Jensen Huang

Una vida en ingeniería, espíritu emprendedor e inteligencia artificial

De la infancia en Asia al liderazgo de NVIDIA. Una biografía basada en la evidencia [Evidence based biography] y una comparación crítica con Steve Jobs

Edición en español. Cierre de la investigación [Research cut off] 11 de noviembre de 2026

Contenido

Introducción

Comprender a la persona detrás de la plataforma [Platform]

La importancia de Jensen Huang reside en un cambio que ayudó a hacer posible: las computadoras diseñadas para dibujar imágenes se convirtieron en máquinas capaces de ayudar a los investigadores a entrenar inteligencia artificial [Artificial intelligence]. La empresa que cofundó en 1993 pasó de ser una incierta empresa emergente de gráficos [Graphics start-up] a un proveedor central de la infraestructura [Infrastructure] detrás de la IA [AI] moderna. Ese logro merece un examen detallado. No requiere una historia en la que él conociera el futuro, actuara solo o nunca cometiera un error.

Este libro sigue su vida desde la infancia en Asia a través de la migración, la educación, el empleo como ingeniero, el espíritu emprendedor [Entrepreneurship] y la expansión de NVIDIA. Considera la familia y las instituciones que moldearon sus oportunidades, los colegas y socios que hicieron posible la empresa, y las decisiones difíciles que cambiaron repetidamente su rumbo. También plantea una pregunta que se ha vuelto cada vez más tentadora a medida que crecía su perfil público: ¿se puede llamar razonablemente a Jensen Huang un Steve Jobs viviente?

La respuesta que aquí se desarrolla es matizada. Ambos hombres combinaron tecnología, convicción a largo plazo y una capacidad inusual para explicar un futuro que otras personas aún no veían con claridad. Ambos quedaron estrechamente identificados con sus empresas. Pero Huang no es un reemplazo de Jobs. Su formación como ingeniero, la continuidad de su liderazgo, sus clientes empresariales [Business customers] y su enfoque para construir una plataforma de computación [Computing platform] lo distinguen del cofundador de Apple. La comparación es útil cuando identifica comportamientos concretos. Se vuelve engañosa cuando convierte a dos personas complejas en símbolos intercambiables.

Una vida que aún se vive no puede tener un capítulo final definitivo. Esta edición cierra el 11 de noviembre de 2026. Las cifras financieras, los cargos, las declaraciones del consejo [Board statements] y los anuncios de productos se presentan con fecha en lugar de tratarse como hechos permanentes. Los relatos retrospectivos se identifican como recuerdos cuando corresponde. La descripción que una empresa hace de su propia tecnología es evidencia valiosa de lo que anunció, pero no es una prueba independiente de cada afirmación de rendimiento [Performance claim].

Tampoco es una biografía novelada. No hay conversaciones inventadas, pensamientos privados ni escenas reconstruidas presentados como hechos. La información familiar documentada públicamente se incluye cuando ayuda a explicar la vida. Las edades no verificadas, los motivos especulativos y los detalles sensacionalistas no se vuelven verdaderos por repetición. El objetivo es un relato legible que un emprendedor, un estudiante o un profesional de la tecnología pueda usar sin tener que separar la admiración de la exageración en cada página.

1 Una infancia a través de fronteras

Taiwán, Tailandia y una decisión familiar

Jen-Hsun Huang, ampliamente conocido como Jensen Huang, nació el 17 de febrero de 1963 en Taiwán. Los relatos han diferido sobre la ciudad de nacimiento: algunos perfiles anteriores señalaban Tainan y reportajes posteriores, Taipéi. Taiwán es el punto de partida geográfico seguro. La distinción importa porque una biografía no debe convertir silenciosamente un detalle repetido en una certeza. [1]

Su infancia cruzó fronteras nacionales mucho antes que su carrera. La familia vivió en Taiwán y luego en Tailandia. En su conversación con Condoleezza Rice, Huang recordó que su padre se mudó a Tailandia para ayudar a poner en marcha una refinería de petróleo [Oil refinery]. Describió a su padre como ingeniero y a su madre como empleada de servicio en una escuela católica después de que la familia se mudara a Estados Unidos. Estos son sus recuerdos públicos, no un registro laboral reconstruido de forma independiente. Sus padres querían oportunidades educativas para sus hijos, y los niños se fueron a Estados Unidos antes de que sus padres completaran la mudanza. En entrevistas posteriores, Huang ha vinculado esa separación con las esperanzas de sus padres para sus hijos. [2]

La historia de la migración suele reducirse a una breve secuencia motivacional: un niño inmigrante pobre llega, trabaja duro y se convierte en multimillonario. Semejante secuencia oculta la mayor parte de lo que hizo posible el viaje. Los niños no eligen sistemas de inmigración, tipos de cambio, admisiones escolares ni la disposición de los parientes a recibirlos. Los padres toman decisiones trascendentales con información incompleta. Un niño hereda tanto la oportunidad como la incertidumbre creadas por esas decisiones.

Para Huang, moverse entre países también significó moverse entre idiomas y expectativas. El desafío práctico no era simplemente aprender vocabulario. Implicaba reconocer cómo la gente hablaba con los maestros, negociaba amistades, respondía a los conflictos y juzgaba la competencia. Un estudiante puede entender las matemáticas antes de entender las reglas sociales de un aula. Estos distintos tipos de aprendizaje no avanzan necesariamente a la misma velocidad.

Sería especulativo afirmar que la migración causó directamente un hábito de gestión concreto décadas después. Una conclusión más cuidadosa es que la adaptación se convirtió en un hecho temprano de su vida. Su carrera posterior implicó repetidamente entrar en territorio desconocido, identificar sus reglas y decidir qué supuestos podían cuestionarse. La similitud es sugerente, no un diagnóstico psicológico.

También el papel de sus padres debe entenderse sin inventar un archivo familiar completo. Los relatos públicos sobre sus ocupaciones y nombres son de calidad desigual. La evidencia recurrente más sólida se refiere a su compromiso con la educación y a las alteraciones que aceptaron para perseguirla. Su importancia no depende de llenar cada vacío con un detalle plausible. Su decisión dio a Huang acceso a instituciones y redes [Networks] que se volvieron centrales para su desarrollo técnico.

El peligro de la historia de éxito inevitable

Conocer el final cambia la forma en que los lectores interpretan la infancia. Un éxito escolar ordinario puede convertirse en señal de genialidad; una experiencia incómoda puede convertirse en preparación esencial para el liderazgo. Ninguna de las dos conclusiones se sigue automáticamente. Muchos migrantes talentosos soportan penurias sin fundar grandes empresas. Muchos emprendedores exitosos tuvieron infancias muy distintas.

La pregunta útil, por tanto, no es si el joven Huang ya estaba destinado a crear NVIDIA. Es cómo se ampliaron las oportunidades a su alcance y qué hizo después con ellas. Ese enfoque da a la esfuerzo su justo peso sin ignorar las decisiones familiares, la educación pública y las circunstancias históricas que hicieron productivo el esfuerzo.

2 Kentucky y la experiencia de ser diferente

La vida en Oneida

Una corrección especialmente importante se refiere al tiempo de Huang en Kentucky. El Oneida Baptist Institute afirma que él y su hermano vivieron en su dormitorio [Dormitory] mientras asistían a la escuela pública Oneida Elementary School, al otro lado del South Fork del río Kentucky. Como el instituto era entonces una escuela secundaria [High school], los niños cruzaban un puente colgante [Swinging bridge] para llegar a sus clases. Es inexacto tratar el internado [Boarding arrangement] y la matrícula escolar como la misma cosa. [3]

La historia ha adquirido versiones dramáticas con el tiempo. Huang ha recordado una dura llegada a Estados Unidos y haber sido colocado entre niños mayores en circunstancias que su familia no había previsto del todo. El perfil de Oregon State recoge su descripción de esa difícil llegada y también su afecto por la experiencia escolar. Ambos elementos pertenecen al relato: la incomodidad y la gratitud no se excluyen mutuamente. [4]

Las etiquetas institucionales merecen cuidado. Una expresión como reformatorio [Reform school] puede transmitir el recuerdo que un narrador tiene del ambiente, pero quizá no describa adecuadamente toda la historia de la institución ni a cada alumno. Los hechos más seguros son el internado, la asistencia a la escuela primaria y el importante ajuste cultural vivido por un niño lejos de sus padres.

Una institución de la infancia puede recordarse después a través de un detalle vívido. El puente colgante es uno de esos detalles: concreto, memorable y documentado de forma independiente. Es más útil que una descripción inventada de lo que Huang pensaba al cruzarlo. La disposición física les dice a los lectores lo suficiente sobre la distancia entre el hogar, la escuela y el mundo desconocido que lo rodeaba.

Años después, Jensen y Lori Huang apoyaron una nueva instalación en Oneida. El instituto registra una subvención de contrapartida [Matching grant] de 2 millones de dólares, y el resultante Huang Hall se inauguró en 2019. El regalo conecta al empresario maduro con un lugar que había sido parte de su infancia, sin exigir la suposición de que cada aspecto de esa infancia fue feliz. [3]

Resiliencia [Resilience] sin romanticizar la adversidad

Los relatos sobre personas exitosas suelen convertir la dificultad en una receta: como la adversidad precedió al logro, los futuros líderes también deberían pasar por adversidades. Este es un razonamiento débil. La adversidad puede producir ingenio [Resourcefulness], pero también puede limitar oportunidades y causar daños duraderos. El resultado depende del apoyo, las circunstancias y la persona involucrada.

El énfasis público posterior de Huang en la perseverancia es relevante para su liderazgo. No debe usarse para celebrar el acoso [Bullying], la privación o el sufrimiento evitable. La lección constructiva es más estrecha: las personas pueden aprender a responder a condiciones difíciles, y las instituciones pueden ayudarlas a recuperarse, ganar confianza y encontrar trabajo útil.

Un relato maduro de la resiliencia también incluye la ayuda. El joven que se adapta sigue necesitando maestros, parientes, comida, alojamiento y un camino hacia la educación superior. El futuro ejecutivo que sortea una crisis sigue necesitando ingenieros, clientes y financiación. Recordar esta continuidad ayuda a evitar que la biografía se convierta en una historia de fuerza de voluntad aislada.

3 Oregon: rendimiento escolar y ambición

Un camino educativo más estable

La familia se estableció después en Oregon, donde Huang asistió a la escuela secundaria en la zona de Beaverton. El relato de Oregon State también lo identifica como un jugador júnior de tenis de mesa clasificado a nivel nacional [Nationally ranked junior table-tennis player]. Estos detalles muestran a un joven que desarrollaba habilidades académicas y competitivas, aunque no proporcionan un registro escolar completo año por año. [4]

Algunos resúmenes populares afirman secuencias exactas de saltos de curso o dan un año de ingreso universitario que entra en conflicto con otra información. Esa precisión no es necesaria para entender la trayectoria. Lo que importa con seguridad es que avanzó por la escuela, ingresó en ingeniería eléctrica [Electrical engineering] en la Oregon State University y completó su licenciatura [Bachelor's degree] en 1984. La fecha documentada del título es un ancla más firme que una reconstrucción especulativa de cada año escolar.

El deporte de competición ofrece una analogía útil para la ingeniería, pero una analogía no debe confundirse con una prueba causal. Un jugador de tenis de mesa se ajusta repetidamente a un oponente, recibe retroalimentación inmediata [Feedback] y practica movimientos hasta que se vuelven fiables. Un ingeniero también aprende por retroalimentación. Si Huang llevó conscientemente ciertos hábitos deportivos a la gestión no puede determinarse solo por saber que jugaba.

