en canvi, està pensada per executar moltes operacions semblants en paral·lel. Aquest disseny va néixer per renderitzar gràfics, però encaixa molt bé amb el tipus de càlcul que domina l’aprenentatge automàtic.

Això no significa que una GPU sigui automàticament millor per a qualsevol problema. En IA també importen la memòria disponible, la velocitat amb què es mouen les dades, el consum elèctric i el programari. Però quan el repte és entrenar o servir un model gran a escala, la capacitat de processar moltes operacions en paral·lel és especialment valuosa.

El gran actiu invisible: CUDA

La part més difícil de copiar no és necessàriament el xip. És l’ecosistema de programari construït al seu voltant. Nvidia va presentar CUDA el 2006 com una plataforma per programar GPU per a càlcul general, no només per a gràfics. Amb els anys, CUDA ha acumulat compiladors, biblioteques, eines de depuració i optimització, documentació i compatibilitat amb entorns que fan servir molts desenvolupadors.

Per a un equip que crea un model, aquesta capa de programari pot estalviar molt temps. En lloc d’escriure des de zero instruccions específiques per a cada xip, pot aprofitar biblioteques que acceleren operacions habituals i frameworks populars com PyTorch. Dit d’una altra manera: CUDA és el pont entre el maquinari de Nvidia i el codi amb què es desenvolupa la IA.

Aquí apareix un efecte de xarxa. Com més investigadors, empreses i proveïdors de núvol utilitzen una plataforma, més eines, tutorials i integracions es creen per a ella. I com més complet és aquest ecosistema, més fàcil és per al següent equip escollir-lo. No és un bloqueig absolut: existeixen alternatives de maquinari i programari. Però migrar un projecte gran pot implicar revisar codi, mesurar rendiment, formar equips i assumir riscos operatius.

Nvidia no ven només GPU: ven sistemes per escalar

Un model gran rarament cap o s’entrena de manera eficient en una sola GPU. Per això la infraestructura d’IA necessita que moltes unitats comparteixin dades amb poca latència, és a dir, amb el mínim retard possible. Si la comunicació entre xips és lenta, les GPU poden quedar esperant dades en comptes de calcular.

Nvidia ha intentat resoldre aquest coll d’ampolla amb tecnologies com NVLink i NVSwitch, que connecten GPU dins d’un mateix sistema amb més ample de banda que les connexions tradicionals pensades per a ordinadors convencionals. Per créixer més enllà d’un sol servidor, també són rellevants les xarxes d’alta velocitat entre racks, basades en InfiniBand o Ethernet segons la configuració.

Això explica per què parlar de «comprar xips per a IA» és una simplificació. Calen acceleradors, CPU, memòria, emmagatzematge, xarxa, refrigeració, electricitat i programari de gestió. Nvidia ha anat ampliant l’oferta perquè els clients puguin comprar una part més gran d’aquest conjunt, des de la GPU fins a arquitectures de centre de dades preparades per desplegar IA.

Per què aquesta posició té tant impacte econòmic

Les grans plataformes de núvol, empreses de programari, laboratoris d’IA i administracions públiques estan invertint en capacitat de còmput perquè consideren que pot ser una infraestructura estratègica. Necessiten entrenar models, executar-los per a milions d’usuaris o aplicar-los a àmbits com l’anàlisi de documents, el disseny industrial, la recerca científica o l’automatització.

Nvidia s’ha beneficiat d’aquesta despesa perquè una part significativa d’aquests projectes ha estat construïda sobre GPU compatibles amb CUDA. La dada trimestral del negoci de centres de dades reflecteix aquesta demanda, però no garanteix que el ritme es mantingui sempre. La construcció de centres de dades depèn també de terrenys, connexió a la xarxa elèctrica, permisos, capital i capacitat de refrigeració; són processos lents i costosos.

Per al lector, la conseqüència és que la IA no és només una qüestió d’aplicacions visibles. Darrere d’un assistent conversacional hi ha una cadena industrial: fabricants de xips, foneries, empreses de xarxa, proveïdors de núvol, operadores energètiques i centres de dades. Nvidia és una peça especialment important d’aquesta cadena, però no n’és l’única.

Els límits: competència, energia i riscos geopolítics

És fàcil confondre el lideratge actual amb una garantia permanent. No ho és. Altres fabricants desenvolupen acceleradors per a IA, i algunes grans empreses tecnològiques dissenyen xips propis per a determinades càrregues de treball. A més, els models més eficients o més petits poden reduir la quantitat de càlcul necessària per a algunes tasques.

També hi ha un límit físic: la IA necessita electricitat, refrigeració i connexions de xarxa. Si falta potència elèctrica o es retarden les obres d’un centre de dades, no n’hi ha prou amb tenir GPU disponibles. Nvidia mateix identifica la disponibilitat de terreny, energia, edificis i capital com un risc per al desplegament de la infraestructura que compren els seus clients.

La geopolítica és un altre factor clau. Els controls d’exportació dels Estats Units sobre xips avançats poden limitar a quins mercats es venen determinats productes i poden empènyer clients o països a buscar alternatives. En la seva documentació reguladora, Nvidia adverteix que aquestes restriccions poden afectar la seva posició competitiva i la demanda, especialment en relació amb la Xina.

La idea important és aquesta: Nvidia s’ha convertit en una empresa clau perquè ha construït una plataforma completa just quan la IA necessita més capacitat de còmput. Les seves GPU són importants, però el seu avantatge real és la suma de xips, programari, xarxes i experiència acumulada. Aquest avantatge és potent, no màgic: dependrà de la competència, de l’energia, de la regulació i de si la inversió mundial en IA continua transformant-se en usos rendibles.

Aquest contingut és informatiu i educatiu i no constitueix assessorament financer.

Fonts i referències

Avís educatiu

Aquest contingut té una finalitat educativa i informativa. No constitueix assessorament financer ni recomanació d’inversió.

← Tornar a tots els articles