Rubin ofrece 50 PFLOPS por chip y TPU 8t, 12,6, pero Google gana por escala
Nvidia y Google fabrican chips para IA. Según los datos de especificaciones, un Nvidia Rubin ofrece hasta 50 PFLOPS (50 mil billones de operaciones por segundo) y un Google TPU 8t, 12,6, es decir, unas 4 veces menos. Pero Google compensa con volumen: un solo superpod (un clúster enorme) reúne 9 600 chips TPU 8t, mientras que un rack de Nvidia aloja 72 GPU. Los laboratorios no compran chips, sino un token barato, así que conviene comparar el precio por millón de tokens con la carga de trabajo propia y no el pico que figura en la hoja de datos.
Procesado por IA desde X: @ZeeshhDecodes; editado por Hamidun News
Cada vez que sale un nuevo acelerador para IA, internet se pone a comparar tablas: quién tiene más PFLOPS (mil billones de operaciones por segundo). El autor del canal AI Decoded (@ZeeshhDecodes) comparó Nvidia Rubin con Google TPU 8t. Según el pico declarado, un Rubin ofrece 50 PFLOPS y un TPU 8t, 12,6, es decir, Nvidia es unas 4 veces más rápida.
Pero Google responde con la escala: en un superpod (un clúster interconectado) de TPU 8t hay 9 600 chips, mientras que en un rack de Nvidia caben 72 GPU. Para usted, esto significa que no tiene sentido elegir una nube por la cifra de un solo chip: lo que hay que calcular es el precio del token, es decir, lo que cuesta cada fragmento de texto que el modelo entrega al usuario.
Qué muestran las cifras por chip
El autor se apoya en las páginas de especificaciones. Nvidia Rubin se anuncia con un pico de 50 PFLOPS por chip. Google TPU 8t figura con 12,6 PFLOPS. Si un laboratorio comprara un único acelerador y lo pusiera sobre la mesa, la elección sería obvia: en un duelo de chip contra chip, Nvidia sigue ganando, y el autor lo reconoce con honestidad.
Pero estos chips no se usan sueltos sobre una mesa. Los modelos grandes se entrenan y se sirven con cientos y miles de aceleradores conectados entre sí, y ahí el panorama cambia.
Dónde recupera terreno Google
Según el post, un superpod de TPU 8t agrupa 9 600 chips y un rack de Nvidia aloja 72 GPU. Si se multiplican a grandes rasgos los valores pico, salen unos 121 000 PFLOPS (aproximadamente 121 EFLOPS) por superpod frente a 3 600 PFLOPS (3,6 EFLOPS) por rack. La comparación no es del todo justa: el superpod es una unidad completa de infraestructura y el rack es solo una parte de ella. Aun así, refleja la lógica de Google: no ganar a Nvidia en un solo chip, sino montar un sistema muy grande y cohesionado y competir en precio.
El autor lo resume así: Google juega con la escala y el precio. Su chip es más débil, pero hay muchos y son propios, sin el sobreprecio de un proveedor externo. El punto fuerte de Nvidia es la densidad de cómputo: 72 GPU potentes en un solo rack.
Por qué importa el coste del token
La tesis principal del post es que los laboratorios no compran chips, compran coste por token. Esta es la unidad en la que cuentan el dinero quienes venden acceso a un modelo o lo ejecutan en producción. A grandes rasgos, se calcula así: el precio del hardware y de su alquiler por hora, más la electricidad y la refrigeración, más la red, divididos entre el número de tokens que el sistema generó realmente en esa hora.
Los PFLOPS pico dicen poco sobre todo esto:
- Utilización real. El pico sobre el papel casi nunca se alcanza: pesan mucho la memoria, la red entre chips y la calidad del stack de software.
- Formato de cómputo. Los valores pico dependen de la precisión (por ejemplo, FP8 o FP4). El post no lo aclara, así que 50 y 12,6 no pueden considerarse plenamente comparables sin contrastarlos con la documentación.
- Precio de compra y energía. Un chip cuatro veces más débil, pero bastante más barato y eficiente en consumo, puede producir el token a menor coste.
- Software. Las herramientas habituales a menudo pesan más que unos PFLOPS de más.
Qué hacer en la práctica
Si está eligiendo una nube o un proveedor de inferencia, no compare el pico teórico. Ejecute su propio modelo con su longitud de contexto y su tráfico real, y después calcule el precio por millón de tokens y la latencia de respuesta. Es posible que en Nvidia vaya más rápido y en TPU salga más barato. Solo lo decidirá la medición con su propia carga de trabajo.
Si la economía de su producto depende de un token barato, atarse a un solo bando es un riesgo, y conviene probar ambas plataformas.
Limitaciones
Es una breve opinión de autor en una red social, no un benchmark independiente. Las cifras proceden de páginas de especificaciones, es decir, son un pico declarado y no una velocidad medida de entrenamiento o inferencia. El post no incluye el coste real del token para Rubin ni para TPU 8t, y es precisamente ese dato el que decide la disputa.
- 19 nov 2026Q.ANT y AMD ejecutan un LLM de 1 mil millones de parámetros con un chip óptico en lugar de la atención
- 19 nov 2026La palabra «videojuego» elevó la disposición de GPT-6 Astra a elegir objetivos del 6% al 92%
- 19 nov 2026AWS añade a SageMaker un ranking de más de 70 modelos: calidad, velocidad y precio en una sola tabla
- 18 nov 2026Huang deja el cargo de CEO de NVIDIA y la compañía pierde más de $1 billón en capitalización
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué muestran las cifras por chip?
El autor se apoya en las páginas de especificaciones. Nvidia Rubin se anuncia con un pico de 50 PFLOPS por chip. Google TPU 8t figura con 12,6 PFLOPS. Si un laboratorio comprara un único acelerador y lo pusiera sobre la mesa, la elección sería obvia: en un duelo de chip contra chip, Nvidia sigue ganando, y el autor lo reconoce con honestidad. Pero estos chips no se usan sueltos sobre una mesa.
Dónde recupera terreno Google?
Según el post, un superpod de TPU 8t agrupa 9 600 chips y un rack de Nvidia aloja 72 GPU. Si se multiplican a grandes rasgos los valores pico, salen unos 121 000 PFLOPS (aproximadamente 121 EFLOPS) por superpod frente a 3 600 PFLOPS (3,6 EFLOPS) por rack. La comparación no es del todo justa: el superpod es una unidad completa de infraestructura y el rack es solo una parte de ella.
¿Qué se sabe sobre Por qué importa el coste del token?
La tesis principal del post es que los laboratorios no compran chips, compran coste por token. Esta es la unidad en la que cuentan el dinero quienes venden acceso a un modelo o lo ejecutan en producción. A grandes rasgos, se calcula así: el precio del hardware y de su alquiler por hora, más la electricidad y la refrigeración, más la red, divididos entre el número de tokens que el sistema generó realmente en esa hora. Los PFLOPS pico dicen poco sobre todo esto: Utilización real.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.