NVIDIA y Microsoft llevan la computación acelerada de Azure a los PC Windows
Los sistemas NVIDIA Vera Rubin NVL72 ya están operativos en Azure, con vistas previas para clientes y enfoque en razonamiento, agentes y entrenamiento e inferencia a escala.
De Azure a las fábricas y a los PC de oficina
En el marco de Microsoft Ignite, NVIDIA y Microsoft han anunciado una ampliación de su colaboración de pila completa. El objetivo declarado es ayudar a las organizaciones a construir, personalizar y desplegar aplicaciones de inteligencia artificial desde la infraestructura de nueva generación en Azure hasta los sistemas industriales y los PC con Windows. No se trata de un anuncio de marketing aislado: los sistemas NVIDIA Vera Rubin NVL72 ya se están ejecutando en los centros de datos de Azure, según la nota.
Vera Rubin NVL72 es la generación que sucede a Blackwell en el catálogo de NVIDIA para racks completos. Los sistemas están pensados para cargas de razonamiento, aplicaciones agénticas y entrenamiento e inferencia de modelos a gran escala. La disponibilidad en Azure abre la puerta a que los clientes empresariales alquilen esa capacidad sin comprar racks propios, algo que cambia el modelo de costes para muchos equipos de ingeniería.
Además, ambas compañías trabajan en extender la computación confidencial a la infraestructura de IA de bare-metal y de escala de rack. La idea es proteger modelos y datos sensibles mientras se procesan, y ofrecer atestación para que el cliente pueda verificar el entorno informático antes de liberar modelos, datos o claves. Es un requisito habitual en sectores regulados.
En el capítulo de eficiencia, NVIDIA y Microsoft colaboran en el uso de NVIDIA MaxLPS para obtener más rendimiento de la potencia disponible en los centros de datos. Es un punto crítico: la energía, y no solo la capacidad de cómputo, se ha convertido en el cuello de botella real de los despliegues de IA a gran escala.
Los datos de rendimiento citados en la nota son concretos. En MLPerf Training v6.1, Azure escaló hasta 10.240 GPU de NVIDIA con sistemas GB200 NVL72 sobre el modelo DeepSeek-V3, la mayor escala de esa ronda. En MLPerf Inference v6.1, los sistemas NVIDIA GB300 NVL72 de Azure lideraron los envíos de nube en rendimiento interactivo con DeepSeek-R1 por más de un 10 por ciento, según la medición de Signal65. Son resultados que conviene leer con cautela, porque son cifras aportadas por las propias partes, pero marcan la escala a la que se está trabajando.
Microsoft también usa tecnología de NVIDIA para acelerar sus propios modelos y servicios. Emplea el software de inferencia NVIDIA Dynamo para el rollout de refuerzo durante el post-entrenamiento, un proceso intensivo en cómputo que genera las experiencias con las que se mejora el modelo. Dynamo coordina la inferencia sobre una flota grande de GPU, gestiona peticiones, actualizaciones de modelo y recuperación ante fallos. Además, Microsoft usa GPU RTX PRO 6000 Blackwell para sus modelos de búsqueda en Bing.
En el terreno de los modelos abiertos, la colaboración amplía lo disponible a través de Microsoft Foundry. La oferta de Programmed Training en modo serverless da a los desarrolladores control sobre los flujos de post-entrenamiento mientras Foundry gestiona la infraestructura subyacente. Foundry Managed Compute añade soporte para desplegar pesos de modelo personalizados, lo que conecta personalización y despliegue bajo los servicios gestionados de Microsoft.
El caso más llamativo que cita la nota es el de EY, que usó Programmed Training en Foundry para adaptar los modelos abiertos NVIDIA Nemotron a la clasificación de registros de compras corporativas. Según la nota, la precisión en su conjunto de evaluación mejoró un 55 por ciento y el coste bajó 15 veces frente a modelos frontera propietarios. Es un ejemplo de manual de por qué muchas empresas miran los modelos abiertos ajustados a su dominio.
La familia Nemotron 3.5 amplía sus variantes en Foundry Managed Compute. Nemotron 3.5 Super está pensado para agentes de larga duración en programación, investigación y flujos de negocio, mientras que Lightning apunta a aplicaciones que necesitan respuestas rápidas y uso de herramientas. Se suman Nemotron Embed y Rerank para recuperar información, Nemotron Parse para extraer datos estructurados de documentos y Nemotron Content Safety para detectar contenido dañino. Nemotron 3.5 Bolt, orientado a razonamiento de alto rendimiento y baja latencia, y Transcribe llegarán más adelante.
