Construir un modelo de IA frontera en Estados Unidos se ha convertido en una empresa costosa. Se estima que entrenar un modelo como Beam, de Reflection AI, cuesta alrededor de 100 millones de dólares, un precio que podría dificultar que los laboratorios estadounidenses cierren la brecha con sus rivales chinos, cuyos modelos, según se reporta, cuestan una fracción de eso. Ahí es donde entra Nvidia. El fabricante de chips se ha transformado en algo similar al fondo de capital de riesgo del sector, su arrendador y su ferretería al mismo tiempo.

Un modelo de 100 millones de dólares y una apuesta de 6 mil millones

Reflection AI presentó Beam el 5 de octubre de 2026. El modelo utiliza una arquitectura dispersa con 501 mil millones de parámetros, de los cuales solo 23 mil millones están activos en cada momento, un enfoque que reduce el cómputo necesario cada vez que el modelo responde a una consulta. Fue entrenado con 23.8 billones de tokens mediante técnicas de aprendizaje por refuerzo, y el entrenamiento empleó 10,500 GPU Nvidia GB300 de centro de datos durante cuatro semanas.

Se promociona a Beam como un modelo que ofrece una eficiencia de inferencia 3-4 veces mejor que GLM 5.2 de China, además de más de 4 veces la eficiencia de los principales modelos abiertos occidentales. La inferencia se refiere al trabajo que realiza un modelo después del entrenamiento, cuando realmente responde a las consultas, por lo que una mayor eficiencia de inferencia significa que cada respuesta cuesta menos servirse. El modelo se posiciona como una alternativa occidental rentable, aunque aún muestra algunas brechas de rendimiento bruto frente a ciertos homólogos chinos.

La presentación de Beam no es el único compromiso reciente de Nvidia. En agosto de 2026, el fabricante de chips cerró un acuerdo de licencias e inversión de 6 mil millones de dólares con Poolside, orientado a establecer un eistema sólido para modelos de pesos abiertos en Estados Unidos. Los modelos de pesos abiertos son aquellos cuyos parámetros entrenados se publican para que cualquiera pueda descargarlos, ejecutarlos y adaptarlos, en contraste con los modelos cerrados accesibles solo a través de la interfaz de un proveedor.

Por qué China tiene la ventaja en costos

En el corazón del desafío competitivo hay un desajuste de precios. Muchos modelos chinos costarían, según se reporta, solo unos pocos millones de dólares en entrenarse, mientras que los principales modelos estadounidenses como Beam se estiman en unos 100 millones de dólares. Los laboratorios chinos han estado lanzando modelos altamente capaces y de bajo costo, y familias como DeepSeek, GLM y Kimi han presionado a los desarrolladores occidentales.

Nvidia como financiador del sector

La estrategia de Nvidia va mucho más allá de vender chips. La empresa ha estado tomando participaciones accionarias en empresas emergentes de IA, y sus tenencias totales en startups de IA alcanzaron aproximadamente 99 mil millones de dólares a mediados de 2026. También está construyendo canales de financiamiento de cómputo diseñados para movilizar más de 500 mil millones de dólares, mientras amplía el acceso a los escasos recursos de GPU para las startups que respalda.

Lo que significa para la carrera de IA

Una gran parte de la ambición estadounidense de pesos abiertos ahora pasa por el capital y los chips de una sola empresa. El respaldo de Nvidia podría suavizar el impacto de los altos costos de entrenamiento para las startups, pero un modelo de 100 millones de dólares aún tiene que recuperar esa suma frente a rivales que, según se reporta, gastaron mucho menos.

Por eso las afirmaciones de eficiencia de Beam son la cifra a vigilar. Si las proyectadas ganancias de inferencia de 3-4 veces sobre GLM 5.2 se mantienen en implementaciones reales, los laboratorios estadounidenses tendrían un argumento creíble para competir por el costo total de propiedad en lugar del costo de entrenamiento por sí solo.

El acuerdo de 6 mil millones de dólares de Nvidia con Poolside y su portafolio de startups de aproximadamente 99 mil millones dan margen de maniobra a los laboratorios estadounidenses. Si ese margen evoluciona hacia un ecosistema autosostenible, o si sigue dependiendo de un solo mecenas, determinará qué tan competitiva se ve la IA estadounidense de pesos abiertos en los próximos años.