El multimillonario ascenso de Nvidia, impulsado por un modesto laboratorio de investigación

En 2009, cuando Bill Dally se incorporó a la división de investigación de Nvidia, era un pequeño equipo de una docena de personas centrado principalmente en el trazado de rayos para gráficos por ordenador.

Desde entonces, ese modesto grupo de investigación ha crecido hasta contar con más de 400 empleados, desempeñando un papel fundamental en la evolución de Nvidia, que ha pasado de ser una startup de GPU para juegos en los años 90 a convertirse en una empresa de 4 billones de dólares en el corazón de la revolución de la inteligencia artificial.

El laboratorio se ha centrado ahora en el desarrollo de la tecnología básica para la robótica y la inteligencia artificial, y parte de su trabajo ya está llegando al mercado. El lunes, la empresa presentó un nuevo conjunto de modelos mundiales de IA, bibliotecas e infraestructura de desarrollo para robótica.

Dally, actual director científico de Nvidia, fue consultor de la empresa por primera vez en 2003, cuando estudiaba en Stanford. Años más tarde, cuando se preparaba para dejar la cátedra del departamento de informática de Stanford y tomarse un año sabático, Nvidia tenía otros planes para él.

David Kirk, entonces director de investigación, y el consejero delegado Jensen Huang creían que un puesto permanente en el laboratorio encajaba mejor. Según explica Dally a TechCrunch, la pareja hizo una "presión total" para convencerle de que se uniera a la empresa, y al final lo consiguieron.

"Resultó ser una combinación perfecta para mis intereses y habilidades", afirma Dally. "Todo el mundo busca el lugar donde puede hacer su mayor contribución. Para mí, ese lugar es sin duda Nvidia".

Cuando Dally asumió el liderazgo del laboratorio en 2009, la expansión fue la prioridad inmediata. Rápidamente, el equipo pasó del trazado de rayos a nuevas áreas como el diseño de circuitos y la VLSI (integración a muy gran escala), el proceso de incrustar millones de transistores en un único chip.

Desde entonces, el laboratorio de investigación no ha dejado de crecer.

Los pesos pesados de la tecnología y el capital riesgo se unen a la agenda de Disrupt 2025

Netflix, ElevenLabs, Wayve, Sequoia Capital, Elad Gil... son sólo algunos de los pesos pesados que se unen a la agenda de Disrupt 2025. Están aquí para ofrecer las ideas que impulsan el crecimiento de las startups y afinar su ventaja. No te pierdas el 20º aniversario de TechCrunch Disrupt y la oportunidad de aprender de las voces más destacadas del mundo de la tecnología. Consigue tu entrada ahora y ahorra hasta más de 600 $ antes de que suban los precios.

Los pesos pesados de la tecnología y el capital riesgo se unen a la agenda de Disrupt 2025

Netflix, ElevenLabs, Wayve, Sequoia Capital... son sólo algunos de los pesos pesados que se unirán a la agenda de Disrupt 2025. Están aquí para ofrecer las ideas que impulsan el crecimiento de las startups y afinar su ventaja. No se pierda el 20º aniversario de TechCrunch Disrupt y la oportunidad de aprender de las voces más destacadas del mundo de la tecnología: consiga su entrada ahora y ahorre hasta 675 $ antes de que suban los precios.

"Nuestro objetivo es identificar lo que tendrá el mayor impacto positivo para la empresa", afirma Dally. "Exploramos constantemente nuevas áreas apasionantes, pero con algunas es difícil predecir si lograremos un éxito salvaje, incluso con un trabajo excelente".

Durante un período significativo, ese enfoque se centró en la creación de GPU superiores para inteligencia artificial. Nvidia se anticipó al boom de la IA y empezó a desarrollar conceptos de GPU de IA en 2010, más de una década antes del frenesí actual.

"Reconocimos que esto era revolucionario y que cambiaría el mundo", recuerda Dally. "Teníamos que redoblar los esfuerzos. Jensen me creyó cuando se lo dije. Empezamos a especializar nuestras GPU para IA, a desarrollar un amplio software y a colaborar con investigadores de todo el mundo mucho antes de que su relevancia fuera obvia."

