{"id":424,"date":"2026-09-05T22:00:48","date_gmt":"2026-09-06T01:00:48","guid":{"rendered":"https:\/\/www.linuxpro.com.br\/2026\/09\/como-funcionam-placas-de-video\/"},"modified":"2026-09-08T05:02:38","modified_gmt":"2026-09-08T08:02:38","slug":"como-funcionam-placas-de-video","status":"publish","type":"post","link":"https:\/\/www.linuxpro.com.br\/es\/2026\/09\/como-funcionam-placas-de-video\/","title":{"rendered":"C\u00f3mo funcionan las tarjetas de v\u00eddeo"},"content":{"rendered":"<p><img loading=\"lazy\" decoding=\"async\" alt=\"Mascote do LinuxPro encaixando placa de video no slot\" src=\"\/wp-content\/uploads\/2026\/09\/placas-de-video-v3.webp\" width=\"1052\" height=\"652\" \/><\/p>\n<p>Cu\u00e1ntos c\u00e1lculos realiza una tarjeta de v\u00eddeo por segundo para dibujar un fotograma de <em>Cyberpunk<\/em> o para entrenar una red? El canal <strong>Branch Education<\/strong> desmont\u00f3 una RTX 3090 \u2014 en sentido literal \u2014 y reconstruy\u00f3 el die <strong>GA102<\/strong> en 3D. Este texto sigue al v\u00eddeo <a href=\"https:\/\/www.youtube.com\/watch?v=h9Z4oGN89MU\">How do Graphics Cards Work? Exploring GPU Architecture<\/a>. La generaci\u00f3n Blackwell ya est\u00e1 en la calle; la lecci\u00f3n de arquitectura es la misma.<\/p>\n<p><!-- more --><\/p>\n<div style=\"position:relative;padding-bottom:56.25%;height:0;overflow:hidden;margin:1.5em 0\">\n<iframe src=\"https:\/\/www.youtube.com\/embed\/h9Z4oGN89MU\" title=\"How do Graphics Cards Work? Exploring GPU Architecture \u2014 Branch Education\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" allowfullscreen style=\"position:absolute;top:0;left:0;width:100%;height:100%;border:0\"><\/iframe>\n<\/div>\n<h2>Escala<\/h2>\n<p>Tres anclas del v\u00eddeo:<\/p>\n<ul>\n<li><em>Super Mario 64<\/em> (1996): ~<strong>100 millones<\/strong> de c\u00e1lculos por segundo.<\/li>\n<li><em>Minecraft<\/em> (2011): ~<strong>100 billones<\/strong>.<\/li>\n<li>RTX 3090: m\u00e1s de <strong>36 TFLOPS<\/strong>. La 4090, mencionada en el mismo v\u00eddeo, sube a <strong>82,58 TFLOPS<\/strong>.<\/li>\n<\/ul>\n<p>Si cada uno de los 8 mil millones de humanos hiciera una multiplicaci\u00f3n por segundo, faltar\u00edan unos 4.400 planetas Tierra para igualar una GPU de gama alta. El silicio cabe en una moneda.<\/p>\n<h2>La CPU es un jet, la GPU es un carguero<\/h2>\n<p>Ambos son procesadores. La filosof\u00eda es la opuesta:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">CPU  \u2014 jato\npoucos n\u00facleos (8\u201324) | lat\u00eancia baixa | cache L2\/L3 enorme\npreditor de desvio | controle flex\u00edvel | kernel, disco, rede\n\nGPU  \u2014 navio cargueiro\nmilhares de n\u00facleos (10.496 na 3090) | vaz\u00e3o (throughput)\ncontrole compartilhado | a mesma conta em milh\u00f5es de dados\n<\/code><\/pre>\n<p>La CPU despega y aterriza en miles de aeropuertos: tarea secuencial, impredecible. La GPU traslada decenas de miles de contenedores entre dos puertos fijos: millones de v\u00e9rtices, p\u00edxeles o pesos de red sufriendo la <em>misma<\/em> operaci\u00f3n. Es el mismo recorte del post <a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">GPU vs TPU<\/a> \u2014 aqu\u00ed el zoom es el die de consumo, no el acelerador de centro de datos.<\/p>\n<h2>Dentro del GA102 (Ampere)<\/h2>\n<p>La 3090 utiliza el <strong>GA102<\/strong>: Samsung 8 nm custom, <strong>28,3 mil millones<\/strong> de transistores, 628 mm\u00b2. Jerarqu\u00eda r\u00edgida:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">GA102\n  7 GPC  (Graphics Processing Clusters)\n    12 SM por GPC  \u2192  84 SM no sil\u00edcio inteiro\n      4 parti\u00e7\u00f5es \/ warp schedulers por SM\n        32 CUDA cores por parti\u00e7\u00e3o  (128 por SM)\n        1 Tensor Core por parti\u00e7\u00e3o  (4 por SM)\n      1 RT Core por SM\n\nGA102 cheio: 10.752 CUDA | 336 Tensor | 84 RT\n<\/code><\/pre>\n<p>Las tarjetas 3080 \/ 3080 Ti \/ 3090 \/ 3090 Ti salen de <em>mismo<\/em> proyecto. En la fotolitograf\u00eda, el polvo y los defectos de oblea matan un SM. En lugar de tirar 628 mm\u00b2, NVIDIA apaga el bloque con l\u00e1ser \u2014 <strong>binning<\/strong>:<\/p>\n<ul>\n<li><strong>3090 Ti:<\/strong> silicio perfecto, 10.752 CUDA.