Nvidia podría financiar la apuesta de 1 GW de Thinking Machines

En septiembre de 2026, los reportes indicaron que Thinking Machines Lab buscaba entre $5 mil millones y $6 mil millones con una valuación pre-money superior a $40 mil millones, y que se esperaba que Nvidia aportara alrededor de $2.5 mil millones. El posible financiador también es el proveedor detrás del compromiso reportado del laboratorio de desplegar más de un gigawatt de sistemas Vera Rubin.

La competencia de modelos de frontera se ha convertido tanto en una disputa de balances financieros como de investigación. Los laboratorios deben asegurar años de capacidad de cómputo y financiarla antes de que se demuestren ingresos sostenibles por aplicaciones. Ese desfase incorpora a los proveedores de aceleradores y de capital en un ciclo de financiamiento de demanda, donde los proveedores suscriben cada vez más a los clientes cuyas cargas de trabajo sostienen la demanda de hardware.

Los reportes de financiamiento del 3 y 4 de septiembre siguen sin confirmarse. Sin embargo, la estructura no depende de una hoja de términos firmada. Inversiones, garantías, acuerdos de colateral y respaldos de arrendamiento ya confirmados muestran cómo la infraestructura de IA ha adquirido su propio sistema financiero.

El medidor de la nube dejó de ser flexible cuando los clústeres se convirtieron en campus

La propuesta original de la computación en la nube separaba la experimentación de la propiedad. Google ofreció Cloud TPUs en beta por $6.50 por hora en 2018, lo que permitía a un equipo de aprendizaje automático consumir cómputo especializado sin comprar el acelerador, financiar el edificio ni esperar una conexión eléctrica. El proveedor era dueño del activo fijo; el cliente veía un medidor.

El entrenamiento de frontera cambió la pregunta que ese esquema respondía. Meta detalló en 2024 dos clústeres con 24,576 GPUs H100 cada uno para cargas de trabajo que incluían Llama 3. Hacia finales de ese año, los operadores estaban armando superclústeres con cerca de 100,000 GPUs de Nvidia, con problemas de ingeniería creados por la propia escala. Un proveedor todavía podía ocultar la propiedad al laboratorio, pero no el compromiso necesario para montar la capacidad.

Una reserva de esa escala se extiende hacia atrás por toda la cadena. El operador debe asegurar aceleradores, redes, enfriamiento, energía y una instalación antes de que un laboratorio sepa cuántos usuarios llegarán o con qué intensidad ejecutarán inferencia. Por eso, la factura de nube empieza a parecerse al calendario de financiamiento que la sostiene. El mercado emergente de megawatts contratados vuelve explícito ese cambio: los clientes ayudan a volver financiable la capacidad futura antes de que exista.

El modelo de nube funcionaba porque los proveedores podían agregar suficientes clientes, absorber sus picos y mantener ocupados los activos subyacentes. Solo entonces un medidor podía convertir infraestructura fija en gasto variable.

Un gigawatt debe financiarse antes de poder usarse

Según reportes, Thinking Machines acordó desplegar más de 1 GW de sistemas Nvidia Vera Rubin, mientras Nvidia realizó lo que se describió como una inversión significativa en el laboratorio. El despliegue es un compromiso, no una instalación terminada. Aun así, fija varias decisiones mucho antes de que un cliente envíe un prompt: una generación de hardware, una relación de suministro, un margen de potencia y una ruta de infraestructura capaz de sostener los sistemas planeados.

Un gigawatt ocupa salas de centros de datos, equipos eléctricos, sistemas de enfriamiento y contratos. Thinking Machines debe organizar esos insumos físicos mientras sus modelos, herramientas para desarrolladores y estrategia de negocio todavía evolucionan. Un laboratorio de frontera ya no puede optimizar primero el desempeño y negociar el costo después, porque desempeño, escalabilidad, resiliencia y costo ahora convergen en la misma decisión de capacidad.