Su trabajo temprano de servicio en Denny's es otra parte recurrente de su historia pública. Ha hablado de lavar platos y atender clientes, y de las lecciones del trabajo ordinario. El empleo en el restaurante importa porque sitúa su desarrollo fuera del mundo exclusivo de la alta tecnología. Antes de dirigir ingenieros, tenía experiencia en un lugar de trabajo en el que el servicio, la rapidez y la coordinación de muchas tareas pequeñas eran visibles cada día. [2]

Qué puede enseñar un trabajo de servicio

Un restaurante es un sistema. Un cliente ve una comida, pero la entrega depende de la preparación, el lavado, los pedidos, la cocina, el pago y la comunicación. Un fallo en una parte llega al cliente aunque las demás funcionen bien. Esta es una forma útil de entender por qué un componente [Component] técnicamente excelente no crea por sí solo un producto exitoso.

El mismo principio apareció después a una escala mucho mayor en el negocio de NVIDIA. Un procesador [Processor] podía ser potente y seguir siendo difícil de programar. El software podía ser elegante y carecer de un canal de distribución [Distribution channel]. Un centro de datos [Data centre] podía tener suficientes procesadores pero redes, energía o refrigeración insuficientes. Estas son paralelismos analíticos, no la afirmación de que un turno concreto en un restaurante diera a Huang el plano de una empresa de computación.

También hay una lección sobre la visibilidad del trabajo. Un alto ejecutivo puede quedar aislado de las personas que hacen utilizable un producto. El trabajo de servicio expone rápidamente las consecuencias de los pequeños fallos operativos. El valor de liderazgo está en preservar la curiosidad por esas consecuencias después de que el estatus y la riqueza hagan posible evitarlas.

4 Ingeniería universitaria y el encuentro con Lori

Oregon State y los fundamentos de una profesión

Huang obtuvo su Bachelor of Science en Ingeniería Eléctrica en la Oregon State University en 1984. La universidad registra que Lori Mills fue su compañera de laboratorio [Lab partner] en un curso introductorio de ingeniería eléctrica y que se casaron cinco años después de conocerse. Su relación comenzó dentro de la formación técnica que también moldeaba su carrera. [4]

La ingeniería eléctrica ofrecía más que una credencial. Lo entrenó para razonar sobre sistemas físicos sujetos a restricciones [Constraints]. Un circuito [Circuit] debe cumplir requisitos de temporización, potencia, costo y fiabilidad al mismo tiempo. Un diseño que tiene éxito en una medida puede fallar en otra. Esta disciplina difiere de la imagen de la innovación como una idea repentina seguida de una ejecución sin esfuerzo.

Un laboratorio universitario hace tangibles esas compensaciones. Un cálculo debe corresponder finalmente con un conjunto funcional de componentes. El comportamiento inesperado debe investigarse, no explicarse de forma evasiva. Estos son rasgos generales de la formación en ingeniería, no una lista reconstruida de las tareas concretas de Huang. Ayudan a explicar el tipo de formación profesional que representa su título.

Lori no debe reducirse a un personaje secundario que por casualidad conoció a un futuro multimillonario. Estudió ingeniería y luego se convirtió en codonante [Co-donor] de importantes proyectos educativos. La información pública respalda ese papel. No justifica atribuirle cada decisión privada de la familia, ni afirmar que ocupó un cargo formal en NVIDIA salvo que un registro fiable lo establezca.

Stanford mientras trabajaba

Huang completó una maestría [Master's degree] en ingeniería eléctrica en la Stanford University en 1992 mientras trabajaba a tiempo completo. La propia biografía de Stanford confirma el título, mientras que Oregon State describe la combinación de empleo y estudios de posgrado [Graduate study]. Esto sitúa su educación avanzada dentro de su desarrollo profesional y no enteramente antes de él. [4, 5]

Esa distinción importa. Una persona que estudia mientras trabaja puede comparar las herramientas teóricas con los problemas comerciales. El trabajo académico puede aclarar por qué un diseño se comporta como lo hace; el empleo puede revelar restricciones que un ejercicio de aula omite. Ninguno de los dos entornos reemplaza al otro. Su valor puede provenir del movimiento entre ambos.

Las fechas también cuestionan un relato emprendedor de moda pero engañoso. Huang no fue un desertor universitario [Dropout] que rechazara la educación formal para fundar una empresa de inmediato. Cuando se fundó NVIDIA, tenía títulos de ingeniería de grado y posgrado y una experiencia sustancial en la industria de los semiconductores [Semiconductor industry]. Su historia respalda la importancia del aprendizaje y la preparación profesional al menos con tanta fuerza como la audacia para asumir riesgos.

La educación formal no proporcionaba una receta completa para el espíritu emprendedor. No podía garantizar que los clientes compraran un chip gráfico [Graphics chip], que los inversores aportaran capital o que una nueva plataforma de software atrajera desarrolladores. Suministraba herramientas con las que investigar esos problemas. El logro posterior dependió de aplicar y ampliar esas herramientas bajo incertidumbre.

5 Aprender el negocio de los semiconductores

AMD y LSI Logic

La biografía regulatoria [Regulatory biography] de NVIDIA registra el empleo de Huang en Advanced Micro Devices de 1983 a 1985 y en LSI Logic de 1985 a 1993. La fecha de inicio en AMD merece conservarse porque algunos relatos populares la simplifican a 1984, el año de su licenciatura. Los registros oficiales de carrera proporcionan una base cronológica mejor que una secuencia ordenada inferida de la graduación. [6]

En AMD trabajó en diseño de microprocesadores [Microprocessor design]. En LSI Logic asumió responsabilidades de ingeniería, marketing y gestión, incluido el trabajo asociado a su negocio CoreWare. Estos papeles ampliaron su experiencia más allá del diseño de un circuito individual. Lo expusieron a la relación entre capacidad técnica, requisitos de los clientes y estrategia comercial. [6]

Los semiconductores imponen exigencias inusuales a una empresa nueva. Diseñar un chip es caro; la fabricación depende de instalaciones especializadas; los errores pueden exigir rediseños [Redesigns] costosos; y un producto puede llegar después de que el mercado ya se haya movido. El intervalo entre una decisión de ingeniería y la retroalimentación del mercado puede ser largo. Un fundador en esta industria necesita tanto juicio técnico como una forma de financiar la incertidumbre.

El trabajo de LSI Logic en chips personalizados [Custom chips] fue una preparación relevante para entender cómo los clientes traducen un requisito de sistema en silicio [Silicon]. También ilustró una distinción que siguió siendo central para NVIDIA: los clientes rara vez quieren un chip simplemente porque sea técnicamente interesante. Quieren un resultado, como mejores gráficos, menor costo, menor tiempo de cómputo o un producto propio más capaz.

Llegar a ser más que un especialista

El paso de ingeniero a emprendedor se describe a veces como dejar atrás el trabajo técnico. La carrera de Huang sugiere un patrón diferente. La comprensión técnica siguió siendo central, mientras el círculo de decisiones se ampliaba para incluir personas, precios, finanzas y selección de mercados.

Un emprendedor debe decidir qué problemas merecen la atención de la organización. Un ingeniero puede optimizar un diseño especificado; un fundador también debe decidir si ese diseño debería existir. La pregunta cambia de si algo puede construirse a si suficientes personas lo valorarán, si la empresa puede entregarlo y si un competidor puede responder más rápido.

Esta transición es más fácil de describir en retrospectiva que de ejecutar. La experiencia técnica puede convertirse en una trampa cuando su dueño insiste en que un diseño superior debe imponerse. Los clientes pueden preferir compatibilidad [Compatibility], disponibilidad o facilidad de uso. Un fundador debe estar dispuesto a descubrir que las prioridades del mercado difieren de los supuestos originales del equipo de ingeniería.

Los años de Huang antes de NVIDIA pertenecen, por tanto, al centro de la biografía. No fueron meramente una sala de espera antes de que comenzara la historia importante. Proporcionaron experiencia de un sector en el que las decisiones de producto, las relaciones de fabricación y la confianza de los clientes eran inseparables.

6 La fundación de NVIDIA

Tres fundadores y un mercado difícil

NVIDIA fue fundada en 1993 por Jensen Huang, Chris Malachowsky y Curtis Priem. Huang se convirtió en su director ejecutivo [Chief executive] y permaneció en ese cargo mientras la empresa se desarrollaba. Las famosas reuniones en Denny's forman parte de su relato fundacional, pero el restaurante no debe ocultar la experiencia acumulada de las personas sentadas en él. [7, 8]

La oportunidad inicial estaba en los gráficos para computadoras personales. Los juegos ofrecían una aplicación exigente: los consumidores querían mundos visuales más ricos, mientras los procesadores de propósito general [General-purpose processors] tenían dificultades para entregar gráficos cada vez más complejos de manera eficiente. Un procesador especializado [Specialist processor] podía mejorar la experiencia ejecutando operaciones seleccionadas mucho más rápido.

Este fue un punto de entrada comercial, no un plan plenamente formado para la economía actual de la IA generativa [Generative AI]. Es fácil proyectar el éxito actual hacia atrás e imaginar que los fundadores ya veían cada uso posterior. La interpretación más sólida es que identificaron un amplio problema de computación y entraron a través de un mercado que podía sostener un negocio.

La distinción entre una tesis amplia y un primer producto es importante. La tesis puede seguir siendo productiva incluso cuando una implementación fracasa. Una empresa puede creer que la computación especializada importará y estar equivocada sobre la arquitectura, el cliente o el momento de su primer intento. Su supervivencia depende entonces de cambiar el intento sin abandonar cada parte útil de la percepción subyacente.

Por qué importan los cofundadores

Una biografía centrada en un director ejecutivo puede borrar accidentalmente la empresa que lo rodea. Malachowsky y Priem fueron cofundadores, no accesorios de una visión terminada. Ingenieros, inversores y primeros clientes también ayudaron a convertir una idea en una organización. El liderazgo de Huang es más fácil de evaluar con precisión cuando sus contribuciones permanecen visibles.

Malachowsky aportó experiencia de ingeniería y liderazgo técnico de Hewlett-Packard y Sun Microsystems. Su trayectoria en sistemas de gráficos [Graphics systems] lo convirtió en parte de la base técnica de la empresa, y siguió vinculado a NVIDIA como fundador y fellow [Fellow]. La empresa no era el caso de un emprendedor no técnico que simplemente contratara ingenieros para ejecutar un plan terminado. [32]

Priem también había trabajado en Sun, donde diseñó la arquitectura de los productos gráficos GX. El Rensselaer Polytechnic Institute registra que se desempeñó como director técnico [Chief technical officer] de NVIDIA de 1993 a 2003. Su trabajo anterior incluía el IBM Professional Graphics Adapter. Estas experiencias situaron a los fundadores dentro de un linaje de ingeniería de gráficos anterior a NVIDIA y ayudan a explicar por qué su primer marketing de GPU [GPU marketing] no debe confundirse con el origen de todo el campo. [33]

La contribución de Huang se situó junto a esta experiencia. Había trabajado en diseño de semiconductores y gestión comercial en AMD y LSI Logic. La combinación dio al equipo fundador perspectivas tanto sobre la implementación de gráficos como sobre el trabajo de construir un negocio de semiconductores. No los protegió de equivocarse, pero les dio recursos para reconocer y responder a los errores.

La tarea distintiva del director ejecutivo era integrar decisiones. Las posibilidades técnicas debían convertirse en un plan de producto; el plan de producto necesitaba financiación; la financiación requería credibilidad; y la credibilidad debía sobrevivir a los reveses. Ninguna persona podía realizar cada tarea técnica o comercial. El liderazgo consistía en mantener una dirección coherente a través de todas ellas.

La joven empresa también operaba dentro de un ecosistema [Ecosystem] que no controlaba. Los sistemas operativos, los estándares de gráficos, los desarrolladores de software y los socios de fabricación podían cambiar el valor de su diseño. Esta dependencia no era una debilidad exclusiva de NVIDIA. Era una condición de construir un componente nuevo para un sistema de computación más grande.