<\/li>\n<li><strong>3090:<\/strong> 10.496 (2 SM off).<\/li>\n<li><strong>3080 Ti:<\/strong> 10.240 (4 SM off).<\/li>\n<li><strong>3080:<\/strong> 8.704 (16 SM off).<\/li>\n<\/ul>\n<h2>El CUDA core es un FMA<\/h2>\n<p>Cada n\u00facleo CUDA tiene ~410 mil transistores. El circuito que importa es el <strong>FMA<\/strong> (Fused Multiply-Add), una operaci\u00f3n por ciclo de reloj:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">Resultado = A \u00d7 B + C\n<\/code><\/pre>\n<p>Es la columna vertebral de los gr\u00e1ficos 3D y de la IA: el mismo MAC de la <a href=\"\/es\/2026\/09\/o-que-e-uma-rede-neural\/\">neurona<\/a> y de <a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">Tensor Core \/ MXU<\/a>. En Ampere, la mitad de las rutas son FP32; la otra mitad hace FP32 o INT32 en el mismo ciclo. C\u00e1lculos m\u00e1s caros (divisi\u00f3n, ra\u00edz, seno, coseno) caen en las <strong>SFU<\/strong> : solo 4 por SM.<\/p>\n<h2>GDDR6X, PAM-4 y el PAM-3 de la GDDR7<\/h2>\n<p>Miles de n\u00facleos sin datos se quedan parados. La RAM de la CPU (DDR4\/DDR5) va por un bus de 64 bits, unos 50\u201380 GB\/s. La 3090 lleva <strong>24 GB de GDDR6X<\/strong> (Micron) en un bus de <strong>384 bits<\/strong>, ~<strong>936 GB\/s<\/strong> (el v\u00eddeo redondea a 1 TB\/s).<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">CPU + DDR5          GPU + GDDR6X\nbarramento 64-bit   barramento 384-bit\n~60 GB\/s            ~1 TB\/s\ncaminh\u00e3o de entrega porto de cont\u00eaineres\n<\/code><\/pre>\n<p>El ordenador no es solo 0 y 1 en las pistas. Para no duplicar el reloj (calor, ruido):<\/p>\n<ul>\n<li><strong>PAM-4 (GDDR6X):<\/strong> cuatro niveles de tensi\u00f3n. Cada s\u00edmbolo transporta 2 bits (<code data-no-translation=\"\">00<\/code>, <code data-no-translation=\"\">01<\/code>, <code data-no-translation=\"\">10<\/code>, <code data-no-translation=\"\">11<\/code>).<\/li>\n<li><strong>PAM-3 (GDDR7):<\/strong> tres estados (\u22121, 0, +1). Codifica 3 bits en 2 d\u00edgitos ternarios \u2014 decodificador m\u00e1s simple, m\u00e1s tolerancia al ruido, menos energ\u00eda.<\/li>\n<\/ul>\n<h2>SIMD, el sombrero de cowboy y el \u201cembarrassingly parallel\u201d<\/h2>\n<p>Dise\u00f1ar un mundo 3D es un problema <strong>embarazosamente paralelo<\/strong>: casi no cuesta dividirlo en miles de trozos independientes. La gorra del v\u00eddeo tiene ~14.000 v\u00e9rtices (X, Y, Z) y 28.000 tri\u00e1ngulos:<\/p>\n<ol>\n<li><strong>Model space:<\/strong> v\u00e9rtices en el origen del objeto (0, 0, 0).<\/li>\n<li><strong>World space:<\/strong> traslaci\u00f3n, rotaci\u00f3n, escala \u2014 cada v\u00e9rtice \u00d7 matriz 4\u00d74.<\/li>\n<li>Cena con 5.000 objetos y ~8 millones de v\u00e9rtices: la <em>misma<\/em> instrucci\u00f3n sobre millones de n\u00fameros. Esto es <strong>SIMD<\/strong> (Single Instruction, Multiple Data).<\/li>\n<\/ol>\n<h2>De SIMD a SIMT \u2014 y de d\u00f3nde vino el \u201cwarp\u201d<\/h2>\n<p>Hasta ~2016 el warp de 32 hilos marchaba en lockstep, falange griega. En el SIMT moderno cada hilo tiene su propio program counter y registros. Un <code data-no-translation=\"\">if\/else<\/code> que parte el warp por la mitad (<strong>warp divergence<\/strong>) no bloquea el SM entero: los dos caminos avanzan y luego se reconcilian en la L1 de 128 KB por SM.<\/p>\n<p>El nombre <strong>warp<\/strong> no vino de la <em>Star Trek<\/em>. Vino del tejido: el telar de Jacquard (1804) eleg\u00eda los hilos de la urdimbre (<em>warp threads<\/em>) en paralelo, con tarjeta perforada.<\/p>\n<p>O <strong>GigaThread Engine<\/strong> distribuye los bloques de hilos entre los SM libres. Es el despachador que hace que 10 mil n\u00facleos parezcan un \u00fanico programa.