Ilustración de infraestructura de GPU a la escala de AWS y NVIDIA. La imagen es conceptual, no una fotografía de un centro de datos real.
AWS y NVIDIA planean añadir dos millones de GPU a la infraestructura de AWS entre 2027 y 2028. La inversión va más allá de las GPU e incluye procesadores, redes de alta velocidad y plataformas de IA. Para las empresas que planifican cargas de trabajo de IA, la pregunta importante es qué podría hacer posible esta expansión, qué capacidades ya están disponibles y qué debería influir hoy en las decisiones de infraestructura.
Dos millones de GPU y lo que significan para las empresas
En agosto de 2026, AWS y NVIDIA anunciaron planes para desplegar dos millones de GPU de NVIDIA adicionales en la infraestructura de AWS entre 2027 y 2028. La expansión incluye las GPU NVIDIA Blackwell Ultra, Rubin y Rubin Ultra, y se apoya en una colaboración anterior que abarcaba más de un millón de GPU.
La escala del anuncio es considerable, pero la cifra por sí sola no explica qué significa para las organizaciones que crean u operan aplicaciones de IA. Una empresa que entrena sus propios modelos de IA tiene necesidades de infraestructura distintas de las de otra que usa servicios de IA gestionados. Una empresa de robótica que desarrolla máquinas autónomas se enfrenta, a su vez, a exigencias diferentes.
AWS y NVIDIA están invirtiendo en todas estas áreas: amplían no solo la capacidad de aceleradores, sino también procesadores, redes, modelos de IA y tecnologías de procesamiento de datos. Las empresas citan como motivos de la inversión la creciente demanda de IA agéntica, IA física, investigación científica y otras cargas de trabajo de cómputo intensivo.
Para los arquitectos empresariales, la pregunta útil no es si dos millones de GPU son una cifra impresionante. Es qué infraestructura se prepara AWS para ofrecer, qué cargas de trabajo podrían beneficiarse y qué seguirá siendo incierto hasta que la nueva capacidad esté realmente disponible.
Fuente: anuncio de AWS y NVIDIA, 26 de agosto de 2026
Qué están construyendo AWS y NVIDIA
La alianza abarca varias partes conectadas de la infraestructura de IA. El componente visible más grande es la capacidad de GPU. Las GPU realizan los grandes volúmenes de cálculo en paralelo que se usan para entrenar y ejecutar muchos modelos de IA. En las cargas de trabajo exigentes, su capacidad de memoria y su velocidad de comunicación pueden ser tan importantes como el rendimiento de cálculo bruto.
La expansión prevista incluye tres generaciones de GPU de NVIDIA: Blackwell Ultra, Rubin y Rubin Ultra. Pero un gran sistema de cómputo no puede funcionar de forma eficiente solo con GPU.
Cuando un modelo se distribuye entre muchos aceleradores, esos procesadores deben intercambiar información con rapidez. Los retrasos al mover datos pueden reducir el beneficio de añadir más potencia de cálculo.
Por eso AWS y NVIDIA están profundizando su colaboración en redes, incluidas la tecnología NVIDIA Spectrum y AWS Elastic Fabric Adapter. También planean infraestructura basada en las CPU NVIDIA Vera para respaldar las tareas de procesamiento que rodean a las cargas de trabajo de IA. La colaboración adicional abarca los modelos NVIDIA Nemotron en Amazon Bedrock y SageMaker, el procesamiento acelerado de datos y las tecnologías que se usan en el desarrollo de robótica.
| Infraestructura | Desarrollo previsto | Relevancia |
|---|---|---|
| Blackwell Ultra, Rubin y Rubin Ultra | Capacidad de GPU adicional | Entrenamiento e inferencia de modelos grandes |
| CPU NVIDIA Vera | Infraestructura de CPU en AWS | Apoyo al cómputo que rodea a las cargas de trabajo de IA |
| Integración de Spectrum con las redes de AWS | Comunicación de gran ancho de banda | Cómputo distribuido en clústeres de aceleradores |
| Nemotron y software de IA | Integración de modelos y plataformas | Más opciones para crear y operar aplicaciones de IA |
| Procesamiento acelerado de datos | Procesamiento de datos y vectores asistido por GPU | Preparación y recuperación de la información que usan los sistemas de IA |
| Colaboración en IA física | Simulación y desarrollo de robótica | Entrenamiento y evaluación de IA para entornos físicos |
Estos desarrollos están conectados, pero no sirven a cargas de trabajo idénticas. Un arquitecto de nube que planifica un gran clúster de GPU quizá tenga que examinar de cerca las redes y la comunicación entre aceleradores. Una organización que usa servicios de IA gestionados quizá nunca gestione directamente esos componentes. La alianza está pensada para atender ambos tipos de demanda mediante la oferta más amplia de infraestructura y servicios de AWS.