La lección fundacional es, por tanto, más exigente que simplemente empezar con coraje. Es elegir un problema que valga la pena resolver, reunir experiencia complementaria y crear un negocio capaz de aprender antes de que se acabe el dinero. El coraje importa, pero no puede sustituir esos arreglos.

7 Cuando la empresa casi fracasa

El problema del NV1 y Sega

Los primeros productos de NVIDIA no produjeron un camino suave hacia el éxito. El NV1, lanzado en 1995, tuvo dificultades comerciales. El trabajo posterior de la empresa con Sega expuso un problema más profundo: su dirección técnica se estaba desalineando de los estándares en torno a los cuales se organizaba el mercado de gráficos más amplio. [7, 9]

El problema de arquitectura era concreto. El NV1 usaba mapeo de texturas cuadrático [Quadratic texture mapping], mientras el ecosistema emergente de Direct3D se centraba en triángulos [Triangles]. Soportar un enfoque diferente creaba trabajo extra para los desarrolladores de juegos y limitaba la ventaja del hardware de NVIDIA. El RIVA 128 adoptó una dirección más compatible. La lección era en parte sobre estándares: una implementación elegante puede perder si la industria de software circundante no puede usarla cómodamente. [34]

No era simplemente una disputa sobre qué forma era matemáticamente superior. Una arquitectura de gráficos [Graphics architecture] debe funcionar con las herramientas de autor [Authoring tools], las interfaces de programación [Programming interfaces] y las técnicas que los desarrolladores ya entienden. Un proveedor que pide a los clientes adoptar un enfoque diferente debe ofrecer beneficios lo bastante grandes para justificar ese trabajo adicional. La supervivencia de NVIDIA dependió de aceptar la dirección del ecosistema en lugar de esperar que el ecosistema se reorganizara en torno a su primer diseño.

En su relato posterior de la crisis, Huang describió haber reconocido que continuar el contrato podía dejar a NVIDIA con un producto que no sostendría su futuro, mientras que abandonarlo podía dejar a la empresa sin el dinero necesario para sobrevivir. Se acercó a la dirección de Sega y pidió ayuda. El apoyo resultante permitió a NVIDIA cambiar de rumbo. [9]

Los relatos del acuerdo difieren en cómo describen los mecanismos de pago e inversión. La conclusión segura es que Sega proporcionó un apoyo financiero crucial, comúnmente reportado en unos 5 millones de dólares, y que Shoichiro Irimajiri desempeñó un papel importante. No debe simplificarse en una historia en la que un ejecutivo ajeno de Nintendo rescató a la empresa, ni en que el dinero fuera necesariamente un regalo personal incondicional. [8, 10]

El significado moral es específico. Huang tuvo que reconocer un error importante ante un socio importante. Eso es diferente de presentarse como el visionario que había tenido razón todo el tiempo. Un rescate creíble requería alguna combinación de franqueza, confianza y la disposición del socio a aceptar un resultado inusual.

RIVA 128 y el regreso de la esperanza comercial

El RIVA 128, presentado en 1997, se convirtió en un producto decisivo de recuperación [Turnaround product]. La cronología corporativa [Corporate timeline] de NVIDIA registra ventas de un millón de unidades en cuatro meses. Esa cifra ilustra con qué rapidez un producto podía cambiar la posición de una empresa joven una vez que se ajustaba mejor a las necesidades del mercado. [7]

El apoyo de Sega y el éxito del RIVA 128 pertenecen a una historia de supervivencia conectada. Tratar cada paso como una quiebra [Bankruptcy] separada exagera el registro. Uno dio espacio para actuar; el otro ayudó a convertir la nueva dirección en ingresos. Ambos dependieron del trabajo de ingeniería y la ejecución comercial de un equipo más amplio.

Una fecha límite urgente puede enfocar una organización, pero también crea riesgo. Un chip construido bajo severas limitaciones de tiempo y dinero debe probarse con cuidado excepcional porque puede quedar poca capacidad para un segundo intento. La lección no es que las pruebas puedan omitirse cuando un fundador cree con suficiente fuerza. Es que las organizaciones limitadas necesitan métodos que expongan los errores antes de que el costo de corregirlos se vuelva fatal.

¿Salvó Huang a NVIDIA de la quiebra varias veces?

Hay evidencia creíble de repetidos casi fracasos, especialmente a mediados de los años noventa. El veterano consejero [Director] Mark Stevens ha descrito la empresa como estando a unos treinta días del fracaso en varias ocasiones durante ese período. Eso respalda la frase varios escapes del colapso. No establece que NVIDIA entrara repetidamente en un procedimiento formal de quiebra [Bankruptcy proceedings]. [8]

Los fracasos estratégicos posteriores también deben clasificarse con precisión. CUDA implicó un compromiso costoso cuyos beneficios tardaron en emerger. El esfuerzo con los teléfonos móviles implicó una retirada de un mercado difícil. Una caída del precio de las acciones, un proyecto caro y una incapacidad inmediata de pagar las facturas son condiciones diferentes. Llamar a todas ellas quiebras hace la historia más dramática y menos útil.

La afirmación defendible más sólida es que Huang ayudó a NVIDIA a sobrevivir varios períodos peligrosos, con las emergencias de agotamiento de efectivo más claras concentradas en sus primeros años. Sus decisiones fueron cruciales, pero también lo fueron el apoyo de Sega, el trabajo de los colegas, la paciencia de los inversores y el éxito comercial de los productos rediseñados.

8 De los productos gráficos a una plataforma de computación

Salir a bolsa y definir una categoría

La oferta pública inicial [Initial public offering] de NVIDIA en 1999 marcó una nueva etapa en su desarrollo. La empresa también presentó ese año la GeForce 256, comercializada como la primera unidad de procesamiento gráfico [Graphics processing unit]. La precisión histórica importa: los aceleradores de gráficos [Graphics accelerators] existían antes. La afirmación de NVIDIA se refería a una concepción integrada particular de la GPU [GPU], no a la invención de todo el hardware de gráficos por computadora. [7]

La identidad pública de la empresa siguió estrechamente asociada con los juegos [Gaming]. Eso no era un preludio menor de un negocio más respetable. Los juegos crearon clientes exigentes, ciclos de producto rápidos y un mercado lo bastante grande para sostener una inversión sustancial en ingeniería. También pusieron procesadores paralelos capaces [Parallel processors] en manos de investigadores que podían experimentar con ellos.

Una plataforma [Platform] se desarrolla cuando otras personas pueden construir trabajo duradero sobre un producto. Una tarjeta gráfica rápida puede ganar una compra. Un entorno de programación estable [Programming environment], bibliotecas útiles [Libraries] y conocimiento acumulado de los desarrolladores pueden influir en muchas compras futuras. Esta es una relación comercial diferente, porque cambiar de proveedor puede requerir cambiar software y recapacitar personas.

El movimiento hacia una plataforma también cambia lo que significa la calidad. La velocidad del hardware sigue importando, pero también la documentación, la compatibilidad con versiones anteriores [Backward compatibility], la depuración [Debugging], el despliegue [Deployment] y el soporte. Una ventaja en una prueba de rendimiento [Benchmark advantage] puede desaparecer si los usuarios no pueden obtenerla de forma fiable en sus propias aplicaciones.

La competencia no desapareció

La industria de los gráficos siguió cambiando a través de la competencia y la consolidación. NVIDIA acordó comprar ciertos activos de gráficos de 3dfx en diciembre de 2000, con la transacción cerrándose en abril de 2001. Comprar activos seleccionados no debe describirse como adquirir simplemente cada parte del negocio de un competidor. La distinción importa tanto legal como históricamente. [35]

Los gráficos para juegos también siguieron evolucionando después de que el aprendizaje profundo ganara prominencia. En agosto de 2018, NVIDIA presentó los productos GeForce RTX basados en la arquitectura Turing, combinando el sombreado convencional [Shading] con capacidades dedicadas de trazado de rayos [Ray tracing] e IA. Fue un intento más de hacer prácticas en productos interactivos técnicas visuales antes costosas. [36]

El trazado de rayos modela las trayectorias de la luz para producir efectos como reflejos y sombras. Las aplicaciones en tiempo real [Real-time applications] enfrentan límites de tiempo estrictos: una imagen que tarda minutos en renderizarse puede ser útil para una producción fuera de línea, pero no puede sostener directamente un juego con buena respuesta. El desafío, por tanto, no es solo calcular una imagen convincente, sino hacerlo dentro de un presupuesto de rendimiento útil [Performance budget].

Estos desarrollos complican la idea de que NVIDIA simplemente abandonó los juegos para convertirse en una empresa de IA. Los gráficos siguieron siendo un campo técnico activo, y la relación entre gráficos, simulación e IA siguió generando oportunidades. La historia de la empresa se entiende mejor como una expansión de capacidades que como un reemplazo completo de una identidad por otra.

En qué se diferencia una GPU de una CPU

Una unidad central de procesamiento [Central processing unit] está diseñada para manejar una amplia variedad de tareas, incluido el flujo de control complejo [Control flow] y operaciones que deben ocurrir en secuencia. Una unidad de procesamiento gráfico dedica gran parte de su diseño a ejecutar muchas operaciones relacionadas en paralelo. La comparación no es que una sea inteligente y la otra simple, ni que una GPU sea siempre más rápida. Sus fortalezas dependen de la carga de trabajo [Workload].

Considere aplicar la misma transformación a millones de píxeles [Pixels]. Gran parte de ese trabajo puede dividirse en operaciones similares. El hardware paralelo [Parallel hardware] puede procesar muchas de ellas juntas. En cambio, una tarea en la que cada decisión depende del resultado de la anterior puede ganar menos con una GPU. Mover datos entre procesadores también puede consumir tiempo y energía.

La IA moderna depende en gran medida de operaciones numéricas que pueden organizarse en trabajo paralelo, incluidas grandes multiplicaciones de matrices [Matrix multiplications]. Esto hace útiles a las GPU, pero no hace idéntica cada tarea de IA ni económico cada despliegue de GPU. La capacidad de memoria, la comunicación, la precisión numérica [Numerical precision] y la implementación de software afectan el resultado.

La oportunidad estratégica de Huang fue conectar estas capacidades con problemas más allá de dibujar gráficos. Eso requería más que anunciar que un chip gráfico era potente. Requería hacer el hardware accesible a personas cuyo trabajo tenía poco que ver con renderizar [Rendering] un juego.

9 CUDA y la paciente construcción de un ecosistema

Hacer utilizable la computación paralela

CUDA es la plataforma y el modelo de programación de computación paralela [Parallel computing] de NVIDIA. Su desarrollo hizo posible que los programadores usaran las GPU de NVIDIA compatibles para trabajo numérico de propósito general en lugar de expresar cada problema a través de una interfaz de gráficos [Graphics interface]. NVIDIA presentó la arquitectura en 2006, con el conjunto de herramientas de software público [Software toolkit] llegando en 2007. [7, 11]

La distinción entre arquitectura [Architecture] y conjunto de herramientas explica por qué ambas fechas aparecen en las historias. Una sola fecha puede ocultar la secuencia mediante la cual la capacidad del hardware, las herramientas de programación y la adopción por los desarrolladores [Developer adoption] se hicieron disponibles. La importancia comercial provino de su combinación.

Un científico no necesita convertirse en especialista en gráficos para beneficiarse del hardware paralelo. Las bibliotecas pueden exponer operaciones matemáticas familiares, mientras un compilador [Compiler] y un entorno de ejecución [Runtime] ayudan a traducir el código en trabajo que la GPU puede ejecutar. Con el tiempo, marcos de trabajo de nivel superior [Frameworks] pueden apoyarse en esas bibliotecas, colocando capas de abstracción entre el investigador y el procesador.

Esa estratificación [Layering] es una razón por la que la posición de NVIDIA no puede entenderse solo contando especificaciones de chips. Los desarrolladores construyen hábitos, las organizaciones acumulan código probado y las comunidades de investigación comparten ejemplos. Estas inversiones crean continuidad útil, pero también pueden crear costos de cambio [Switching costs]. El mismo ecosistema puede ser vivido como comodidad por un usuario y como dependencia por otro.

