Resumen en vídeo: este artículo es un resumen detallado del vídeo “AMD Beats Nvidia On Every Spec And Still Loses”, del canal The Stack.
URL del vídeo: https://www.youtube.com/watch?v=bOHhUVSDmrw
Sobre el papel, la disputa ni siquiera debería existir: el acelerador AMD MI300X incorpora 192 GB de memoria frente a los 80 GB del Nvidia H100, mueve 5,3 TB/s de ancho de banda y entrega 1,31 petaflop — gana línea por línea en la hoja de datos. La propia AMD subió la apuesta en un anuncio oficial: el Instinct MI325X supera al H200, exactamente el chip que la industria hacía cola para comprar. Aun así, Nvidia cerró 2025 con 92% del mercado de GPUs corporativas — de cada 100 GPUs en racks de servidor, 92 son verdes. El vídeo de The Stack disecciona por qué mejores especificaciones pierden frente a efectos de red — y la respuesta no está en el silicio, está en el software.
El foso se llama CUDA
Quien compra un cluster de decenas de millones de dólares no compra un chip — compra compatibilidad. Nvidia lanzó el CUDA en 2007, cuando la GPU para computación general todavía era una apuesta rara. Casi veinte años después, esa apuesta se convirtió en el foso de castillo más efectivo de la industria: PyTorch, TensorFlow y JAX — los tres frameworks que sustentan la IA moderna — asumen CUDA por defecto. El resultado: aproximadamente 90% de todas las cargas de trabajo de entrenamiento de IA se ejecutan en Nvidia.
La respuesta de AMD, ROCm, llegó solo en 2016 — con nueve años de retraso. En hardware, perder una ventana cuesta un ciclo de producto; en software, nueve años es una era geológica: es el tiempo que tarda el incumbente en dictar cómo una generación entera de ingenieros aprende a programar, cómo enseñan las universidades y cómo se construye el conjunto de herramientas a su alrededor. Y cuenta con la gravedad de la base instalada: con la mitad del parque mundial de chips de IA en silicio de Nvidia, cada truco de optimización y cada proyecto de fin de semana en GitHub nace probado en la arquitectura que el desarrollador tiene en sus manos, lo que hace que la plataforma sea aún más segura para el próximo comprador, que engorda la base de nuevo. Es el ciclo que se retroalimenta.
La hidra de tres cabezas
Los analistas describen la ventaja estructural de Nvidia como una hidra de tres cabezas: el chip es solo una de ellas. La segunda es la capa de red que cose miles de GPUs en un único clúster (NVLink, InfiniBand); la tercera es el conjunto de software sobre todo ello. Un competidor que empate en potencia de cómputo todavía necesita vencer las otras dos cabezas — y ahí es donde la cuenta no cuadra.
Cinco meses de benchmarks, y el veredicto duele
La parte más contundente viene de SemiAnalysis, que pasó cinco meses probando el hardware de AMD con apoyo directo de ingenieros de ambos fabricantes — es decir, dándole a AMD todas las oportunidades de optimizar. La conclusión: el silicio es rápido como se anunció, pero la pila de software está tan “riddled with bugs” que el tiempo ganado en el hardware se evaporaba cazando errores extraños, convirtiendo a ingenieros carísimos en soporte técnico a tiempo completo. El veredicto publicado fue seco: el foso de CUDA todavía no ha sido cruzado por AMD. Comprar el chip más potente sale caro cuando el coste real está en las horas de personal cualificado apagando incendios.
Atacando el foso por abajo
Si el problema es el software, el software se arregla, pero reescribir código solo resuelve la mitad de la ecuación; la otra mitad es el hábito acumulado de veinte años. Dos frentes atacan exactamente eso:
- SCALE (Spectral Compute) — capa de compatibilidad que toma tus binarios CUDA sin ninguna modificación y los ejecuta en GPU AMD. La traducción ocurre en tiempo de compilación: PyTorch cree que habla con un chip de Nvidia mientras un MI300X hace el cálculo por debajo. Nada de migrar el modelo, mantener dos bases de código o reentrenar al equipo
- CANN (Huawei) — el toolkit de los aceleradores Ascend, abierto en agosto de 2025 precisamente para comprobar si regalar el stack vence la memoria muscular de los desarrolladores
Si “ejecutar CUDA en cualquier parte” se convierte en una realidad fiable, la barrera deja de proteger el castillo: es la misma jugada que Wine/Proton hizo con los juegos de Windows en Linux.
El mercado ya se agrieta — pero no para AMD
El dominio de Nvidia cayó desde el pico de 87% para una proyección de 75% en 2026 — 12 puntos del sector del hardware más lucrativo del planeta buscando nueva dirección. La trampa: quien se lleva la diferencia no es AMD. Incluso con un trimestre de US$ 5,8 billones en centros de datos, su volumen no explica el agujero en la hoja de cálculo. Quien lo explica son los chips propios de Google (TPU), Meta, Amazon y Microsoft, creciendo 44,6% al año frente a 16,1% de las GPUs comerciales.
Y el chip casero tiene una ventaja desleal en el apartado de software: solo necesita ejecutar los modelos internos de la propia empresa. No necesita soportar PyTorch para el mundo, ni convencer al mercado global de cambiar de hábitos: el público objetivo es un único edificio, y los ingenieros internos optimizan la pila cerrada e ignoran el ecosistema. La verdadera amenaza para Nvidia no es la competencia de siempre, sino sus mayores clientes dejando de ser clientes.
La lección para quien construye
La moraleja del vídeo sirve para cualquier capa de la infraestructura: el ecosistema gana a la especificación. Un fallo se corrige con un parche; pedir a todo un departamento que cambie las herramientas que domina es más difícil que firmar el cheque de la plataforma en la que ya confía. Vale para la GPU, vale para el lenguaje, vale para la nube: quien ya ha migrado de distro lo sabe: el coste nunca es el kernel, es todo lo que se ha construido a su alrededor. Para los del mundo Linux hay un lado bueno: ROCm, CANN y SCALE son apuestas abiertas contra un monopolio propietario, y es en el pingüino donde se está librando toda esa batalla: prácticamente todo el entrenamiento de IA del planeta corre en Linux, ya sea el chip verde, rojo o casero.
Merece los 17 minutos del vídeo original — y si ejecutas IA local en tu hardware, la entrada Ejecutando IA local en Linux con Ollama es el complemento práctico.