Más interesante para quien trabaja en redes es el capítulo del edge. NVIDIA y Microsoft amplían las opciones de despliegue más allá de la nube. El soporte de Nemotron 3.5 en Foundry Local llevará razonamiento, programación y agentes con herramientas a entornos Azure Local. Azure Local admitirá GPU NVIDIA RTX PRO 6000 Blackwell de socios de hardware, lo que da más opciones para desplegar IA en instalaciones propias.
Azure Local también se extiende a las plataformas de IA en el borde NVIDIA Jetson Thor y Jetson Orin, para aplicaciones industriales como visión artificial, robótica y operaciones autónomas. Los modelos de IA física de NVIDIA, incluido Cosmos, llegan igualmente a Foundry Local. En los PC con Windows impulsados por NVIDIA RTX Spark se mostrarán experiencias de modelos de lenguaje grande ejecutados en local.
Hay un anuncio con lectura claramente de telecomunicaciones: las capacidades Direct Stream llegan a los PC en la nube Windows 365 con GPU. Soportan aplicaciones gráficas exigentes con hasta dos flujos 4K a 60 fotogramas por segundo y baja latencia, incluso sobre redes complicadas. La vista previa limitada está abierta a inscripciones y la vista previa pública se planea para principios de 2027. Para quien despliega escritorios virtuales sobre WAN, ese «incluso sobre redes complicadas» es la frase clave.
En el ámbito científico, NVIDIA BioNeMo Agent Toolkit y NVIDIA ALCHEMI Toolkit se amplían al catálogo de Microsoft Discovery. Una integración inicial usa el modelo RFD4-Proteina, desarrollado con el Instituto de Diseño de Proteínas de la Universidad de Washington, para generar estructuras de proteínas candidatas y secuencias de aminoácidos que luego se validan en laboratorio.
- Los sistemas NVIDIA Vera Rubin NVL72 ya están operativos en Azure, con vistas previas para clientes y enfoque en razonamiento, agentes y entrenamiento e inferencia a escala.
- Azure escaló a 10.240 GPU GB200 NVL72 en MLPerf Training v6.1 con DeepSeek-V3, y sus GB300 NVL72 lideraron la inferencia interactiva en la nube.
- NVIDIA y Microsoft extienden la computación confidencial y la atestación a infraestructura bare-metal y de escala de rack.
- Nemotron 3.5 llega a Microsoft Foundry y a Foundry Local; EY reporta un 55 por ciento más de precisión y 15 veces menos coste al ajustar modelos abiertos.
- Direct Stream en Windows 365 con GPU promete dos flujos 4K a 60 fps sobre redes difíciles, con vista previa pública prevista para principios de 2027.
Visto desde el oficio, el anuncio que más debería interesar a un ingeniero de redes y telecomunicaciones no es el del rack NVL72 en Azure, por potente que sea, sino el de Direct Stream sobre Windows 365. La promesa de dos flujos 4K a 60 fps con baja latencia sobre redes complicadas es, en realidad, una promesa sobre el transporte: cifrado, control de congestión, jitter y calidad de servicio en la WAN. Si funciona como dicen, cambia el cálculo de cuánto escritorio virtual puede llevar una sede sin infraestructura local propia.
El resto del paquete confirma una tendencia que llevo tiempo viendo: la IA se está partiendo en capas de despliegue. Arriba, racks gigantes en la nube con Vera Rubin y computación confidencial para datos regulados. En medio, Azure Local con RTX PRO 6000 y Jetson para plantas y sedes. Abajo, PC con RTX Spark ejecutando modelos en local. Cada capa tiene implicaciones distintas de ancho de banda, latencia y consumo eléctrico, y ninguna se resuelve solo con más GPU.
La parte de eficiencia energética con MaxLPS es la que más debería pesar a medio plazo. Los centros de datos no se quedan sin chips, se quedan sin vatios, y quien logre más rendimiento por kilovatio tendrá ventaja real. Que ambas compañías lo mencionen en el mismo anuncio que la computación confidencial indica que el comprador empresarial ya pregunta por ambas cosas a la vez.
Hay que tomar con distancia las cifras de MLPerf y el caso de EY, porque vienen de las propias partes y no de una evaluación independiente. Aun así, la dirección es clara: modelos abiertos ajustados al dominio, con un coste muy inferior al de los modelos frontera, se están convirtiendo en la opción por defecto para tareas acotadas. Para un equipo que diseña una red corporativa con IA en el borde, eso significa planificar capacidad de inferencia local y no solo enlaces al cloud.
Referencia y documentación original: NVIDIA Blog.
https://blogs.nvidia.com/blog/microsoft-ignite-accelerated-computing-azure-windows-pcs/