Fuente: anuncio técnico de NVIDIA
Por qué la IA agéntica y la IA física forman parte de la inversión
Las cargas de trabajo de IA son cada vez más variadas. Entrenar un gran modelo de lenguaje, ejecutar un asistente de IA y simular un sistema robótico plantean exigencias distintas a la infraestructura de cómputo.
La IA agéntica es un área en la que AWS y NVIDIA esperan que surja demanda adicional. Un agente de IA puede usar un modelo para interpretar una solicitud, recuperar información, llamar a herramientas de software y avanzar por varios pasos antes de producir un resultado. Parte de esa actividad requiere inferencia del modelo, que puede ejecutarse en infraestructura respaldada por GPU. Otras partes usan CPU, bases de datos, almacenamiento y servicios externos.
Esto ayuda a explicar por qué la inversión anunciada va más allá de las GPU. La IA física introduce otro conjunto de requisitos. Los sistemas que se desarrollan para robots y máquinas autónomas pueden necesitar aprender de entornos simulados, procesar información visual y responder a condiciones físicas cambiantes.
Crear y probar estas capacidades puede implicar mucho cómputo y grandes conjuntos de datos. La colaboración de AWS y NVIDIA incluye tecnologías que respaldan este trabajo, junto con el entrenamiento y la inferencia de modelos más convencionales.
Sin embargo, el anuncio no establece qué parte de la nueva capacidad acabarán usando la IA agéntica, la IA física u otras cargas de trabajo. Son áreas de demanda prevista, no un reparto publicado de los dos millones de GPU.
Qué está disponible hoy y qué sigue siendo un plan
Una distinción importante es que el anuncio de los dos millones de GPU describe infraestructura futura. No significa que toda esa capacidad ya esté disponible para los clientes de AWS. Algunas de las tecnologías subyacentes ya están entrando en la infraestructura de AWS.
En agosto de 2026, AWS anunció la disponibilidad en más regiones de las instancias EC2 P6-B300, que usan GPU NVIDIA Blackwell Ultra. Una instancia P6-B300 ofrece ocho GPU, aproximadamente 2.1 TB de memoria de GPU combinada y hasta 6.4 Tbps de red mediante Elastic Fabric Adapter. Estas capacidades son relevantes para las organizaciones que ejecutan modelos grandes que requieren mucha memoria de acelerador o cómputo distribuido.
Rubin y Rubin Ultra, en cambio, forman parte de la expansión futura. Su presencia en la hoja de ruta no debe interpretarse como disponibilidad general.
Esta diferencia importa al planificar la infraestructura. Un arquitecto puede evaluar un tipo de instancia existente con especificaciones y precios reales, mientras que un acelerador futuro sigue siendo un elemento de planificación.
La disponibilidad regional crea otra restricción. AWS puede anunciar un crecimiento global de su infraestructura, pero eso no establece qué regiones recibirán determinadas familias de instancias, cuánta capacidad habrá disponible ni cuándo podrán aprovisionarla los clientes. Por tanto, las organizaciones con requisitos concretos de residencia de datos o de latencia deben evaluar la disponibilidad en las regiones donde piensan desplegar, en lugar de fiarse de la cifra global de GPU.
Fuente: expansión regional de AWS EC2 P6-B300, agosto de 2026
AWS también construye una alternativa a NVIDIA
Mientras amplía su infraestructura de NVIDIA, AWS sigue desarrollando sus propios aceleradores de IA. En diciembre de 2025, AWS anunció la disponibilidad general de los Trainium3 UltraServers, que ofrecen otra plataforma para el entrenamiento y la inferencia de IA a gran escala.
Esto hace que la expansión de infraestructura sea más interesante que un simple aumento de la capacidad de GPU de NVIDIA. Para las organizaciones que operan sus propios modelos, elegir entre NVIDIA y Trainium implica tanto hardware como software. Las cargas de trabajo basadas en NVIDIA suelen depender de CUDA y de sus bibliotecas de soporte. Trasladar esas cargas de trabajo a Trainium puede requerir trabajo de compatibilidad, validación de modelos y ajuste del rendimiento con AWS Neuron.
Que AWS siga invirtiendo en Trainium significa que los clientes pueden tener más opciones de aceleradores, pero cada plataforma introduce sus propias consideraciones técnicas y operativas. La pregunta práctica es si un modelo concreto rinde mejor, cuesta menos o es más fácil de operar en una plataforma que en otra. Eso no puede determinarse solo a partir de las especificaciones de las GPU.
Fuente: anuncio de AWS Trainium3
Las decisiones de arquitectura que importan
Las implicaciones más inmediatas de la expansión de AWS y NVIDIA afectan a las organizaciones que operan directamente infraestructura de IA. En el entrenamiento de modelos grandes, la memoria de los aceleradores y el rendimiento de la interconexión pueden determinar con qué eficiencia se reparte el trabajo entre las GPU.
