NVIDIA estrena las RTX 40 SUPER y lleva la IA generativa al PC

El 8 de enero de 2024, NVIDIA presentó en el CES las GeForce RTX 4080 SUPER, RTX 4070 Ti SUPER y RTX 4070 SUPER. El comunicado de lanzamiento fija modelos, precios y fechas, y sitúa la IA local como parte central de la propuesta; las comparaciones de velocidad, sin embargo, son mediciones del fabricante y dependen de la configuración empleada.

Jensen Huang, fundador y consejero delegado de NVIDIA, ha presentado las RTX 4080 SUPER, RTX 4070 Ti SUPER y RTX 4070 SUPER. La novedad llega en un momento en que los modelos capaces de crear texto, imágenes, voz o personajes interactivos empiezan a exigir más capacidad de cálculo también fuera de los centros de datos.

Tres gráficas para renovar la gama alta

La GeForce RTX 4080 SUPER llegará el 31 de enero por 999 dólares, 200 dólares menos que el precio de lanzamiento de la RTX 4080 original. NVIDIA eleva sus núcleos CUDA —las unidades que realizan cálculos en paralelo— hasta los 10.240 y equipa 16 GB de memoria de vídeo GDDR6X. La compañía afirma que ofrece el doble de rendimiento que una RTX 3080 Ti en juegos con trazado de rayos y DLSS 3 activados.

Por debajo se sitúa la RTX 4070 Ti SUPER, disponible el 24 de enero por 799 dólares. Su cambio más relevante no es solo de velocidad: sube de 12 a 16 GB de memoria de vídeo y adopta un bus de memoria de 256 bits. Esa capacidad adicional importa en juegos de alta resolución, pero también para trabajar con modelos de IA y generación de imágenes que necesitan cargar muchos datos en la memoria de la gráfica.

La primera en llegar será la RTX 4070 SUPER, el 17 de enero, por 599 dólares. Cuenta con 7.168 núcleos CUDA, un 20% más que la RTX 4070 original, y mantiene 12 GB de memoria. NVIDIA la presenta como una opción para jugar a 1440p con funciones de IA como DLSS 3, su sistema que genera fotogramas adicionales para mejorar la fluidez.

La GPU ya no solo sirve para dibujar píxeles

La parte más importante del anuncio para la IA está en el uso de los llamados núcleos Tensor. Son componentes especializados en operaciones matemáticas empleadas por redes neuronales, y permiten ejecutar tareas de inteligencia artificial mucho más rápido que un procesador convencional.

NVIDIA quiere aprovecharlos para que ciertas aplicaciones generativas funcionen directamente en el equipo. La ventaja es práctica: menor latencia, más control sobre los archivos personales y la posibilidad de utilizar algunas funciones sin enviar cada consulta a la nube. El límite también es evidente: un PC doméstico no puede competir con los grandes clústeres de GPU que entrenan modelos gigantes, pero sí puede ejecutar versiones optimizadas para tareas concretas.

En el CES, la compañía ha mostrado Chat with RTX, una aplicación de demostración que permite crear un asistente local a partir de documentos, notas y otros archivos del usuario. El programa usa modelos de lenguaje y puede buscar información dentro de una colección privada de datos sin que estos tengan que salir del ordenador. NVIDIA ha indicado que estará disponible como demo en febrero para equipos con GPU GeForce RTX.

Este enfoque anticipa una categoría que empieza a tomar forma: asistentes personales que trabajan sobre los datos del propio dispositivo. No sustituye a los servicios como ChatGPT o Gemini, que disponen de modelos mucho mayores y acceso a infraestructura masiva, pero resulta útil cuando la privacidad, la respuesta inmediata o el trabajo sin conexión son prioritarios.

Personajes de videojuegos que conversan

NVIDIA también ha llevado al CES sus microservicios ACE, orientados a crear avatares y personajes no jugables, conocidos como NPC, con IA generativa. Un microservicio es una pieza de software independiente que resuelve una función concreta; en ACE, esas piezas pueden encargarse de reconocer voz, generar respuestas, sintetizar habla o animar el rostro de un personaje.