Invertir antes de que el retorno sea obvio

Huang ha descrito CUDA como un compromiso costoso a largo plazo que inicialmente atrajo escepticismo. La decisión impuso costos antes de que el mercado posterior de la IA hiciera obvio el beneficio comercial. Su propio relato retrospectivo vincula la inversión con un período de débil confianza de los mercados financieros. [9]

Sería un error inferir que cualquier proyecto caro merece financiación indefinida porque CUDA finalmente tuvo éxito. Una inversión sensata a largo plazo necesita evidencia de que su base técnica mejora y de que los usuarios pueden hacer algo valioso con ella. La paciencia sin aprendizaje puede preservar un fracaso con la misma facilidad que un avance [Breakthrough].

El desafío estratégico era apoyar una posibilidad sin exigir un mercado inmediato de tamaño enorme. Los investigadores que usaban GPU para propósitos inesperados proporcionaban información. Su trabajo sugería que el hardware podía resolver problemas más allá de la base de clientes que lo había financiado originalmente. NVIDIA podía aprender de esos usos mientras seguía vendiendo productos en los mercados existentes.

Los límites de una ventaja de ecosistema

Un ecosistema de software fuerte no elimina la competencia. Aceleradores alternativos [Accelerators], proyectos de compiladores y marcos portables pueden reducir la dependencia de un proveedor particular. Los grandes clientes pueden tener escala suficiente para justificar hardware especializado. Algunas cargas de trabajo pueden beneficiarse de un sistema más simple o más barato en lugar de la plataforma de GPU más flexible.

La prueba duradera es si el sistema completo de NVIDIA sigue entregando rendimiento útil a un costo aceptable. La familiaridad con el software puede retrasar un cambio, pero no puede garantizar la lealtad del cliente para siempre. Por eso un ecosistema debe seguir creando valor en lugar de apoyarse únicamente en la incomodidad de abandonarlo.

Para los emprendedores, CUDA ofrece una lección exigente: a veces el producto más importante es la herramienta que permite a los clientes descubrir usos que el proveedor no especificó originalmente. Construir esa herramienta requiere apoyo sostenido. También requiere aceptar que el valor puede aparecer primero en pequeños experimentos y no en un gran libro de pedidos predecible.

10 El punto de inflexión del aprendizaje profundo

AlexNet y una nueva señal de la investigación

En 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton publicaron el trabajo comúnmente conocido como AlexNet. Su red neuronal convolucional [Convolutional neural network] logró un resultado importante en la competencia ImageNet, usando cómputo en GPU para hacer práctico el entrenamiento [Training] a gran escala. El artículo es importante porque documenta un logro de investigación y no una interpretación corporativa posterior. [12]

NVIDIA no inventó esa red neuronal, el conjunto de datos ImageNet [Dataset] ni todo el campo del aprendizaje automático [Machine learning]. Su hardware y su ecosistema de programación fueron parte de la infraestructura que lo hizo posible. Una historia equilibrada mantiene a la vista a los investigadores y creadores de datos junto a la empresa que suministraba la computación.

La importancia del evento no fue que una prueba de rendimiento [Benchmark] demostrara cada aplicación futura de la IA. Mostró que una combinación de datos, diseño de modelo y potencia de cómputo disponible podía producir una mejora notable en una tarea importante. Eso alentó más inversión y experimentación. El resultado fue una señal con consecuencias, no una predicción completa del futuro.

Para Huang, la cuestión estratégica era cómo responder a esa señal. Una empresa puede notar un resultado de investigación prometedor sin organizarse para servir al campo emergente. Apoyar el aprendizaje profundo requería decisiones de hardware, bibliotecas de software, sistemas y relaciones con investigadores. Significaba tratar la carga de trabajo como una dirección en torno a la cual la empresa podía construir.

Entrenamiento e inferencia

El entrenamiento ajusta los parámetros [Parameters] de un modelo usando datos y un proceso de optimización [Optimisation process]. La inferencia [Inference] usa el modelo entrenado para producir una salida. Ambos pueden requerir cómputo sustancial, pero sus exigencias operativas difieren. El entrenamiento puede ejecutar grandes trabajos durante períodos prolongados; la inferencia puede tener que responder rápidamente a muchos usuarios mientras controla costo y latencia [Latency].

Esta distinción ayuda a explicar por qué la infraestructura de IA no es un mercado indiferenciado. Un laboratorio de investigación que entrena un modelo grande, un hospital que ejecuta un pequeño modelo de imágenes y una aplicación móvil que genera texto pueden necesitar arreglos diferentes. El mejor sistema depende de la escala, la privacidad, la fiabilidad, el tiempo de respuesta y la cantidad de trabajo a realizar.

A medida que los modelos se hicieron más grandes, la comunicación entre procesadores se volvió cada vez más importante. Una colección de chips rápidos no es automáticamente una computadora rápida. Los datos deben moverse a través de la memoria y las redes, y los fallos deben detectarse y gestionarse. El cuello de botella [Bottleneck] puede estar fuera de las unidades aritméticas que atraen más publicidad.

La expansión de NVIDIA hacia sistemas y redes [Networking] puede entenderse en este contexto. La unidad de competencia se movió más allá de la tarjeta gráfica individual hacia el rendimiento de una instalación de computación más grande. El papel de Huang se convirtió cada vez más en el de un constructor de sistemas [System builder] y organizador de un ecosistema, en lugar de simplemente el jefe de un proveedor de chips.

Convertir la demanda de investigación en productos

En 2016, NVIDIA presentó DGX-1 como un sistema integrado de aprendizaje profundo. En lugar de exigir que cada laboratorio ensamblara una máquina a partir de piezas separadas, ofrecía una combinación configurada de GPU y software. La idea comercial era reducir la distancia entre obtener hardware y hacer investigación útil. La descripción de NVIDIA como la primera supercomputadora de aprendizaje profundo [Deep-learning supercomputer] fue una afirmación de marketing [Marketing claim], no la afirmación de que ninguna computadora anterior hubiera entrenado una red neuronal. [28]

Al año siguiente, la arquitectura Volta introdujo los Tensor Cores, unidades especializadas para operaciones importantes para el aprendizaje profundo. Esto representó un paso más desde la reutilización de la capacidad de gráficos hacia el diseño de hardware en torno a la computación relacionada con la IA. También ilustró por qué una plataforma puede conservar continuidad mientras su maquinaria interna cambia sustancialmente. Los desarrolladores pueden beneficiarse del nuevo hardware a través de bibliotecas actualizadas sin reescribir cada capa de una aplicación. [29]

Hopper, anunciado en 2022, incluía un Transformer Engine destinado a acelerar cargas de trabajo asociadas con modelos transformer [Transformer models]. Blackwell, anunciado en marzo de 2024, amplió el enfoque a nivel de sistema de NVIDIA hacia la IA generativa. Estos anuncios marcan cambios en la dirección y capacidad del producto; los multiplicadores de rendimiento publicitados [Performance multipliers] dependen de la carga de trabajo, la precisión y el sistema de comparación, y no deben tratarse como resultados universales. [30, 31]

La secuencia importa más que una lista de nombres de modelos. NVIDIA ajustó repetidamente hardware y software al trabajo cambiante que los clientes querían hacer. La empresa tuvo que preservar suficiente compatibilidad para proteger la inversión existente mientras introducía funciones que podían mejorar el rendimiento futuro. Esa tensión es central en el liderazgo de plataformas [Platform leadership]: el cambio excesivo puede fracturar un ecosistema, mientras el cambio insuficiente puede volverlo obsoleto.

11 Reveses después de la supervivencia

Calidad del producto y la crisis de 2008

Sobrevivir a los años de empresa emergente no hizo a NVIDIA inmune a los errores. En agosto de 2008 reportó un cargo [Charge] de 196 millones de dólares asociado con costos anticipados de garantía, reparación, devolución y reemplazo de ciertos productos de portátiles afectados por una combinación débil de materiales. El mismo anuncio reportó una pérdida trimestral y reconoció errores de precios competitivos. [13]

Esta era una clase de crisis diferente de la escasez temprana de efectivo. Se refería a la calidad del producto, los costos de los clientes y la credibilidad de la ejecución. Una biografía que se concentra solo en la estrategia brillante pierde esta parte del liderazgo. Los clientes dependen de que los productos funcionen después de la entrega, y un ejecutivo exitoso sigue siendo responsable de defectos que pueden estar muy alejados del escenario de una presentación [Keynote].

La presentación anual [Annual filing] del año fiscal 2009 de la empresa reportó aproximadamente 1.260 millones de dólares en efectivo, equivalentes de efectivo y valores negociables al cierre del año. Esa posición financiera no respalda la afirmación casual de que cada dificultad de 2008 fuera otra quiebra inmediata. La pérdida, el cargo y la recesión más amplia fueron serios sin necesitar esa etiqueta. [14]

La retirada de los móviles

NVIDIA también persiguió los teléfonos móviles y luego se retiró de ese esfuerzo. El propio relato de Huang presenta la retirada como una decisión que liberó atención para otras oportunidades, incluidas la robótica [Robotics] y los vehículos autónomos [Autonomous vehicles]. Esto es evidencia de cómo interpretó la experiencia, no una prueba de que las oportunidades alternativas estuvieran garantizadas de éxito. [9]

Hay una diferencia entre cambiar un plan porque es difícil y cambiarlo porque su economía subyacente se ha vuelto poco atractiva. Los líderes necesitan suficiente convicción para sobrevivir a la resistencia normal y suficiente flexibilidad para reconocer cuándo la persistencia se ha vuelto derrochadora. Ningún eslogan puede distinguir esas situaciones de antemano con fiabilidad.

La disciplina útil es hacer explícitos los supuestos. ¿Qué necesidad del cliente se está sirviendo? ¿Qué ventaja técnica sigue siendo defendible? ¿Cuánta inversión adicional se requiere? ¿Qué evidencia haría que la empresa se detuviera? Estas preguntas convierten una retirada en una asignación razonada de recursos y no en una historia contada después para que cada decisión parezca sabia.

La adquisición que no ocurrió

En febrero de 2022, NVIDIA y SoftBank terminaron la propuesta de adquisición de Arm, citando importantes obstáculos regulatorios [Regulatory challenges]. El anuncio dijo que SoftBank conservaría los 1.250 millones de dólares pagados por adelantado por NVIDIA y que NVIDIA conservaría una licencia de Arm de veinte años. La transacción fallida fue un gran revés estratégico, aunque no un fracaso de la ingeniería de chips. [15]

Este episodio ilustra los límites de la autoridad de un fundador. Una transacción puede tener sentido para sus impulsores y aun así plantear preocupaciones para reguladores, clientes o competidores. La ambición técnica opera dentro de instituciones legales y políticas. Un director ejecutivo no puede tratar esas instituciones como restricciones de ingeniería que la determinación por sí sola eliminará.

La respuesta apropiada no es reescribir la adquisición fallida como una victoria sin reservas. Es reconocer los costos, entender por qué fracasó la transacción y evaluar las opciones posteriores de la empresa por sus propios méritos. La credibilidad de un relato de liderazgo aumenta cuando puede describir una decisión fallida sin imponerle un final triunfal.

12 La construcción de la empresa de infraestructura de IA

Más allá del chip individual

A medida que las cargas de trabajo de IA se expandieron, los productos de NVIDIA formaron cada vez más partes de sistemas más grandes. Las GPU necesitaban memoria de alto ancho de banda [High-bandwidth memory], conexiones rápidas, redes, servidores, software de gestión y soporte. Su adquisición de Mellanox, completada en 2020, fue un paso importante para fortalecer el lado de redes de ese sistema. [16]

Un gran trabajo de entrenamiento ilustra el problema. Si un procesador espera datos de otro, el hardware caro puede quedar inactivo. Si una red no es fiable, un trabajo de larga duración puede perder trabajo útil. Si la refrigeración es inadecuada, el sistema no puede sostener el rendimiento prometido por sus componentes. El resultado del cliente depende de la coordinación en toda la instalación.