En la inferencia, las consideraciones son distintas. Los arquitectos deben equilibrar el rendimiento (throughput), la latencia de respuesta, los requisitos de memoria del modelo y la utilización del hardware. Un despliegue optimizado para grandes volúmenes de solicitudes puede diferir sustancialmente de otro diseñado para ofrecer baja latencia a un pequeño número de solicitudes complejas.
Estas diferencias influyen en la selección de instancias, el diseño de los clústeres y los costos de operación. También influyen en si una organización debe gestionar una infraestructura de inferencia dedicada o consumir un servicio de modelos gestionado.
Por ejemplo, una empresa que opera un modelo especializado de uso continuo puede tener motivos para evaluar la inferencia autoalojada. Otra organización con una demanda irregular y poca experiencia en infraestructura puede encontrar más adecuados los servicios gestionados. Ninguno de los dos enfoques se deduce automáticamente del anuncio de las GPU.
El valor de la expansión está en que nuevas generaciones de hardware y tecnologías de apoyo podrían crear más opciones de despliegue a medida que estén disponibles.
La restricción práctica: conseguir la capacidad que necesitas
La expansión global de GPU de AWS no elimina las dificultades para obtener capacidad de cómputo especializada. Una organización puede necesitar una generación concreta de aceleradores, suficiente memoria de GPU, software compatible y varias instancias disponibles a la vez en una misma región.
En las cargas de trabajo distribuidas, asignar máquinas en ubicaciones que no pueden ofrecer el rendimiento de comunicación necesario puede socavar el diseño previsto.
AWS ofrece mecanismos de reserva de capacidad, entre ellos EC2 Capacity Blocks for ML, para determinadas cargas de trabajo con aceleradores. Sin embargo, los tipos de instancia compatibles, los periodos de reserva y la disponibilidad regional dependen de la oferta del servicio.
Por tanto, las organizaciones que planifican grandes proyectos de IA deben considerar la obtención de capacidad junto con la arquitectura técnica. La expansión de 2027 a 2028 podría mejorar las opciones futuras, pero la cantidad global anunciada no indica cuánta capacidad puede obtener un cliente concreto en una región concreta.
Fuente: Amazon EC2 Capacity Blocks for ML
Lo que sigue siendo incierto
La escala de la inversión de AWS y NVIDIA es sustancial, pero la entrega depende de algo más que fabricar GPU. El espacio en centros de datos, la electricidad, la refrigeración, las redes y los calendarios de instalación influyen en cuándo puede entrar en funcionamiento la infraestructura.
Los precios futuros son otra incógnita. El anuncio no establece el costo de las instancias de AWS basadas en Rubin, la economía relativa de las distintas plataformas futuras ni cómo se repartirá la capacidad entre regiones. Esos detalles importarán cuando las empresas evalúen opciones de despliegue concretas.
Por ahora, el anuncio ofrece una hoja de ruta tecnológica y una señal del crecimiento de infraestructura previsto, más que una base completa para tomar decisiones de compra.
Lo que nos dice la expansión
AWS y NVIDIA se preparan para cargas de trabajo de IA que exigen más capacidad de cómputo y una infraestructura de apoyo más capaz. La expansión prevista incluye nuevas generaciones de GPU, CPU, redes y software diseñados para respaldar el entrenamiento de modelos, la inferencia y la IA física.
Al mismo tiempo, AWS desarrolla su propio ecosistema de aceleradores, lo que abre otra vía para los clientes que evalúan hardware de IA. La importancia para las empresas dependerá de qué tecnologías lleguen a estar disponibles y de lo bien que sirvan a cargas de trabajo concretas.
El anuncio de los dos millones de GPU es importante no porque todas las empresas vayan a necesitar más GPU, sino porque representa una ampliación de las plataformas de cómputo disponibles para aplicaciones de IA cada vez más exigentes.
Fuentes y lecturas adicionales
- AWS and NVIDIA to Deliver 2 Million Additional GPUs and Next-Generation Infrastructure for Agentic and Physical AI, AWS, 26 de agosto de 2026.
- NVIDIA Announcement: AWS and NVIDIA Infrastructure Expansion, NVIDIA, 26 de agosto de 2026.
- Amazon EC2 P6-B300 Instances Available in Additional Regions, AWS, agosto de 2026.
- Amazon EC2 Trainium3 UltraServers, AWS, diciembre de 2025.
- Amazon EC2 Capacity Blocks for ML, documentación de AWS.
- Energy and AI, Agencia Internacional de la Energía, 2025.
Lecturas relacionadas en TechiesJournal
- La capacidad en la nube no es lo mismo que la disponibilidad, para entender por qué la capacidad de una región no es la misma que la capacidad que puedes obtener.
- La IA tiene dinero y chips. Por qué la electricidad se está convirtiendo en la verdadera restricción (en inglés), sobre la parte energética del riesgo de entrega.
- CPU vs GPU vs TPU vs NPU vs LPU vs DPU: ¿en qué se diferencian y cuándo se usan?, para ver en qué se diferencian los tipos de chip de este anuncio.