La propuesta combina tecnologías como Riva, para voz; NeMo, para modelos de lenguaje; y Audio2Face, que sincroniza la animación facial con el audio. La demostración busca alejarse de los diálogos prefijados de muchos videojuegos: en lugar de elegir entre varias respuestas escritas por adelantado, el jugador podría hablar con un personaje y recibir una contestación generada en ese momento.

Eso no significa que cualquier estudio pueda añadir personajes plenamente improvisados sin más. Los desarrolladores necesitan controlar el tono, los límites narrativos, los costes de computación y la calidad de las respuestas. La IA puede hacer más flexible una conversación, pero no resuelve por sí sola el diseño de un buen juego.

Una carrera por convertir el PC en plataforma de IA

La renovación SUPER no cambia la arquitectura Ada Lovelace de la serie RTX 40, pero refuerza el mensaje comercial de NVIDIA: la tarjeta gráfica se ha convertido en una pieza central para la IA de consumo. La empresa ya domina el mercado de aceleradores para centros de datos; ahora busca que esa misma ventaja tecnológica se traduzca en aplicaciones cotidianas para ordenadores personales.

Para quienes tengan una RTX reciente, el interés no estará solo en sustituir hardware. Durante 2024 será decisivo comprobar cuántas aplicaciones aprovechan de verdad la ejecución local: editores de imagen, herramientas de vídeo, asistentes para archivos personales y videojuegos son los candidatos más inmediatos. Las RTX 40 SUPER ponen más potencia sobre la mesa; falta que el software convierta esa potencia en funciones que merezcan estar en el escritorio del usuario.

Cómo saber si la IA local compensa

La ficha de una GPU mezcla cifras que no responden a la misma pregunta. La memoria determina qué modelo y qué lote caben; el ancho de banda condiciona cuánto tarda en mover sus pesos; los núcleos especializados aceleran determinadas operaciones; y el consumo limita el sistema que puede alimentarla y refrigerarla. Ninguna cifra aislada predice la experiencia. Antes de comparar tarjetas hay que fijar modelo, precisión, tamaño de entrada y aplicación.

Una prueba útil conserva el archivo del modelo y la versión del programa, desactiva descargas durante la ejecución y mide tiempo hasta la primera salida, velocidad sostenida, memoria máxima y energía. Después repite la misma tarea en la nube. La ejecución local gana cuando evita esperas, mantiene datos bajo control o funciona sin conexión; puede perder si el modelo que cabe es demasiado pequeño o si mantener el equipo cuesta más que el servicio.

Los resultados del fabricante necesitan condiciones

DLSS, generación de imagen e inferencia de lenguaje son cargas distintas. Una comparación con una tarjeta anterior puede activar software exclusivo del modelo nuevo y medir el sistema completo, no solo el silicio. Para poder repetirla hacen falta resolución, controlador, versión de la aplicación, precisión numérica y ajustes. “Hasta” marca el mejor caso observado por quien vende el producto, no un rendimiento garantizado para cualquier usuario.

La privacidad local tampoco es automática. Una aplicación puede ejecutar el modelo en la GPU y seguir enviando telemetría, consultas o archivos. Se comprueba desconectando la red, leyendo permisos y observando las conexiones. La procedencia del modelo y sus licencias importan tanto como el lugar de inferencia: guardar un documento en casa no vuelve fiable una respuesta inventada.

La capacidad transferible es convertir una ficha de hardware en una prueba de trabajo real: qué cabe, cuánto tarda, qué sale del equipo y cuánto cuesta repetirlo. Así se distingue una mejora útil de una columna de especificaciones, y se decide si la IA local resuelve una necesidad o simplemente traslada la nube al escritorio.

La decisión final debe incluir un caso negativo: una tarea que la tarjeta no resuelva bien. Anotar falta de memoria, incompatibilidad o calidad insuficiente evita que los éxitos elegidos oculten el límite. Una compra informada compara también no comprar, conservar la GPU actual o usar un servicio solo durante los picos.