OpenAI presenta GPT-5.3-Codex-Spark basado en chips de Cerebras en lugar de Nvidia

# OpenAI abandona Nvidia. ¿Qué significa esto para el futuro de la inteligencia artificial?

En la historia de los grandes modelos de lenguaje ha llegado un momento que muchos consideraban imposible. OpenAI presentó GPT-5.3-Codex-Spark — el primer modelo insignia de la empresa que fue entrenado e implementado no en procesadores gráficos Nvidia, sino en chips alternativos Wafer Scale Engine 3 de Cerebras Systems. Este paso revela no solo un logro técnico, sino un punto de quiebre en la economía de la inteligencia artificial y en la lucha por la independencia de las empresas más poderosas de la industria.

Durante los últimos cinco años, Nvidia ha establecido un control casi monopolista en el mercado de aceleradores para entrenamiento de redes neuronales. Cuando quedó claro que las arquitecturas transformer requerían una enorme potencia computacional, todos los grandes laboratorios — desde OpenAI hasta Meta y Google — apostaron por sus GPUs. Pero la dependencia de un único proveedor conlleva riesgo. Restricciones de exportación a China, escasez de chips, precios crecientes — todo esto presionaba a las empresas que intentaban escalar sus modelos. OpenAI sufrió en silencio junto con todos, pero ahora ha decidido actuar.

Cerebras Systems propuso un enfoque inusual. En lugar de crear miles de pequeños procesadores, la empresa diseñó la WSE-3 — un cristal de silicio monolítico del tamaño de una oblea completa, imposible de montar en un zócalo estándar. No es simplemente un chip, sino una mini-granja completa en un único pedazo de silicio, que contiene más de 900,000 núcleos. Parece que esta solución iba contra los principios de modularidad, pero fue precisamente esto lo que permitió a Cerebras evitar los cuellos de botella en la transferencia de datos entre procesadores individuales — el principal enemigo del entrenamiento paralelo.

Cuando OpenAI probó el entrenamiento de GPT-5.3-Codex-Spark en la WSE-3, los resultados fueron inesperados. La velocidad de convergencia del modelo se mantuvo al nivel del entrenamiento en Nvidia H100, pero requería menos sincronización y movimiento de datos entre aceleradores. En otras palabras, esas horas de tiempo de inactividad de red que la empresa desperdiciaba antes ahora pueden utilizarse para computación útil. Esto significa más barato. Esto significa más rápido.

Pero lo principal no son las cifras técnicas, sino el significado estratégico. OpenAI ha demostrado que existe una alternativa a Nvidia y que los grandes modelos pueden entrenarse en chips que no sean los suyos. Este es el primer desafío serio al monopolio, y el mercado ya está reaccionando. Otras empresas — Intel con su Gaudi, AMD con EPYC y MI300, incluso Google con TPU — ahora saben que existe una ventana de oportunidad. Si OpenAI puede reentrenas un modelo en hardware nuevo y lograr resultados comparables, ellas también pueden hacerlo.

La economía de la inteligencia artificial cambiará, pero no instantáneamente. Cerebras actualmente no puede producir WSE-3 en los volúmenes que Nvidia produce H100. Reconstruir infraestructura, reescribir código para optimizarlo a la nueva arquitectura — todo esto requerirá tiempo. Sin embargo, se ha hecho un comienzo. En los próximos dos o tres años, probablemente veremos diseños de aceleradores más extravagantes, experimentación más activa con chips neuromórficos y computadoras cuánticas. Nvidia seguirá siendo un jugador poderoso, pero ya no el único.

Para los usuarios ordinarios de ChatGPT, esto prácticamente no cambiará nada — el modelo sigue siendo el mismo, sus capacidades sin cambios. Pero para la industria, la diferencia es enorme. OpenAI ha probado que la gran inteligencia puede construirse de manera diferente, y que en la carrera por el hardware, el éxito pertenece no a quienes llegaron primero, sino a quienes piensan más rápido.