Thinking Machines necesita capacidad para construir y atender el sistema que podría generar ingresos, mientras los proveedores de capital quieren evidencia de ingresos antes de financiar esa capacidad. Los inversionistas de capital financian investigación cuyo rendimiento técnico sigue siendo incierto; los proveedores de infraestructura comprometen activos cuya utilización comercial también sigue siendo incierta. Los contratos de suministro de largo plazo cubren ese intervalo al asignar el riesgo, no al eliminarlo.

Nvidia puede respaldar la demanda porque está dentro de ella

La ronda reportada de Thinking Machines deja excepcionalmente clara la posición de Nvidia. Nvidia, que suministraría los aceleradores, también está prevista para aportar alrededor de $2.5 mil millones mediante el financiamiento propuesto de entre $5 mil millones y $6 mil millones. Un inversionista convencional de venture capital participa principalmente en el potencial al alza del cliente. Nvidia puede beneficiarse potencialmente del valor accionario del laboratorio, de su consumo de aceleradores y del ecosistema de software que crece alrededor del hardware de Nvidia.

Thinking Machines no es un caso aislado. Nvidia dijo que realizó una inversión sustancial en Safe Superintelligence y que proporcionaría acceso a GPUs destinado a aumentar la potencia de cómputo del laboratorio en un orden de magnitud. SSI había recaudado previamente cerca de $3 mil millones con una valuación de $32 mil millones en 2025. El acuerdo emparejó capital con el insumo que determina qué tan rápido puede el equipo ejecutar experimentos.

Nvidia ha extendido la misma lógica un nivel más abajo. La empresa prometió arrendar GPUs no utilizadas de proveedores jóvenes de nube a cambio de una parte de sus ingresos, dando a esos proveedores un respaldo financiero cuando la utilización de los clientes queda por debajo de lo esperado. Nvidia también reveló $3.5 mil millones en garantías para empresas que arriendan terrenos, energía e instalaciones de centros de datos, cuatro veces su nivel del tercer trimestre. AMD siguió la estructura al aceptar respaldar un préstamo de $300 millones de Goldman Sachs que Crusoe usaría para comprar chips de IA de AMD.

Cada acuerdo aborda un punto de falla distinto. El capital respalda al laboratorio. Una garantía de préstamo respalda la compra de hardware. Una garantía de arrendamiento respalda el edificio. Una promesa de renta de vuelta respalda la utilización. El proveedor de aceleradores puede intervenir en cada punto porque todos terminan afectando la demanda de sus procesadores.

Nvidia no extiende ese respaldo de manera universal. Para limitar el riesgo de aprobación, la empresa supuestamente exigió a los clientes chinos de H200 pagar el total por adelantado, sin cancelaciones, reembolsos ni cambios. Nvidia financia demanda estratégicamente útil donde puede fijar el precio o controlar el riesgo; devuelve el riesgo al comprador donde las aprobaciones gubernamentales pueden interrumpir la transacción. Esa selectividad es evidencia de suscripción de riesgo, no de subsidio indiscriminado.

Las GPUs han entrado a los calendarios de colateral

Los proveedores pueden respaldar a clientes seleccionados, pero la infraestructura de frontera requiere más capital del que puede aportar por sí solo el capital estratégico. Bancos, firmas de crédito privado y vehículos de propósito especial han empezado a tratar los aceleradores y sus contratos asociados como activos financiables. En el financiamiento de infraestructura de IA, el cómputo pasa de ser un gasto operativo en una factura de nube a convertirse en colateral, obligaciones de arrendamiento y deuda a nivel de proyecto.

CoreWeave fue pionera en una estructura en la que un operador coloca GPUs y contratos de clientes dentro de un vehículo de propósito especial, lo que permite a los prestamistas financiar esos activos sin depender por completo del balance corporativo del operador. Otras empresas tecnológicas han adoptado cada vez más deuda respaldada por GPUs y SPVs, incluidas estructuras que trasladan pasivos de centros de datos fuera de la empresa matriz.

Los prestamistas están ampliando la base de colateral más allá de las GPUs de propósito general. General Compute obtuvo un préstamo de $400 millones usando chips específicos para inferencia como colateral, en lo que pareció ser la primera transacción de este tipo. El prestamista suscribió procesadores identificados, su despliegue esperado y las cargas de trabajo que podrían mantenerlos ocupados.

