OpenAI entrenó GPT-6 Astra con 100.000 GPUs: Nvidia prevé que el próximo modelo de IA necesitará 400.000

OpenAI, la empresa de Sam Altman , entrenó GPT-6 Astra con 100.000 tarjetas gráficas en el centro de datos Stargate de Abilene, Texas, Estados Unidos, una operación cuyo costo operativo se estima entre 500 millones y 1.000 millones de dólares y que según Jensen Huang, CEO de Nvidia, anticipa una expansión de cuatro veces esa escala para el próximo modelo de inteligencia artificial (IA).

El entrenamiento se prolongó entre 90 y 120 días.

La estimación de costos parte de un valor de entre 2,50 y 3,50 dólares por hora para cada procesador gráfico utilizado durante ese período continuo.

La futura infraestructura podría requerir cerca de 1,2 GW de potencia eléctrica si se construye con 400.000 GPU y bastidores GB200 NVL72 de Nvidia.

Esa cifra incluye un factor de eficiencia energética de 1,5 , que contempla la electricidad adicional destinada a refrigeración y otros sistemas del centro de datos.

Cómo fue diseñado GPT-6 Astra, el nuevo modelo de OpenAI GPT-6 Astra fue diseñado para utilizar herramientas externas sin que los desarrolladores deban programar una interfaz de programación de aplicaciones , conocida como API, para cada una de ellas.

El sistema puede actuar de manera similar a un usuario que interactúa con programas informáticos.

Sus agentes se desplazan por navegadores web, hojas de cálculo y aplicaciones de escritorio.

Con esa capacidad, pueden elaborar documentos completos, diseñar presentaciones y resolver secuencias de trabajo complejas.

La base de razonamiento funciona mediante una arquitectura nativa de múltiples agentes.

Ante una tarea de alta dificultad, un agente principal plantea una hipótesis técnica y coordina a subagentes independientes que prueban alternativas y verifican resultados en paralelo.

Esa distribución de tareas busca evitar los llamados “bucles de perdición” , momentos en las que un modelo queda atrapado en intentos repetitivos sin resolver un problema.

Permite que el modelo depure su propio código y modifique su estrategia cuando identifica fallas.

Sin embargo, la dimensión del despliegue no implica un liderazgo automático en todas las evaluaciones.