Nvidia anuncia Rubin HPC: más de 50 000 núcleos CUDA, casi 2,5 veces más que la RTX 5090
Nvidia ha anunciado Rubin HPC, un acelerador para cálculo científico: previsión climática, resistencia de estructuras, análisis del genoma y evaluación de riesgos financieros. Tiene más de 50 000 núcleos CUDA (bloques de cálculo individuales), casi 2,5 veces más que la tarjeta de juego RTX 5090. Pero el número de núcleos no permite estimar el rendimiento: Nvidia todavía no ha revelado la memoria ni el consumo energético. Llegará en 2028, así que es una referencia para planificar, no un motivo para comprar.
Procesado por IA desde 3DNews AI; editado por Hamidun News
Nvidia ha anunciado Rubin HPC, una unidad de procesamiento gráfico para la computación de alto rendimiento clásica (HPC, por sus siglas en inglés de high-performance computing): simulaciones climáticas, cálculos de resistencia de estructuras, análisis de genomas y evaluación de riesgos financieros. Tiene más de 50 000 núcleos CUDA, que son los bloques de cálculo individuales del chip gráfico de Nvidia. Es casi 2,5 veces más que la tarjeta gráfica de consumo GeForce RTX 5090, la que suele tomarse como referencia de una "gran" tarjeta de consumo.
Lo esencial que hay que saber: el número de núcleos indica escala, no velocidad, y Nvidia todavía no ha revelado ni la memoria, ni el consumo energético, ni el precio. Se espera que llegue en 2028.
Qué se ha anunciado exactamente
Rubin HPC formará parte de la plataforma Vera Rubin, pero, según Nvidia, está orientado no tanto al entrenamiento y la ejecución de modelos de IA como a tareas científicas e ingenieras complejas. Entre los campos de aplicación, la compañía menciona la simulación climática y de ingeniería, el análisis genómico, la evaluación de riesgos financieros y el análisis de grandes volúmenes de datos. Son tareas en las que las mismas operaciones se repiten miles de millones de veces sobre enormes conjuntos de números.
La comparación con la RTX 5090 es más bien de marketing. Sirve para dar una idea de escala: el acelerador tiene más de 50 000 núcleos, mientras que la tarjeta de consumo tiene unas 2,5 veces menos. Pero la velocidad real depende también del volumen y el ancho de banda de la memoria, así como del rendimiento en cálculos FP32 y FP64, es decir, con precisión simple y doble, sobre los que descansa buena parte de las simulaciones científicas. Esas cifras todavía no existen.
Por qué acelerar los datos dispersos
Una de las características clave es la tecnología de aceleración del procesamiento de datos dispersos (sparse data acceleration). Los datos dispersos son tablas y matrices en las que casi todos los valores son nulos o irrelevantes. Imagine la tabla de horarios de todos los vuelos del mundo: solo está rellena una pequeña parte de las celdas. Si el procesador recorre con paciencia las celdas vacías, malgasta tiempo.
Según la descripción de Nvidia, la tecnología debe alimentar de datos los núcleos de cálculo con más eficiencia, para que pasen menos tiempo inactivos esperando información. En los cálculos científicos, esto suele ser más importante que el número de núcleos: miles de unidades de cálculo no sirven de nada si los datos no les llegan a tiempo.
Para el intercambio de datos entre varias GPU se prevé la compatibilidad con interconexión de séptima generación, un enlace punto a punto de alta velocidad. Es necesario cuando una tarea no cabe en una sola tarjeta y los chips tienen que intercambiar resultados intermedios.
La parte de software y los agentes de IA
Rubin HPC funcionará con las bibliotecas CUDA-X de Nvidia, conjuntos de algoritmos optimizados para el cálculo científico y el análisis. Nvidia señala por separado que los agentes de IA podrán utilizarlas para realizar simulaciones y verificar hipótesis. El esquema es claro: el agente formula una suposición, envía el cálculo al acelerador, recibe el resultado y decide qué comprobar después, sin la participación constante de una persona.
Lo que todavía se desconoce
La lista de lo desconocido es más larga que la de datos confirmados. Nvidia no ha revelado:
- el número exacto de núcleos CUDA (solo se ha dicho "más de 50 000");
- el volumen de memoria de vídeo y su ancho de banda;
- el consumo energético;
- el rendimiento en FP32 y FP64;
- el coste del acelerador y las configuraciones de sistemas basados en él;
- los nombres de los socios de fabricación.
Por eso, las comparaciones con los aceleradores actuales aún son prematuras.
Qué significa en la práctica
Para los desarrolladores de software científico y para los equipos que calculan modelos de ingeniería o financieros, hay dos puntos a tener en cuenta. Primero, Nvidia mantiene una línea propia para el HPC y no reduce todo a aceleradores de IA, por lo que la inversión en CUDA-X sigue teniendo sentido. Segundo, el trabajo con datos dispersos se convierte en una prioridad de hardware: si sus algoritmos saben aprovechar estas estructuras, probablemente sacarán más partido de la nueva generación.
Planificar el presupuesto a partir de una sola cifra de núcleos es prematuro. Espere a los datos de memoria, FP64 y consumo energético: son ellos los que mostrarán si Rubin HPC supone un avance real para la computación científica o se queda en una línea de la presentación.
- 21 nov 2026Nvidia duplicó sus beneficios, pero sus acciones cayeron un 2% por la búsqueda de un nuevo consejero delegado
- 21 nov 2026Nous Research reentrenó Qwen3.8 y la propaganda en sus respuestas bajó del 22% al 1%
- 21 nov 2026Samsung quiere comprar Modine, proveedor de refrigeración para centros de datos, por casi 6000 millones de dólares
- 21 nov 2026Reuters: los proyectos de IA en China por 3.200 millones de dólares dependen de los chips de Nvidia, y Huang deja la compañía
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué se ha anunciado exactamente?
Rubin HPC formará parte de la plataforma Vera Rubin, pero, según Nvidia, está orientado no tanto al entrenamiento y la ejecución de modelos de IA como a tareas científicas e ingenieras complejas. Entre los campos de aplicación, la compañía menciona la simulación climática y de ingeniería, el análisis genómico, la evaluación de riesgos financieros y el análisis de grandes volúmenes de datos. Son tareas en las que las mismas operaciones se repiten miles de millones de veces sobre enormes conjuntos de números.
¿Qué se sabe sobre Por qué acelerar los datos dispersos?
Una de las características clave es la tecnología de aceleración del procesamiento de datos dispersos (sparse data acceleration). Los datos dispersos son tablas y matrices en las que casi todos los valores son nulos o irrelevantes. Imagine la tabla de horarios de todos los vuelos del mundo: solo está rellena una pequeña parte de las celdas. Si el procesador recorre con paciencia las celdas vacías, malgasta tiempo.
¿Qué se sabe sobre La parte de software y los agentes de IA?
Rubin HPC funcionará con las bibliotecas CUDA-X de Nvidia, conjuntos de algoritmos optimizados para el cálculo científico y el análisis. Nvidia señala por separado que los agentes de IA podrán utilizarlas para realizar simulaciones y verificar hipótesis. El esquema es claro: el agente formula una suposición, envía el cálculo al acelerador, recibe el resultado y decide qué comprobar después, sin la participación constante de una persona.
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.