<\/p>\n<h2>SHA-256, ASIC y Tensor Core<\/h2>\n<p>La misma m\u00e1quina sirve para m\u00e1s que juegos.<\/p>\n<p><strong>Miner\u00eda de Bitcoin.<\/strong> Cada intento de SHA-256 (nonce diferente) es independiente del anterior. La 3090 generaba ~95 millones de hashes\/s. Un ASIC dedicado supera los 250 billones\/s: cuchara frente a excavadora. La GPU para Bitcoin muri\u00f3.<\/p>\n<p><strong>Tensor Cores y DLSS.<\/strong> En lugar de escalar par a par, el Tensor Core hace matrices enteras en coma flotante mixta en una sola instrucci\u00f3n:<\/p>\n<pre data-no-translation=\"\"><code class=\"language-text\" data-no-translation=\"\">D = A \u00d7 B + C\n<\/code><\/pre>\n<p>Es la base de las redes neuronales y los transformers en silicio de consumo \u2014 el mismo MatMul que la entrada del blog <a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">GPU vs TPU<\/a> sit\u00faa en la MXU sist\u00f3lica de la TPU, y que el curso intensivo de <a href=\"\/es\/2026\/09\/deep-learning-para-iniciantes\/\">deep learning<\/a> trata como la cuenta del entrenamiento. En Linux, el atajo pr\u00e1ctico para usar esa cuenta sin comprar un cl\u00faster es el <a href=\"\/es\/2026\/09\/rodando-ia-local-no-linux-com-ollama\/\">Ollama<\/a>.<\/p>\n<h2>Referencias<\/h2>\n<ul>\n<li><a href=\"https:\/\/www.youtube.com\/watch?v=h9Z4oGN89MU\">Branch Education \u2014 C\u00f3mo funcionan las tarjetas gr\u00e1ficas?<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/gpu-vs-tpu-como-funcionam-chips-ia\/\">GPU vs TPU: c\u00f3mo funcionan los chips de IA<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/o-que-e-uma-rede-neural\/\">\u00bfQu\u00e9 es una red neuronal?<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/deep-learning-para-iniciantes\/\">Deep Learning para principiantes<\/a><\/li>\n<li><a href=\"\/es\/2026\/09\/rodando-ia-local-no-linux-com-ollama\/\">IA local en Linux con Ollama<\/a><\/li>\n<\/ul>\n<p>La tarjeta gr\u00e1fica no son \u201cmiles de peque\u00f1as CPUs\u201d. Es un puerto: FMA en masa, memoria demasiado ancha para la DDR de la CPU y un despachador (GigaThread) que solo funciona mientras el problema se parte por s\u00ed solo. Branch Education mostr\u00f3 el puerto por dentro. El resto, DLSS, LLM, miner\u00eda muerta, es el mismo barco con carga diferente.<\/p>","protected":false},"excerpt":{"rendered":"<p>Quantos c\u00e1lculos uma placa de v\u00eddeo faz por segundo para desenhar um frame de Cyberpunk ou para treinar uma rede? O canal Branch Education desmontou uma RTX 3090 \u2014 no sentido literal \u2014 e reconstruiu o die GA102 em 3D. Este texto segue o v\u00eddeo How do Graphics Cards Work? Exploring GPU Architecture. A gera\u00e7\u00e3o &#8230; <a title=\"C\u00f3mo funcionan las tarjetas de v\u00eddeo\" class=\"read-more\" href=\"https:\/\/www.linuxpro.com.br\/es\/2026\/09\/como-funcionam-placas-de-video\/\" aria-label=\"Leer m\u00e1s sobre Como funcionam as placas de v\u00eddeo\">Leer m\u00e1s<\/a><\/p>","protected":false},"author":0,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[115,2],"tags":[153,134,116,152],"class_list":["post-424","post","type-post","status-publish","format-standard","hentry","category-ia","category-linux","tag-cuda","tag-gpu","tag-ia","tag-nvidia"],"_links":{"self":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/424","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/types\/post"}],"replies":[{"embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/comments?post=424"}],"version-history":[{"count":2,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/424\/revisions"}],"predecessor-version":[{"id":1126,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/posts\/424\/revisions\/1126"}],"wp:attachment":[{"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/media?parent=424"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/categories?post=424"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.linuxpro.com.br\/es\/wp-json\/wp\/v2\/tags?post=424"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}