La IA física en el punto de mira

Ahora, con un liderazgo dominante en el mercado de GPU de IA, Nvidia está explorando nuevas áreas de demanda más allá de los centros de datos de IA, lo que les lleva a la IA física y la robótica.

"Los robots acabarán convirtiéndose en una industria global masiva, y nuestro objetivo es proporcionar los cerebros para todos ellos", afirma Dally. "Para lograrlo, necesitamos desarrollar las tecnologías básicas ahora".

Aquí es donde entra en escena Sanja Fidler, vicepresidenta de investigación de IA de Nvidia. Fidler se unió al laboratorio de investigación en 2018, aportando experiencia de su trabajo en modelos de simulación de robots con un equipo de estudiantes en el MIT. Cuando habló de su investigación con Huang en una recepción, este se sintió intrigado de inmediato.

"No pude resistirme a unirme", dijo Fidler a TechCrunch. El tema y la cultura encajaban a la perfección". La invitación de Jensen fue personal: 'ven a trabajar conmigo', no sólo para la empresa".

Se unió a Nvidia y estableció un laboratorio de investigación en Toronto centrado en Omniverse, una plataforma dedicada a construir simulaciones para IA física.

Fidler afirma que el primer gran reto fue conseguir los datos 3D necesarios. Esto implicaba encontrar volúmenes de imágenes suficientes y crear la tecnología para convertir estas imágenes en modelos 3D utilizables para los simuladores.

"Invertimos en una tecnología llamada renderizado diferenciable, que hace que el renderizado sea compatible con la IA", explicó Fidler. "El renderizado tradicional va del 3D a la imagen. Necesitábamos invertir ese proceso".

Modelos del mundo

Omniverse lanzó su primer modelo de imagen a 3D, GANverse3D, en 2021. A continuación, el equipo abordó el mismo proceso para vídeo. Utilizando imágenes de robots y coches autoconducidos, crearon modelos 3D y simulaciones a través del NeRF (Neural Reconstruction Engine), anunciado en 2022.

Fidler señaló que estas tecnologías constituyen la base de la familia Cosmos de modelos mundiales de IA de la empresa, presentada en CES en enero.

La prioridad actual del laboratorio es aumentar la velocidad de estos modelos. Para los robots y las simulaciones, los tiempos de respuesta deben ser en tiempo real, subrayó Fidler, y para la robótica, aspiran a una capacidad de reacción aún más rápida.

"Un robot no necesita percibir el mundo a la misma velocidad que nosotros", explica Fidler. "Puede procesar la información 100 veces más rápido. Acelerar significativamente estos modelos los hará inmensamente útiles para aplicaciones robóticas y de IA física."

La empresa está avanzando hacia este objetivo. En la conferencia de gráficos por ordenador SIGGRAPH celebrada el lunes, Nvidia anunció una nueva flota de modelos mundiales de IA para generar datos sintéticos con los que entrenar robots, junto con nuevas bibliotecas y software de infraestructura para desarrolladores de robótica.

A pesar de los avances -y del actual revuelo en torno a los robots, sobre todo los humanoides-, el equipo de investigación de Nvidia sigue siendo pragmático.

Tanto Dally como Fidler estiman que aún faltan varios años para que la industria pueda contar con robots humanoides domésticos, y Fidler compara los plazos con los de los vehículos autónomos.

"Estamos haciendo grandes progresos, y la inteligencia artificial ha sido el factor clave", afirma Dally. "Empezó con la IA visual para la percepción robótica, y ahora la IA generativa está demostrando ser enormemente valiosa para la planificación de tareas, la planificación del movimiento y la manipulación. A medida que resolvamos cada subproblema y se amplíen nuestros conjuntos de datos de entrenamiento, estos robots seguirán evolucionando".

Siempre estamos trabajando para mejorar. Compartir tu perspectiva y tus comentarios sobre la cobertura y los eventos de TechCrunch puede ayudarnos a evolucionar. Rellena esta encuesta para hacernos saber cómo lo estamos haciendo. ¡También tendrás la oportunidad de ganar un premio!