Las empresas más pequeñas seguían pagando tasas de interés más altas porque los prestamistas mantenían cautela ante negocios de IA no probados. Un prestamista debe decidir si otro operador puede reutilizar los chips, si la instalación conservará clientes y si los ingresos contratados sobrevivirán el tiempo suficiente para atender la deuda. La hoja de ruta de aceleradores sigue avanzando mientras el préstamo permanece vigente, lo que obliga al financiador a suscribir tanto al prestatario como la utilidad futura del activo.

Estas estructuras amplían el capital disponible para construir clústeres, pero también cambian lo que califica a una empresa para participar. Un laboratorio con investigadores sólidos pero crédito débil no puede resolver el problema con un mejor resultado en benchmarks. Necesita una relación con un proveedor, un proveedor de nube contratado, un inversionista dispuesto a financiar pérdidas o un socio de infraestructura capaz de endeudarse contra el hardware.

El capital ordena a los laboratorios en grupos estratégicos

Los hyperscalers pueden financiar infraestructura con grandes balances corporativos. Los laboratorios independientes pueden intercambiar capital y compromisos de largo plazo por capacidad respaldada por proveedores. Las nubes especializadas pueden endeudarse contra GPUs y contratos de clientes. Las empresas de modelos más pequeñas pueden evitar parte de la carga al concentrarse en arquitecturas eficientes, pesos abiertos o aplicaciones más acotadas.

xAI ilustra la escala disponible para un laboratorio que puede combinar esos canales. Tras recaudar $10 mil millones, la empresa supuestamente buscaba hasta $12 mil millones para comprar chips de Nvidia. Por separado, xAI sacó $20 mil millones de deuda de centros de datos de su balance mediante vehículos de propósito especial.

Incluso los laboratorios de frontera establecidos se comportan cada vez más como compradores de infraestructura. Anthropic se comprometió a comprar hasta 2 GW de capacidad AMD MI450 a partir de 2027 y se acercó a SK Hynix para obtener memoria para el desarrollo de su propio chip. La empresa ahora gestiona decisiones de suministro, silicio y financiamiento junto con el desarrollo de modelos; la arquitectura más amplia aparece en la estrategia de infraestructura de Anthropic.

Los programas de entrenamiento más grandes ahora requieren una combinación de talento, compromisos de suministro y capital estructurado que menos organizaciones pueden coordinar. Esa concentración de capital en laboratorios de frontera puede coexistir con un crecimiento continuo de modelos abiertos, servicios de fine-tuning y empresas de aplicaciones. La barrera de entrada está en el clúster de entrenamiento, no necesariamente en cada producto que utiliza su resultado.

La eficiencia debilita el volumen de hardware en la capa de servicio

Alibaba Cloud mostró cómo el software puede erosionar una ventaja de hardware. Su sistema de agrupación de GPUs redujo en 82% el número de H20 de Nvidia requeridas para atender decenas de modelos de lenguaje con hasta 72 mil millones de parámetros. Al compartir aceleradores de manera más eficiente, un operador puede atender la misma colección de modelos con menos chips.

Mistral ha buscado portabilidad desde otra dirección. Su modelo Robostral Navigate fue diseñado para ser independiente del hardware, reduciendo la dependencia de una sola pila de aceleradores para su carga de trabajo de navegación robótica. SSI se asoció previamente con Google para infraestructura TPU antes de que Nvidia ampliara su acceso a GPUs. La disposición de AMD a respaldar compras de sus propios chips ofrece a los operadores de nube otra ruta financiada por el proveedor.

La agrupación y los aceleradores alternativos fortalecen el poder de compra, en particular para inferencia y aplicaciones especializadas. La reducción de 82% de Alibaba también limita lo que demuestra un compromiso de un gigawatt: el resultado se aplicó a atender decenas de modelos de hasta 72 mil millones de parámetros y no puede trasladarse sin más al entrenamiento de frontera ni a una arquitectura distinta. Un laboratorio todavía debe determinar qué carga de trabajo se beneficia de la agrupación, cuál requiere aceleradores estrechamente acoplados y cuál puede moverse entre familias de hardware.