Esto ayuda a explicar el atractivo de los sistemas integrados [Integrated systems]. Reducen la carga del cliente de ensamblar y validar cada componente de forma independiente. También pueden aumentar la dependencia de un proveedor. Un cliente gana una solución más completa mientras potencialmente acepta un conjunto más estrecho de opciones sobre cómo evoluciona esa solución.

El relato público de Huang sobre la computación acelerada [Accelerated computing] encaja con este cambio. La pregunta relevante pasa a ser cuánto trabajo útil puede completar un sistema por una cantidad dada de tiempo, energía y dinero. Un chip más barato puede ser más caro en la práctica si requiere más máquinas o retrasa un resultado valioso. A la inversa, un sistema avanzado puede ser un gasto innecesario cuando uno más simple es suficiente.

Lo que el auge de la IA demostró y lo que no

La rápida adopción de la IA generativa aumentó la demanda de infraestructura de computación. NVIDIA se benefició porque ya había pasado años desarrollando hardware y software relevantes para esas cargas de trabajo. Esa sincronización fue comercialmente poderosa. No debe confundirse con la autoría única del auge de la IA.

La IA moderna también descansa en la investigación universitaria, conjuntos de datos públicos, software de código abierto [Open-source software], infraestructura en la nube, fabricación de semiconductores y el trabajo de laboratorios competidores. Los desarrolladores de modelos tomaron decisiones de arquitectura y entrenamiento; las empresas de hardware suministraron herramientas; los usuarios e inversores moldearon la demanda. La contribución de Huang fue sustancial dentro de esta red, no independiente de ella.

El resultado financiero fue llamativo. El comunicado de NVIDIA del 26 de agosto de 2026 reportó 96.200 millones de dólares de ingresos para su segundo trimestre del año fiscal 2027, terminado el 26 de julio de 2026, incluidos 89.000 millones de dólares de Data Center. Esas son cifras trimestrales reportadas, no un total de año calendario ni una previsión. [17]

El mismo comunicado describió a Vera Rubin como entrando en producción plena. Tales declaraciones de la empresa deben leerse en su contexto fechado. Establecen lo que NVIDIA anunció, mientras que el rendimiento, el despliegue y el retorno económico de instalaciones individuales requieren su propia evidencia. Una hoja de ruta de producto [Roadmap] y el beneficio realizado de un cliente son temas relacionados pero distintos.

El riesgo dentro de un crecimiento extraordinario

El crecimiento rápido puede ocultar supuestos frágiles. Los clientes pueden estar comprando por adelantado respecto de la demanda futura. La infraestructura puede tardar más de lo previsto en conectarse a la energía. Los nuevos modelos pueden requerir hardware diferente o volverse más eficientes. Una inversión que parece atractiva con alta utilización puede volverse cara cuando las máquinas quedan inactivas.

Por esa razón, el crecimiento de los ingresos debe estudiarse junto con la concentración de clientes, los compromisos, la capacidad de suministro y la economía de los negocios de los clientes. Un proveedor puede vender con éxito en un auge mientras partes de la industria circundante luchan por obtener un retorno adecuado. Esa posibilidad no prueba una burbuja [Bubble]. Es una razón para poner a prueba la cadena económica en lugar de admirar solo a su participante de crecimiento más rápido.

13 El sistema de liderazgo

Información directa y estándares exigentes

Las discusiones públicas de Huang sobre gestión enfatizan el acceso a la información, el contexto compartido y el compromiso con problemas técnicos difíciles. En una conversación de 2024 en Stripe Sessions, describió aspectos de la organización de NVIDIA y la forma en que usa la retroalimentación directa. Estas observaciones son evidencia útil de su filosofía declarada, aunque siguen siendo el relato de la persona que dirige la empresa. [18]

Una organización más plana [Flatter organisation] puede reducir la demora entre un problema y las personas capaces de abordarlo. También puede imponer una enorme carga de información sobre el director ejecutivo. La eficacia de tal estructura depende de la calidad de las personas, la claridad de los derechos de decisión [Decision rights] y la capacidad de resolver prioridades en competencia.

Por tanto, es simplista recomendar que toda empresa copie un gran número de reportes directos [Direct reports]. Un organigrama [Organisation chart] es solo el contorno visible de un sistema en funcionamiento. Dos empresas pueden tener organigramas similares y culturas muy diferentes. Lo que importa es si la información importante viaja, si las decisiones se entienden y si las personas pueden actuar sin esperar innecesariamente a la cúpula.

Los estándares altos son otro rasgo recurrente de los relatos sobre Huang. Sin embargo, exigir rendimiento no es automáticamente buena gestión. La cuestión es cómo se comunican los estándares, si las expectativas son alcanzables, si el desacuerdo es seguro y si los errores conducen al aprendizaje. Un líder puede ser exigente sin hacer de la humillación el mecanismo de mejora.

Explicar un futuro antes de que sea familiar

Un fundador técnico debe persuadir a audiencias con necesidades diferentes. Un ingeniero quiere saber si una arquitectura funciona. Un cliente quiere saber si resuelve un problema. Un inversor pregunta si el negocio puede obtener un retorno. Un gobierno puede preocuparse por la seguridad, la capacidad nacional y el acceso.

Las presentaciones públicas de Huang conectan a menudo un desarrollo técnico con un cambio industrial mayor. Esa capacidad tiene valor estratégico porque los clientes no pueden comprar ni construir en torno a un futuro que no entienden. Una buena explicación puede alinear la inversión de muchas organizaciones.

La misma capacidad crea una responsabilidad. Los relatos persuasivos pueden adelantarse a la evidencia. Una demostración puede funcionar bajo condiciones cuidadosamente elegidas. Una comparación de rendimiento puede depender de una carga de trabajo o versión de software concreta. Una promesa sobre capacidad futura puede confundirse con un producto disponible ahora. Cuanto mejor sea el narrador, más importante se vuelve distinguir estas categorías.

Concentración del juicio

Una larga permanencia del fundador puede preservar la continuidad técnica y proteger inversiones que no sobrevivirían a un horizonte de gestión corto. También puede concentrar el juicio en una persona. Los colegas pueden volverse hábiles anticipando lo que el fundador quiere en lugar de poner a prueba si es correcto.

Una empresa resiliente necesita tanto un centro fuerte como mecanismos que puedan corregirlo. Los consejos [Boards], las revisiones técnicas [Technical reviews], la retroalimentación de los clientes y la verificación independiente [Independent assurance] contribuyen. Su valor es mayor cuando pueden desafiar a un líder exitoso sin ser descartados como obstáculos para la visión.

El liderazgo de Huang debe juzgarse en última instancia no solo por cómo rinde NVIDIA mientras él la dirige personalmente, sino por cómo la organización puede preservar juicio útil, responsabilidad e invención más allá de él. Esa es una prueba más dura que el carisma, e importa más a medida que la empresa se vuelve económicamente importante.

14 Motivación, ambición y el significado del fracaso

Lo que las declaraciones públicas pueden establecer

Huang ha hablado repetidamente sobre la incertidumbre, el trabajo duro y el aprendizaje de los errores. Su discurso de graduación [Commencement address] de 2023 en la National Taiwan University usó ejemplos de fracaso y retirada estratégica para explicar el desarrollo de la empresa. Estas declaraciones respaldan la imagen de un líder que trata públicamente los reveses como parte de la innovación. No dan acceso irrestricto a sus motivos privados. [9]

Las biografías suelen asignar un único motor emocional a una persona: miedo a la pobreza, necesidad de reconocimiento o deseo de demostrar que los críticos se equivocaban. Tales explicaciones pueden ser atractivas porque hacen una vida complicada fácil de recordar. Sin evidencia sólida, son especulación.

Un relato más disciplinado puede examinar las decisiones observables. Huang permaneció en una empresa durante décadas. NVIDIA siguió invirtiendo en un ecosistema de programación antes de que su mercado posterior fuera obvio. La empresa abandonó algunos proyectos mientras profundizaba otros. Estas decisiones revelan prioridades sin requerir un relato inventado de lo que sentía cada mañana.

La ansiedad productiva y sus límites

La idea familiar de que una empresa siempre está cerca del fracaso puede fomentar la vigilancia. Recuerda a las personas que los clientes tienen alternativas y que las ventajas técnicas decaen. Pero una emergencia permanente también puede agotar una organización o dificultar el desacuerdo reflexivo.

La distinción está en lo que produce la advertencia. ¿Conduce a mejores pruebas, reconocimiento más rápido de los problemas de los clientes y planificación más honesta? ¿O fomenta decisiones apresuradas y la ocultación de malas noticias? Una biografía puede identificar la tensión sin afirmar que cada empleado vivió la cultura de la misma manera.

Igualmente, el fracaso solo es útil cuando la organización aprende algo accionable. Repetir un experimento fallido sin cambiar sus supuestos no es resiliencia. Un experimento bien diseñado produce información incluso cuando su resultado comercial decepciona. Uno mal diseñado puede consumir dinero mientras deja la pregunta central sin respuesta.

La disciplina de cambiar de opinión

El episodio temprano de Sega es especialmente instructivo porque exigió a Huang separar la identidad de una elección técnica. Un fundador puede haber invertido reputación, dinero y años de trabajo en un diseño. Admitir que está equivocado puede sentirse como admitir que la empresa misma está equivocada. Sin embargo, la supervivencia puede depender de hacer exactamente esa distinción.

La lección más amplia es preservar el compromiso con el problema mientras se permite que la solución propuesta cambie. La historia de NVIDIA ofrece varias versiones de este patrón: las arquitecturas de gráficos evolucionaron, el software se volvió central, la IA ganó importancia y algunos mercados quedaron atrás. El patrón debe estudiarse como una secuencia de decisiones, no elevarse a una garantía de que todo pivote futuro tendrá éxito.

15 Lori, Spencer y Madison

Una familia en la historia pública

Jensen y Lori Huang se conocieron como estudiantes de ingeniería en Oregon State y se casaron en 1985. Tienen dos hijos adultos, Spencer y Madison. Su filantropía educativa compartida [Educational philanthropy] está bien documentada. Más allá de ese registro público, una biografía debe respetar la diferencia entre las actividades públicas de una familia y su vida privada. [1, 4]

Es razonable reconocer que construir una empresa durante décadas afecta a un hogar. No es razonable inventar las conversaciones, los compromisos o las experiencias emocionales de miembros de la familia que no los han descrito públicamente. Llamar a un cónyuge el secreto detrás de cada éxito empresarial puede sonar halagador mientras borra su propia capacidad de acción [Agency].

La misma cautela se aplica a las afirmaciones sobre el título formal actual de Lori, los activos de la fundación o fechas profesionales precisas. Estos detalles necesitan registros fechados. No deben inferirse de la escala de la riqueza familiar ni copiarse de un resumen sin fuentes.

Madison Huang

La biografía pública actual de NVIDIA identifica a Madison Huang como directora sénior de producto y marketing técnico para plataformas de IA física [Physical AI platforms]. Describe responsabilidades en Omniverse, Cosmos e Isaac, y registra trabajo previo de marketing en el grupo Louis Vuitton Moët Hennessy y un MBA en Marketing y Estrategia de London Business School. [19]

Estos son detalles profesionales significativos. Muestran una vía de entrada a la tecnología a través del marketing y la educación empresarial, en lugar de una simple reproducción de la carrera de diseño de chips de su padre. Las afirmaciones sobre la edad exacta o una cronología completa de formación culinaria no son necesarias para explicar su papel actual.

