NVIDIA lanzó CUDA, permitiendo programar GPUs para cómputo general; sin ello, el deep learning moderno habría sido impracticable.
En 2006–2007, NVIDIA lanzó CUDA, un modelo de programación para usar GPUs en cómputo general. Investigadores de ML pronto descubrieron que entrenar redes grandes encajaba con el paralelismo SIMD de las GPUs.
Frameworks posteriores (Theano, cuDNN, TensorFlow, PyTorch) se apoyaron en ese stack. El coste por FLOP cayó y el tamaño de modelos creció.
Hoy la geopolítica de chips y la hoja de ruta de NVIDIA son parte de la historia de la IA tanto como cualquier paper de arquitectura.
Según un memo interno revisado por Reuters en julio de 2026, Meta planeaba fabricar desde septiembre su acelerador Iris dentro del programa MTIA de cuatro generaciones, con Broadcom en diseño y TSMC en fabricación. Coberturas de septiembre indican que la producción arrancó; la ambición de infraestructura es ~7 GW en 2026 y el doble (14 GW) en 2027, complementando —no sustituyendo— GPUs de Nvidia y AMD.
El 24 de julio de 2026, Jensen Huang usó su primer mensaje en X para compartir la carta «Open Weights and American AI Leadership», firmada por Nvidia, Microsoft, Meta, Mistral, Hugging Face, Linux Foundation y otras ~25 organizaciones; OpenAI, Anthropic, Google y Amazon no figuraban en la lista original. En paralelo, Huang confirmó que Vera Rubin ya estaba en producción, con envíos previstos para el otoño.
El 2 de octubre de 2026 (comunicado destacado el 5), ASUS anunció la configuración de 64GB del Ascent GX10 basada en NVIDIA DGX Spark con superchip GB10 Grace Blackwell, hasta 1 petaFLOP, memoria unificada coherente para modelos open-source de 30–35B y clustering de dos unidades hacia 128GB y ~1,7× de rendimiento.