Jensen Huang describe la inteligencia artificial como un pastel de 5 capas:
Jensen Huang explica la IA como un sistema de cinco capas, donde cada capa necesita y depende de la anterior. La idea es simple, pero cambia por completo la forma de ver la industria (dejamos de pensar en la IA como software y empezamos a entenderla como infraestructura).
Primera capa: Energía
Entrenar modelos y operar con sistemas de inteligencia artificial requiere enormes cantidades de energía, ya lo sabemos. Los centros de datos actuales consumen niveles comparables a los de ciudades pequeñas, y su crecimiento está directamente limitado por la disponibilidad energética.
Esto introduce una dimensión que hasta hace poco no formaba parte de la conversación tecnológica: la capacidad de generar y gestionar energía se convierte en un factor crítico para el desarrollo de la IA.
Segunda capa: Chips
Aquí entran los semiconductores y, en particular, las GPUs, un tipo de chip diseñado para ejecutar miles de operaciones en paralelo. Esta arquitectura es clave para entrenar modelos de inteligencia artificial, que requieren procesar grandes volúmenes de datos de forma simultánea.
Durante años, estos chips se asociaron principalmente a videojuegos. Sin embargo, su diseño resultó ser especialmente adecuado para la IA, lo que los ha convertido en una pieza central del sistema.
Hoy, al igual que la energía, el acceso a estos chips es una de las principales limitaciones del sector.
Tercera capa: Infraestructura
Los chips necesitan un entorno donde operar. Esa es la función de la infraestructura.
Los centros de datos, redes de alta velocidad, sistemas de refrigeración y arquitecturas distribuidas permiten que miles de chips trabajen de forma coordinada. Esto quiere decir que no se trata solo de tener hardware, sino de integrarlo en sistemas complejos capaces de operar de manera eficiente y continua.
La construcción de esta infraestructura requiere inversiones masivas y un alto nivel de especialización, lo que la convierte en una barrera de entrada significativa.
Cuarta capa: Modelos
Sobre esa base aparecen los modelos de inteligencia artificial (de lenguaje, sistemas de visión o modelos multimodales) que son los encargados de procesar información, generar contenido o tomar decisiones.
Es la capa más visible desde el punto de vista técnico, pero también una de las más dependientes. Los modelos no existen sin las capas inferiores: necesitan energía, chips e infraestructura para ser entrenados y desplegados.
Quinta capa: Aplicaciones
Es el punto en el que la inteligencia artificial se convierte en producto. Herramientas, asistentes, automatizaciones o soluciones empresariales que utilizan modelos para resolver problemas concretos.
Es también la capa más cercana al usuario y donde se percibe el valor de forma más directa. Sin embargo, su funcionamiento depende completamente de todo lo que ocurre por debajo.
Ahora bien, ¿por qué Jensen Huang explica la inteligencia artificial como un sistema de capas?
Durante años, la conversación sobre IA se ha centrado casi exclusivamente en los modelos: qué modelo es mejor, cuál razona mejor, cuál genera mejores respuestas. Al poner el foco en las capas, Jensen Huang desplaza la atención hacia algo más fundamental: la inteligencia artificial no es un producto, es un sistema.
Ahora bien ¿en qué capa está el poder?
A primera vista, podría parecer que está en las aplicaciones. Son visibles, generan ingresos y son las que interactúan con el usuario. Sin embargo, las aplicaciones dependen completamente de los modelos, y los modelos, a su vez, dependen de las capas inferiores. Esto hace que el poder técnico se concentre más abajo de lo que parece y lo que es más importante, las capas inferiores tienen una característica clave: son mucho más difíciles de replicar.
Diseñar chips avanzados requiere años de investigación, acceso a talento altamente especializado y una cadena de suministro global extremadamente compleja y construir centros de datos a gran escala implica inversiones multimillonarias, acceso a energía y capacidad operativa. Estas barreras de entrada hacen que pocas empresas puedan competir en esas capas.
Esto genera una dinámica interesante: el control tecnológico se concentra abajo, mientras que la visibilidad y parte del valor económico se concentra arriba.
La posición de Nvidia dentro del stack
Dentro de este sistema, Nvidia ocupa una posición especialmente relevante. La compañía no está en la capa de aplicaciones, ni compite directamente por el usuario final. Sin embargo, controla una de las capas más críticas: la computación.
Sus GPUs se han convertido en el estándar para entrenar modelos de inteligencia artificial, y su software asociado permite utilizarlas de forma eficiente y esto le da una ventaja estructural porque su negocio está en la base del sistema.
Qué significa esto para empresas y usuarios
Esta forma de entender la IA tiene implicaciones prácticas. Para muchas empresas, la inteligencia artificial se percibe como algo accesible: basta con integrar un modelo o utilizar una herramienta y, en parte, es cierto porque las capas superiores del stack son cada vez más accesibles.
Pero las capas inferiores siguen estando concentradas en pocas empresas, lo que limita quién puede competir realmente en el desarrollo de tecnología fundamental. Esto crea una diferencia clara entre usar inteligencia artificial y construir inteligencia artificial.