Comercializar una plataforma técnica no es meramente crear publicidad. Implica explicar capacidades a desarrolladores y clientes, entender las barreras de adopción [Adoption barriers] y conectar el trabajo de ingeniería con un mercado. La calidad de ese trabajo debe evaluarse por sus resultados, no presumirse a partir de una relación familiar.

Spencer Huang

La biografía técnica de NVIDIA identifica a Spencer Huang como director de producto para robótica. Describe trabajo en simulación, aprendizaje de robots [Robot learning], datos sintéticos [Synthetic data] y la infraestructura usada para entrenar y desplegar máquinas autónomas. También registra un MBA técnico de la New York University centrado en inteligencia artificial. [20]

El camino profesional descrito en los relatos públicos difiere de la carrera temprana de su padre. Esa diferencia importa porque una familia puede compartir una empresa sin compartir formación o responsabilidades idénticas. Un título por sí solo no establece la profundidad de la contribución técnica de una persona, pero tampoco la filiación justifica desestimar esa contribución.

Empleo familiar y gobierno corporativo [Governance]

Cuando los parientes de un fundador trabajan en una empresa que cotiza en bolsa, se plantean preguntas ordinarias de gobierno. ¿Se revisan adecuadamente los papeles y la remuneración? ¿Son claras las relaciones de reporte [Reporting relationships]? ¿Pueden otros empleados competir de manera justa? ¿Se divulgan debidamente las transacciones con partes relacionadas [Related-party transactions]?

Estas preguntas no establecen mala conducta. Forman parte de la disciplina institucional que se vuelve más importante a medida que crece una empresa. Igualmente, la reputación de un padre no puede sustituir la evaluación independiente del trabajo de un hijo.

El empleo tampoco es un anuncio de sucesión. La presencia de Spencer y Madison en NVIDIA no establece que alguno haya sido seleccionado para convertirse en director ejecutivo. La especulación sobre una dinastía tecnológica puede generar atención, pero una biografía seria debe separar un empleo actual de un nombramiento futuro que no ha sido confirmado públicamente.

16 Devolver a través de la educación

Las instituciones que siguen siendo importantes

La filantropía pública de los Huang tiene fuertes vínculos con la educación. Oregon State anunció su donación de 50 millones de dólares en 2022 para el Jen-Hsun and Lori Huang Collaborative Innovation Complex. El proyecto conecta ingeniería, computación e investigación a través de disciplinas. [21]

El relato de Stanford sobre el Huang Engineering Center registra el compromiso [Commitment] de 30 millones de dólares de la pareja. El relato de Oneida registra su subvención de contrapartida de 2 millones de dólares para la instalación inaugurada en 2019. Estas donaciones conectan diferentes etapas de la vida de Huang: infancia, educación de grado y estudios de posgrado. [22, 3]

Los montos deben leerse como los compromisos descritos en los anuncios institucionales correspondientes. Una promesa [Pledge], una valoración de activos y el dinero ya desembolsado no son intercambiables. Tampoco debe confundirse la filantropía de la familia con la fundación corporativa de NVIDIA o las inversiones comerciales de la empresa.

Lo que la filantropía educativa puede lograr

Un edificio universitario no es un resultado educativo por sí mismo. Su valor depende de las personas, los equipos y los programas que apoya. Las instalaciones bien diseñadas pueden permitir una colaboración antes difícil, dar a los estudiantes acceso a herramientas avanzadas y atraer investigadores que trabajan en problemas importantes.

La relación entre un donante tecnológico y una universidad también merece un examen reflexivo. Las donaciones pueden ampliar oportunidades mientras influyen en las prioridades. Las instituciones necesitan independencia académica, gobierno transparente y una comprensión clara de qué obligaciones acompañan a una donación.

El relato más sólido de la filantropía evita, por tanto, dos extremos. No trata la riqueza donada como prueba automática de excelencia moral, ni asume que cada donación es mera autopromoción. Examina el compromiso documentado, el propósito del receptor y, cuando la evidencia está disponible, los resultados.

Para esta biografía, la conexión recurrente con la educación es significativa. La propia carrera de Huang dependió de la formación técnica y de instituciones que le dieron espacio para desarrollarse. Apoyar esas instituciones crea un vínculo visible entre el éxito privado y las oportunidades para otros. Cuánto logra finalmente ese vínculo es una pregunta para la evidencia a lo largo del tiempo.

17 Los argumentos a favor de comparar a Huang con Steve Jobs

Una comparación útil comienza con una definición

Llamar a Huang un Steve Jobs viviente puede significar varias cosas diferentes. Puede significar que es un líder tecnológico carismático, un fundador cuya empresa remodela una industria o una figura pública capaz de hacer emocionantes productos complejos. Esas son comparaciones comprobables. No puede significar literalmente que tenga la misma personalidad, carrera o papel histórico.

El caso más sólido comienza con la capacidad de conectar la tecnología con una posibilidad mayor. Jobs ayudó a hacer la computación personal [Personal computing] y los dispositivos móviles inteligibles como experiencias que la gente podía desear. Huang ha ayudado a hacer la computación acelerada inteligible como infraestructura a través de la cual investigadores y empresas pueden realizar trabajo antes impracticable.

La comparación también descansa en la integración. El anuncio del iPhone de Apple en 2007 presentó un dispositivo que combinaba funciones de comunicación, medios e internet a través de una interfaz [Interface] estrechamente controlada. La estrategia de NVIDIA conecta procesadores, redes y software en plataformas para desarrolladores y organizaciones. En ambos casos, el beneficio del cliente depende de cómo funcionan juntas las partes. [23]

Convicción antes del consenso

Ambas carreras contienen decisiones que parecían inciertas antes de ser celebradas. El propio discurso de Jobs en Stanford describe el valor que encontró después en experiencias que inicialmente no formaban un plan de carrera obvio, y su regreso a Apple siguió a un período fuera de la empresa. La inversión sostenida de Huang en CUDA precedió a la prominencia comercial generalizada del aprendizaje profundo. [24, 9]

La similitud no es que alguno de los dos pudiera ver el futuro perfectamente. Es que ambos estuvieron dispuestos a organizar un esfuerzo sustancial en torno a una visión de cómo la tecnología podía volverse más útil. Una visión adquiere significado práctico solo cuando cambia decisiones de producto, inversión y el trabajo de otras personas.

Narrar en público como un activo operativo [Operating asset]

Las presentaciones de productos de Jobs se convirtieron en parte de la identidad comercial de Apple. Las presentaciones de Huang lo han convertido de manera similar en el intérprete público de la estrategia de NVIDIA. La ropa asociada a cada uno es memorable, pero es una base débil de comparación. La similitud más fuerte es su papel al traducir decisiones técnicas en una historia coherente.

Esto puede ayudar a una organización a coordinarse en torno a una dirección. Los empleados entienden qué debe lograr el producto. Los clientes ven cómo podría encajar en sus planes. Los socios tienen una razón para invertir en trabajo complementario. Narrar puede, por tanto, contribuir a la ejecución en lugar de meramente decorarla.

Pero el poder de persuadir también crea riesgos. Las audiencias pueden empezar a tratar la confianza de un líder como evidencia. Un anuncio bien presentado puede ocultar preguntas de ingeniería o comerciales sin resolver. La admiración debería hacer a los lectores más atentos a esas preguntas, no menos.

Una interpretación defendible

La frase "el Steve Jobs de la era de la IA" puede defenderse como una metáfora editorial para un fundador influyente que combina convicción estratégica, integración y comunicación pública. Se vuelve más fuerte cuando esas dimensiones se enuncian explícitamente.

Esa formulación aún necesita límites. La IA tiene muchos constructores y ningún dueño único. La importancia de Huang no convierte a cada desarrollador de modelos, investigador o diseñador de hardware competidor en un actor secundario de su historia. Tampoco la comparación establece que sus productos o decisiones disfrutarán de la misma posición cultural a largo plazo que los de Apple.

El caso positivo es, por tanto, sustancial pero estrecho. Huang puede compararse con Jobs como un líder que ayudó a otras personas a reconocer y adoptar una nueva dirección tecnológica. La comparación no es un certificado de carácter equivalente ni una predicción de un legado [Legacy] idéntico.

18 Los argumentos contra la etiqueta del "Steve Jobs viviente"

Caminos diferentes hacia la tecnología

Jobs y Huang llegaron al liderazgo a través de formas diferentes de preparación. Jobs dejó Reed College y luego describió la influencia de las materias que exploró fuera de un camino de grado convencional. Huang completó tanto el grado como el posgrado en ingeniería eléctrica mientras acumulaba experiencia en semiconductores. [24, 4]

Esta diferencia no debe convertirse en una contienda entre intuición y educación. Jobs trabajó con ingenieros muy capaces y entendió la importancia de la implementación. El éxito de Huang también requirió juicio, comunicación e imaginación que no pueden reducirse a títulos. La cuestión es que no existe una única plantilla educativa para el liderazgo tecnológico.

Clientes diferentes y visibilidad diferente

Los productos más famosos de Apple ponían las decisiones de la empresa directamente en manos de los consumidores. La experiencia de usar un dispositivo era central en la propuesta de valor [Value proposition]. Gran parte del negocio de IA de NVIDIA suministra infraestructura a otras organizaciones, cuyos productos pueden llevar marcas completamente diferentes.

Esa diferencia afecta el proceso de venta, las prioridades de ingeniería y el significado del éxito. Un consumidor puede decidir en minutos que una interfaz se siente mejor. Una empresa puede necesitar evaluar durante meses el rendimiento [Throughput], la compatibilidad del software, el riesgo de despliegue [Deployment risk] y el costo total. Huang debe persuadir tanto a evaluadores técnicos como a responsables institucionales de decisiones.

La distinción no es absoluta. NVIDIA tiene una gran historia de juegos de consumo, y Apple depende de desarrolladores e infraestructura. Sin embargo, los centros de gravedad dominantes difieren lo suficiente como para que llamar a Huang simplemente otro Jobs oculte más de lo que explica.

Formas diferentes de control

Los productos integrados de Apple han implicado a menudo un control estrecho sobre la experiencia del usuario final [End-user experience]. La plataforma de NVIDIA también debe acomodar una amplia red de desarrolladores, fabricantes de equipos, proveedores de nube y comunidades de investigación. Su éxito depende de que otros construyan muchas cosas que NVIDIA no diseña.

Sería inexacto convertir esto en un simple contraste de cerrado contra abierto. NVIDIA tiene interfaces de software y hardware propietarias además de proyectos abiertos. Apple ha permitido un amplio desarrollo de terceros mientras conservaba puntos de control importantes. La comparación más útil se refiere a dónde traza cada negocio sus límites y por qué.

Relaciones diferentes con la empresa fundada

Jobs dejó Apple en 1985 y regresó tras su adquisición de NeXT en los años noventa. Su carrera incluyó trabajo importante fuera de Apple, incluido Pixar. Huang ha dirigido NVIDIA continuamente desde su fundación. [24, 25]

La continuidad puede preservar la memoria institucional y los compromisos a largo plazo. Un regreso tras una ausencia puede traer una reevaluación más radical de una organización. Ninguno de los dos caminos produce automáticamente un mejor liderazgo. Crean condiciones diferentes bajo las cuales un fundador aprende, gana autoridad y cambia de estrategia.

La personalidad no puede inferirse de una actuación en el escenario

Es tentador describir a Jobs como duro y a Huang como amable, o a Jobs como artístico y a Huang como analítico. Tales oposiciones ordenadas no son fiables. Las entrevistas públicas, los relatos de empleados y las biografías ofrecen visiones parciales moldeadas por el tiempo, el contexto y la relación del observador con el sujeto.

El método responsable es comparar comportamientos documentados: cómo se tomó una decisión, cómo se cambió un producto, cómo se reconoció un error o cómo se movió la información a través de la organización. Las afirmaciones amplias sobre el carácter interior requieren más evidencia que unas pocas citas o una presentación exitosa.