Un operador puede usar una mejora de software para reducir su factura de hardware, atender más cargas de trabajo con el mismo clúster o buscar un modelo más grande. El resultado económico depende de lo que el operador haga con la capacidad liberada, por lo que el conteo de chips por sí solo es una medida incompleta de la ventaja.

Un modelo financiado todavía tiene que ganarse su rack

Thinking Machines ha empezado a mostrar cómo pretende convertir capacidad en adopción. El laboratorio lanzó Inkling, un modelo de mezcla de expertos con pesos abiertos con 975 mil millones de parámetros totales y 41 mil millones de parámetros activos, y puso los pesos completos a disposición para fine-tuning a través de Tinker. La empresa también ha presentado avances de modelos de interacción diseñados para pensar, responder y actuar continuamente durante la colaboración humana en tiempo real, en lugar de depender de andamiaje externo alrededor de intercambios por turnos.

Esas decisiones abordan distintas rutas hacia la utilización. Los pesos abiertos permiten a los desarrolladores inspeccionar y adaptar un modelo. Tinker les da una superficie para fine-tuning. La investigación sobre interacción continua apunta a productos cuyo valor proviene de la colaboración, no de una sola respuesta. Thinking Machines debe convertir esas distinciones técnicas en cargas de trabajo recurrentes que justifiquen la infraestructura reservada por adelantado.

La investigación sigue siendo el centro de la identidad pública de la empresa. En 26 artículos de Thinking Machines de 2024 a 2026, la investigación representó 46.2% del encuadre, empresas 19.2% y financiamiento 15.4%. La historia de financiamiento no ha reemplazado a la historia de investigación; le ha impuesto una factura.

El talento sigue siendo otra restricción independiente. Thinking Machines tenía aproximadamente 140 empleados y había contratado a más investigadores provenientes de Meta que de cualquier otro empleador. Sin embargo, el cofundador Barret Zoph se fue en enero, y la cofundadora Lilian Weng posteriormente salió por problemas de salud relacionados con la carga de trabajo. Los reportes también indicaron que la empresa había tenido dificultades para levantar una nueva ronda y carecía de una estrategia clara de producto o negocio. Incluso con capital abundante, Thinking Machines debe organizar la empresa y dar a los clientes una razón para elegir su modelo.

En última instancia, un laboratorio se gana sus racks al reducir su costo por tarea útil mientras conserva el desempeño, la confiabilidad y el control que sus clientes requieren. El financiamiento asegura el derecho a intentar esa conversión; la estrategia de producto determina si ocurre.

El respaldo de proveedores concentra el mismo riesgo que alivia

Cuando un proveedor financia laboratorios y operadores de nube, desplaza el riesgo hacia la empresa mejor posicionada para entender el suministro y la utilización de aceleradores. El acuerdo también concentra en el mismo balance exposiciones que antes estaban en instituciones separadas. Si las cargas de trabajo de un laboratorio decepcionan, un proveedor de chips podría enfrentar una inversión accionaria más débil, menor demanda de hardware, capacidad de socios subutilizada y obligaciones creadas por garantías o acuerdos de renta de vuelta.

Ninguna transacción revelada por sí sola establece que toda la demanda de IA sea circular, y los clientes estratégicos pueden crear cargas de trabajo genuinas y productos valiosos. Sin embargo, un prestamista debe rastrear quién financió al cliente, quién garantizó la instalación, quién aceptó rentar procesadores no utilizados y quién, en última instancia, necesita que el clúster se mantenga ocupado. Cada contrato resuelve un riesgo mientras transfiere otro a la siguiente firma.

La nube comenzó al dar a los investigadores una TPU de $6.50 por hora y mantener el edificio fuera de vista. El compromiso reportado de 1 GW de Thinking Machines invierte ese orden: junto al plano del modelo ahora están un calendario de racks, un compromiso de energía y Nvidia, el proveedor de aceleradores, al otro lado del escritorio de crédito.