También hay una trampa moral en tratar el éxito comercial como prueba de que todo comportamiento exigente estaba justificado. Un producto puede tener éxito a pesar del mal trato a las personas, no gracias a él. Un aspirante a fundador no debería imitar la anécdota más dramática sobre un ejecutivo famoso y esperar el mismo resultado comercial.

El veredicto

Huang resulta más revelador junto a Jobs cuando la comparación expone sus diferencias en lugar de convertir uno en el otro. La etiqueta "Steve Jobs viviente" es defendible como metáfora claramente señalada, pero débil como descripción factual. Es especialmente engañosa si implica que la industria tecnológica necesita un único sucesor de Jobs.

Una conclusión más precisa es que Jensen Huang es un líder visionario distintivo cuya influencia invita a la comparación con Steve Jobs. Jobs ayudó a remodelar la relación entre las personas y la tecnología personal. Huang ayudó a construir la plataforma de computación a través de la cual muchas organizaciones desarrollan IA. Sus logros se solapan en el método de liderazgo mientras difieren en productos, mercados e historia institucional.

Para el título de un capítulo o un ensayo, "Un Steve Jobs viviente" puede funcionar como pregunta. Para la conclusión de una biografía seria, Huang merece ser entendido en su propio nombre.

19 Poder, dependencia y responsabilidad

Un proveedor central no es un banco central

NVIDIA es descrita a veces metafóricamente como un banco central de la IA [Central bank of AI] porque el acceso a sus productos de computación se ha vuelto estratégicamente importante. La metáfora capta la dependencia y la influencia, pero no es un relato literal de cómo funciona la industria.

Un banco central tiene responsabilidades públicas y poderes monetarios [Monetary powers] que NVIDIA no posee. NVIDIA es una empresa comercial que opera entre clientes, competidores, proveedores y gobiernos. No emite la moneda de la IA, no garantiza liquidez al sector ni posee capacidad ilimitada para estabilizarlo.

Una interrupción severa en NVIDIA podría crear consecuencias significativas para los clientes y el mercado más amplio. No se sigue que toda empresa de IA colapsaría automáticamente. Los equipos existentes seguirían existiendo, los proveedores alternativos permanecerían y las organizaciones responderían de diferentes maneras. La escala y el momento de cualquier daño dependerían de la naturaleza de la interrupción.

Esta distinción importa porque una metáfora dramática puede convertirse en un modelo falso para la toma de decisiones. Una empresa que planifica infraestructura debe evaluar el riesgo de concentración [Concentration risk], las obligaciones contractuales, la portabilidad del software [Software portability] y las opciones de contingencia. Esas preguntas son más útiles que asumir una seguridad perfecta o un colapso sistémico inevitable.

Cadenas de suministro y geopolítica

Los chips avanzados dependen de una cadena de suministro internacional especializada [Supply chain]. El diseño, la fabricación, la memoria, el encapsulado [Packaging], el equipo y la construcción de centros de datos se distribuyen entre organizaciones y jurisdicciones. El éxito de NVIDIA no elimina esas dependencias. Sus presentaciones anuales describen riesgos asociados con el suministro, los clientes, la regulación y los controles de exportación [Export controls]. [6]

Las restricciones a la exportación [Export restrictions] pueden cambiar qué productos pueden venderse en un mercado. Las limitaciones de fabricación o encapsulado pueden limitar las entregas. La disponibilidad de energía puede retrasar instalaciones incluso cuando el hardware está listo. Estos no son asuntos periféricos: pueden moldear tanto la oportunidad comercial como las elecciones estratégicas de la empresa.

La implicación para el liderazgo es que la visión técnica debe coexistir con el juicio institucional. Una promesa de construir más capacidad de computación requiere planes creíbles para proveedores, energía, finanzas y cumplimiento [Compliance]. También requiere reconocer que otras partes interesadas pueden juzgar el proyecto por preocupaciones de seguridad o ambientales en lugar de solo por el rendimiento.

La prueba de gobierno sin resolver de noviembre de 2026

El 8 de noviembre de 2026, el consejo de NVIDIA anunció una investigación independiente [Independent investigation] tras informes de que Huang había sido objetivo de un esfuerzo de inteligencia extranjera [Foreign intelligence effort]. El consejo dijo que no tenía razones en ese momento para creer que la seguridad nacional o los secretos de NVIDIA se hubieran visto comprometidos, expresó confianza en Huang y su equipo de liderazgo, y dijo que él apoyaba la revisión y cooperaría con ella. [26]

El 10 de noviembre, los consejeros independientes anunciaron que habían contratado al ex fiscal federal interino de EE. UU. Joon H. Kim y a Wachtell, Lipton, Rosen & Katz para conducir la investigación. Al cierre de esta edición, estas declaraciones establecen una investigación y sus arreglos de supervisión, no una conclusión completada de mala conducta ni una exoneración. [27]

El asunto de interés público es el gobierno corporativo y la protección de una empresa importante. Una biografía cuidadosa no necesita repetir acusaciones íntimas no verificadas para explicar ese asunto. La investigación del consejo debe evaluarse por su independencia, alcance, evidencia y conclusiones eventuales, y no por especulaciones sobre cuál debe ser su resultado.

El episodio también subraya un principio general: un fundador visionario sigue siendo responsable. El logro técnico, la riqueza de los accionistas y la admiración pública no colocan a un líder más allá del escrutinio. Al mismo tiempo, una acusación no es un veredicto. La equidad requiere mantener intactas ambas proposiciones.

20 El próximo capítulo sigue sin escribirse

La IA física y la frontera con el mundo real

Las plataformas públicas de NVIDIA abordan cada vez más la robótica, la simulación y la IA física [Physical AI]. Omniverse apoya flujos de trabajo relacionados con la simulación; Isaac se refiere a la robótica; y las herramientas de modelos y datos relacionadas pretenden ayudar a los desarrolladores a entrenar y evaluar sistemas que interactúan con el mundo físico. Las biografías de producto y los anuncios actuales de la empresa reflejan esta dirección. [19, 20]

La transición de generar una respuesta a controlar una máquina cambia las consecuencias del error. Un párrafo equivocado puede engañar; un movimiento equivocado de un robot puede dañar equipos o herir a alguien. La simulación es valiosa, pero no puede por sí sola establecer un comportamiento seguro en cada entorno real.

La oportunidad comercial viene, por tanto, acompañada de exigencias de pruebas, monitoreo, seguridad y responsabilidad clara. El modelo más capaz no es automáticamente el sistema operativo más seguro. Los sensores, los actuadores [Actuators], los procedimientos humanos y los mecanismos de reserva [Fallback mechanisms] contribuyen todos al resultado.

El énfasis de larga data de Huang en construir plataformas puede ser relevante aquí. Si los desarrolladores necesitan herramientas fiables de simulación, entrenamiento y despliegue, un proveedor que conecta esas capas puede ser valioso. Que las aplicaciones resultantes cumplan sus beneficios prometidos sigue siendo un asunto de evidencia, no una consecuencia de la ambición de la plataforma.

Lo que los emprendedores pueden llevarse de esta vida

La primera lección es construir experiencia antes de tratar la confianza como su sustituto. La carrera de Huang descansó en la educación y años de trabajo en la industria. La audacia importó, pero estuvo apoyada por conocimiento técnico y relaciones profesionales.

La segunda es distinguir un problema de una solución particular. La arquitectura temprana de NVIDIA podía estar equivocada mientras la computación acelerada seguía siendo una oportunidad importante. Un fundador que no puede hacer esa distinción corre el riesgo de defender un diseño después de que los clientes y los estándares se hayan movido a otra parte.

La tercera es hacer más fácil que otras personas creen valor. La importancia de CUDA reside en parte en el trabajo que permitió más allá de los propios productos de NVIDIA. Las plataformas pueden crecer cuando reducen la dificultad de experimentar y hacen reutilizable el trabajo exitoso.

La cuarta es preservar margen financiero para aprender. Una idea prometedora no puede sobrevivir indefinidamente sin efectivo. El rescate de Sega demuestra lo cerca que una empresa importante puede estar de desaparecer antes de que su valor posterior se vuelva visible. También demuestra que la ayuda de otros puede ser decisiva.

La quinta es hacer el liderazgo transferible. Una empresa que depende del juicio de un fundador necesita mecanismos para desarrollar otro juicio, preservar conocimiento y desafiar decisiones. Una institución duradera es un logro mayor que una personalidad indispensable.

Una vida entendida a través de las decisiones

La historia de Jensen Huang es convincente porque contiene incertidumbre real. Un niño cruzó países. Un estudiante se convirtió en ingeniero. Un ingeniero se convirtió en fundador. El fundador dirigió una empresa a través de supuestos fallidos, avances comerciales y una larga inversión en una plataforma de programación que ayudó a colocar a NVIDIA en el centro de la IA.

La secuencia puede admirarse sin volverla inevitable. Puede estudiarse sin convertir cada revés en una quiebra ni cada éxito en evidencia de genio solitario. Sus lecciones más útiles surgen de la interacción de juicio, preparación, colegas, instituciones y circunstancias.

La comparación con Steve Jobs ayuda a iluminar parte de ese logro. Ambos líderes dieron una voz pública al cambio tecnológico y organizaron empresas en torno a visiones ambiciosas de lo que podía construirse. Sin embargo, la contribución distintiva de Huang es más clara cuando la comparación se detiene antes de reemplazar su identidad.

No es importante porque el mundo haya encontrado otro Steve Jobs. Es importante porque el trabajo que ayudó a organizar cambió lo que muchas otras personas podían computar, investigar y construir. La evaluación final de esa contribución dependerá de desarrollos aún por venir: el valor de las aplicaciones de IA, la resiliencia de la empresa, la conducta de su liderazgo y la capacidad de su tecnología para servir propósitos más allá de su propio crecimiento.

Cronología

Glosario técnico

Accelerated computing [Computación acelerada]. Uso de procesadores especializados junto con la computación de propósito general para realizar cargas de trabajo adecuadas de manera más eficiente.

AI model [Modelo de IA]. Un sistema computacional cuyos parámetros y estructura se usan para producir predicciones, clasificaciones o salidas generadas.

ASIC. Un circuito integrado de aplicación específica [Application-specific integrated circuit] diseñado para una clase particular de tarea.

CPU. Central processing unit. Un procesador de propósito general adecuado para una amplia gama de operaciones y tareas de control.

CUDA. La plataforma y el modelo de programación de NVIDIA para computación acelerada en GPU de NVIDIA compatibles.

Data centre [Centro de datos]. Una instalación que contiene equipos de cómputo, almacenamiento y redes, con los sistemas de energía, refrigeración y operación necesarios para ejecutarlos.

Deep learning [Aprendizaje profundo]. Aprendizaje automático que usa redes neuronales con múltiples capas de procesamiento.

Digital twin [Gemelo digital]. Una representación digital de un sistema físico usada para análisis, monitoreo o simulación. Su utilidad depende de con qué precisión representa el comportamiento relevante del mundo real.

GPU. Graphics processing unit. Un procesador diseñado para trabajo altamente paralelo, usado en gráficos y muchas aplicaciones de computación numérica.

Inference [Inferencia]. Ejecutar un modelo entrenado para producir una salida a partir de una nueva entrada.

Interconnect [Interconexión]. Un enlace de comunicación entre componentes o sistemas. Su ancho de banda y latencia pueden afectar fuertemente el rendimiento de la computación paralela.

Large language model [Modelo de lenguaje grande]. Un modelo entrenado con textos sustanciales y datos relacionados para procesar o generar lenguaje. La fluidez no garantiza la exactitud factual.

Parallel computing [Computación paralela]. Dividir el trabajo en operaciones que pueden ejecutarse concurrentemente.

Platform [Plataforma]. Un conjunto de tecnologías e interfaces sobre las que otras personas pueden construir aplicaciones o servicios.

Tensor Core. El nombre de NVIDIA para unidades de hardware especializadas que aceleran operaciones de matrices seleccionadas, importantes para la IA y otras cargas de trabajo numéricas.

Training [Entrenamiento]. El proceso de ajustar los parámetros de un modelo usando datos y un objetivo de optimización.

Transformer. Una arquitectura de red neuronal basada en mecanismos de atención [Attention mechanisms], ampliamente usada en modelos de lenguaje y otros.

Cómo leer la evidencia

Las referencias numeradas identifican fuentes para las afirmaciones factuales. La discusión circundante sobre liderazgo, estrategia y comparación es análisis y no una cita de los sujetos. Las historias institucionales establecen títulos, donaciones y papeles oficiales. Las presentaciones regulatorias [Regulatory filings] establecen las divulgaciones reportadas por la empresa. Las entrevistas preservan los recuerdos y puntos de vista de los hablantes. Los comunicados de producto establecen anuncios, con las afirmaciones de rendimiento conservando sus condiciones originales.

Casi fracasar no es lo mismo que una quiebra formal. Un anuncio de producto no es lo mismo que un despliegue de cliente completado. El empleo de un miembro de la familia no es un nombramiento de sucesión. Una investigación no es una conclusión. Estas distinciones son esenciales para entender esta vida con precisión.

Wikipedia y las notas familiares y profesionales suministradas ayudaron a identificar temas para la investigación. La bibliografía da a los lectores las fuentes públicas subyacentes usadas para el relato. La fecha adjunta a esta edición es un límite a su conocimiento, no una predicción de que eventos posteriores confirmarán sus conclusiones.

Fuentes y lecturas adicionales

Las referencias están numeradas en el texto. Los enlaces llevan al editor de la fuente. A menos que se indique una fecha de publicación abajo, la referencia fue consultada el 11 de noviembre de 2026.

1. Jensen Huang

Wikipedia. Página de referencia viva consultada el 11 de noviembre de 2026; usada como fuente de orientación [Orientation source], no como autoridad única para detalles disputados.

Fuente: https://en.wikipedia.org/wiki/Jensen_Huang

2. Only In America Jensen Huang on Vision Risk and the GPU

Hoover Institution. Entrevista con Condoleezza Rice; recuerdos en primera persona sobre familia, migración, educación y trabajo.

Fuente: https://www.hoover.org/plus/research/jensen-huang-vision-risk-and-gpu

3. Former Student Gift Paves the Way for New Facility

Oneida Baptist Institute. Relato institucional del internado, la asistencia a la escuela primaria y la donación del Huang Hall.

Fuente: https://www.oneidaschool.org/about/huanghall.cfm

4. Jen Hsun Huang Engineering Hall of Fame 2013

Oregon State University. Fechas de títulos, educación temprana, tenis de mesa y el encuentro con Lori Mills.

Fuente: https://engineering.oregonstate.edu/alumni-partners/oregon-stater-awards/searchable-awards-database/jen-hsun-huang-engineering-hall

5. Jensen Huang

Stanford University School of Engineering. Biografía institucional que confirma la maestría en ingeniería eléctrica de 1992.

Fuente: https://engineering.stanford.edu/about/history/heroes/2018-heroes/jensen-huang

6. NVIDIA Form 10 K for the fiscal year ended 26 January 2025

US Securities and Exchange Commission. Cronología del empleo ejecutivo y divulgaciones de riesgo de la empresa.

Fuente: https://www.sec.gov/Archives/edgar/data/1045810/000104581025000023/nvda-20250126.htm

7. Our History Innovations Over the Years

NVIDIA. Cronología corporativa; las afirmaciones de producto se tratan como descripciones de la empresa.

Fuente: https://www.nvidia.com/en-us/about-nvidia/corporate-timeline/

8. Nvidia An Overnight Success Story 30 Years in the Making

Sequoia Capital. Entrevista de Crucible Moments con Huang, Mark Stevens y otros; relatos retrospectivos de supervivencia y plataforma.

Fuente: https://sequoiacap.com/podcast/crucible-moments-nvidia

9. NVIDIA CEO Tells NTU Grads to Run Not Walk But Be Prepared to Stumble

NVIDIA Blog. 26 de mayo de 2023; relato de la empresa sobre el discurso de graduación de Huang y tres reveses estratégicos.

Fuente: https://blogs.nvidia.com/blog/huang-ntu-commencement/

10. Nvidia nearly went out of business in 1996 trying to make Sega's Dreamcast GPU

Tom's Hardware. Reportaje sobre el apoyo de Sega y el papel de Shoichiro Irimajiri; el acuerdo financiero no debe describirse como un regalo personal.

Fuente: https://www.tomshardware.com/tech-industry/nvidia-nearly-went-out-of-business-in-1996-trying-to-make-segas-dreamcast-gpu-instead-sega-americas-ceo-offered-the-company-a-dollar5-million-lifeline

11. CUDA Platform for Accelerated Computing

NVIDIA Developer. Visión técnica del conjunto de herramientas, el compilador, las bibliotecas y el entorno de programación.

Fuente: https://developer.nvidia.com/cuda

12. ImageNet Classification with Deep Convolutional Neural Networks

Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton. Artículo de investigación original de 2012; el resultado de AlexNet.

Fuente: https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html

13. NVIDIA Reports Results for Second Quarter of Fiscal 2009

US Securities and Exchange Commission. 12 de agosto de 2008; cargo de 196 millones de dólares por calidad de producto y resultados trimestrales.

Fuente: https://www.sec.gov/Archives/edgar/data/1045810/000104581008000018/q209form8kpressrelease.htm

14. NVIDIA Fiscal 2009 Form 10 K

US Securities and Exchange Commission. Año terminado el 25 de enero de 2009; posición de efectivo, equivalentes y valores negociables.

Fuente: https://www.sec.gov/Archives/edgar/data/1045810/000104581009000013/fy2009form10k.htm

15. NVIDIA and SoftBank Group Announce Termination of NVIDIA Acquisition of Arm Limited

NVIDIA y SoftBank. 7 de febrero de 2022; obstáculos regulatorios, monto prepagado y licencia conservada.

Fuente: https://nvidianews.nvidia.com/news/nvidia-and-softbank-group-announce-termination-of-nvidias-acquisition-of-arm-limited

16. NVIDIA Completes Acquisition of Mellanox

NVIDIA. 27 de abril de 2020; finalización y razón de redes.

Fuente: https://nvidianews.nvidia.com/news/nvidia-completes-acquisition-of-mellanox-creating-major-force-driving-next-gen-data-centers

17. NVIDIA Announces Financial Results for Second Quarter Fiscal 2027

NVIDIA. 26 de agosto de 2026; resultados del trimestre terminado el 26 de julio de 2026 y declaraciones de producto fechadas.

Fuente: https://investor.nvidia.com/news/press-release-details/2026/NVIDIA-Announces-Financial-Results-for-Second-Quarter-Fiscal-2027/

18. A conversation with NVIDIA Jensen Huang

Stripe Sessions. Entrevista de 2024; liderazgo, flujo de información y pensamiento estratégico.

Fuente: https://stripe.com/sessions/2024/a-conversation-with-nvidias-jensen-huang

19. Madison Huang Author Page

NVIDIA Blog. Papel público actual, trabajo previo en LVMH y MBA de London Business School; consultado el 11 de noviembre de 2026.

Fuente: https://blogs.nvidia.com/blog/author/madisonh/

20. Spencer Huang Author Page

NVIDIA Technical Blog. Papel actual en robótica y MBA técnico de NYU; consultado el 11 de noviembre de 2026.

Fuente: https://developer.nvidia.com/blog/author/spencerh

21. 50 Million Gift by NVIDIA Founder and Spouse Helps Launch Oregon State University Research Center

Oregon State University. 14 de octubre de 2022; anuncio institucional de la donación de los Huang.

Fuente: https://news.oregonstate.edu/news/50-million-gift-nvidia-founder-and-spouse-helps-launch-oregon-state-university-research-center

22. Designing for the future

Stanford Engineering. Historia institucional del Huang Center y compromiso de 30 millones de dólares.

Fuente: https://engineering100.stanford.edu/stories/designing-for-the-future

23. Apple Reinvents the Phone with iPhone

Apple. 9 de enero de 2007; anuncio de lanzamiento y descripción del producto integrado.

Fuente: https://www.apple.com/newsroom/2007/01/09Apple-Reinvents-the-Phone-with-iPhone/

24. You have got to find what you love Jobs says

Stanford University. 12 de junio de 2005; texto preparado del discurso de graduación de Steve Jobs.

Fuente: https://news.stanford.edu/stories/2005/06/youve-got-find-love-jobs-says

25. Apple Timeline

Computer History Museum. Cronología histórica de Apple, incluidas la salida y el regreso de Jobs.

Fuente: https://computerhistory.org/apple-timeline/

26. Statement From NVIDIA Board of Directors

NVIDIA. 8 de noviembre de 2026; investigación independiente, confianza expresada y posición del consejo en esa fecha.

Fuente: https://nvidianews.nvidia.com/news/statement-from-nvidia-board-of-directors

27. Statement From the Independent Members of the NVIDIA Board

NVIDIA. 10 de noviembre de 2026; nombramiento de Joon H. Kim y Wachtell Lipton Rosen and Katz.

Fuente: https://nvidianews.nvidia.com/news/statement-from-the-independent-members-of-the-nvidia-board

28. NVIDIA Launches World First Deep Learning Supercomputer

NVIDIA. 5 de abril de 2016; anuncio del DGX-1; las afirmaciones de primacía se atribuyen a la empresa.

Fuente: https://nvidianews.nvidia.com/news/nvidia-launches-world-s-first-deep-learning-supercomputer-6622436

29. NVIDIA Launches Revolutionary Volta GPU Platform

NVIDIA. 2017; anuncio de Volta y Tensor Core.

Fuente: https://nvidianews.nvidia.com/news/nvidia-launches-revolutionary-volta-gpu-platform-fueling-next-era-of-ai-and-high-performance-computing

30. NVIDIA Announces Hopper Architecture

NVIDIA. 22 de marzo de 2022; anuncio de la arquitectura Hopper y del Transformer Engine.

Fuente: https://nvidianews.nvidia.com/news/nvidia-announces-hopper-architecture-the-next-generation-of-accelerated-computing

31. NVIDIA Blackwell Platform Arrives to Power a New Era of Computing

NVIDIA. 18 de marzo de 2024; anuncio de Blackwell, con afirmaciones de rendimiento dependientes de las comparaciones indicadas.

Fuente: https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing

32. Chris Malachowsky

Computer History Museum. Trayectoria profesional en HP y Sun y cofundación de NVIDIA.

Fuente: https://computerhistory.org/profile/chris-malachowsky/

33. Curtis R Priem

Rensselaer Polytechnic Institute. Historia de ingeniería de gráficos y servicio como CTO de NVIDIA de 1993 a 2003.

Fuente: https://president.rpi.edu/leadership/curtis-r-priem-bs-82

34. Famous Graphics Chips Nvidia RIVA 128

IEEE Computer Society. Relato histórico de Jon Peddie sobre el NV1, los estándares de gráficos y la recuperación con RIVA.

Fuente: https://www.computer.org/publications/tech-news/chasing-pixels/famous-graphics-chips-nvidias-riva128

35. NVIDIA Fiscal 2014 Third Quarter Form 10 Q

US Securities and Exchange Commission. Divulgación histórica del acuerdo de compra de activos de 3dfx y fecha de cierre.

Fuente: https://www.sec.gov/Archives/edgar/data/1045810/000104581013000109/nvda2014q310q.htm

36. NVIDIA Brings Real Time Ray Tracing to Gamers with GeForce RTX

NVIDIA. 20 de agosto de 2018; anuncio de Turing y GeForce RTX.

Fuente: https://nvidianews.nvidia.com/news/10-years-in-the-making-nvidia-brings-real-time-ray-tracing-to-gamers-with-geforce-rtx