AIXX Pedia › Ficha de software › CUDA

CUDA es un Plataforma de computación paralela y modelo de programación : lanzado en noviembre de 2006 junto con la GeForce 8800 (G80, arquitectura unificada): convirtió la GPU de «procesador gráfico» en «procesador universal de computación en paralelo», permitiendo a los desarrolladores escribir programas de GPU en un lenguaje similar a C (según la página oficial de NVIDIA CUDA[1]). Hoy es el estándar de facto del mundo de la computación para IA: bajo PyTorch, TensorFlow y vLLM, casi todos los backends de GPU de los principales frameworks de IA se apoyan en CUDA.
CUDA no es solo un «driver»: es una pila de software de tres capas : en la base, el driver y el set de instrucciones de hardware (determinado por la versión de «Compute Capability» de la tarjeta); en el medio, el CUDA Toolkit (compilador nvcc, runtime) y la familia de librerías CUDA-X (cuBLAS/cuDNN/NCCL, etc.[2][3]); y arriba, los frameworks y las aplicaciones propias. La «Compute Capability» de la que se habla al elegir tarjeta (como H100=9.0, Blackwell=10.0) es la generación de hardware en el mundo CUDA: es el primer parámetro de referencia para verificar tarjetas de segunda mano y para la compatibilidad con frameworks (según la tabla oficial de equivalencias[4])。
. Para el comprador, CUDA significa dos cosas muy concretas: el cierre del ecosistema (migrar líneas de producción de CUDA a ROCm/oneAPI tiene un coste real, véase «Limitaciones y controversias») y la compatibilidad de versiones (la versión de CUDA que exige el framework frente al driver y la Compute Capability de la tarjeta: punto imprescindible al verificar tarjetas de segunda mano). Esta ficha es una entrada de concepto de software y se complementa con las fichas de cada modelo.
AIXX Index (0–100): estimación ponderada según el grado de encaje en el ecosistema (criterio específico para fichas de conceptos de software).
En noviembre de 2006 , CUDA debutó junto a la GeForce 8800 (G80): la arquitectura unificada permitió que los stream processors de la GPU fueran programables desde software paralelo de propósito general, y así nació el nombre «Compute Unified Device Architecture» (según la página oficial de NVIDIA CUDA y la historia técnica pública[1]): la computación general en GPU (GPGPU) pasó de truco académico a plataforma de ingeniería.
2012-2016 : la explosión del deep learning: AlexNet ganó entrenando con dos GTX 580 (historia técnica pública) y CUDA-GPU se convirtió en el estándar de cómputo para deep learning; librerías especializadas como cuDNN maduraron y se conformó la familia CUDA-X (página oficial de cuDNN[2])。
2017-2022 : la era del datacenter: Volta (Compute Capability 7.0) introdujo los Tensor Core y CUDA pasó de las tarjetas de consumo al gran escenario del datacenter; la librería de comunicaciones colectivas NCCL se volvió el componente estándar del entrenamiento multi-GPU (página oficial de NCCL[3]). En la era de la A100 (8.0) y la H100 (9.0), el vínculo entre las versiones de CUDA y el ecosistema de frameworks se profundizó aún más.
2023-2026 : la era Blackwell: la Compute Capability entra en la generación 10.0 (según la tabla oficial[4]), con soporte nativo en la pila CUDA para las nuevas precisiones FP4/FP8; al mismo tiempo, ROCm (AMD) y oneAPI (Intel) siguen avanzando como vías alternativas: el pulso entre el dominio del ecosistema de CUDA y las alternativas es el telón de fondo de la elección de cómputo en 2026 (véase «Limitaciones y controversias»).
La Compute Capability (abreviada CC/sm_XX) es la «generación de hardware» en el mundo CUDA: determina qué sets de instrucciones puede ejecutar la tarjeta y cómo se adaptan los frameworks y los drivers. Equivalencias de CC de los modelos a la venta en esta biblioteca (conforme a la tabla oficial de NVIDIA[4]):
| Modelo | Arquitectura | Compute Capability | Ficha en esta biblioteca |
|---|---|---|---|
| Serie B300 / GB300 (Blackwell Ultra) | Blackwell Ultra | Generación 10.x (según tabla oficial) | B300 |
| Serie B200 / GB200 (Blackwell) | Blackwell | 10.0 | Ficha de la GB200 NVL72 |
| H100 / H200 / H20(Hopper) | Hopper | 9.0 | H200 |
| L40S / L40 / L20(Ada) | Ada Lovelace | 8.9 | L40S |
| A100 / A800(Ampere) | Ampere | 8.0 | A100 |
| Tarjetas de estación de trabajo RTX 6000 Ada / serie A | Ada / Ampere | 8.9 / 8.6 | Ficha técnica de la RTX 6000 Ada |
La equivalencia completa (todas las tarjetas de consumo y profesionales) se rige por la página oficial de CUDA GPUs de NVIDIA[4]; «según tabla oficial» = esta tabla solo enumera los modelos a la venta en esta biblioteca; la versión exacta de Blackwell Ultra se actualizará conforme a la tabla oficial, sin especular.
Guía rápida para verificación : al recibir una tarjeta de segunda mano, ejecuta primero nvidia-smi -q y revisa el driver y la CUDA Version (el límite de CUDA que soporta el driver), luego contrasta la Compute Capability de la tarjeta: solo cuando los requisitos del framework (como la versión de CUDA con la que se compiló PyTorch) encajan con la CC de la tarjeta puede decirse que «esta tarjeta entra en la línea de producción».
| Librería | Qué hace | Quién la usa |
|---|---|---|
| cuBLAS | Álgebra lineal (multiplicación de matrices, etc.): la base aritmética del deep learning | Todos los frameworks de entrenamiento e inferencia |
| cuDNN | Aceleración de primitivas de deep learning (convoluciones/atención, etc., según la página oficial[2]) | Base de operadores de frameworks de entrenamiento e inferencia |
| NCCL | Comunicaciones colectivas multi-GPU y multinodo (AllReduce, etc., según la página oficial[3]) | Base de comunicación del entrenamiento distribuido |
| CUDA-X Data Science / AI, etc. | Familias verticales de librerías: procesamiento de datos, recomendación, cuantización, etc. (según la línea oficial de CUDA-X) | Pipelines de datos y escenarios verticales |
| nvcc / toolchain Nsight | Compilador y análisis de rendimiento (componentes del Toolkit, según la documentación oficial[6]) | Desarrollo y optimización de operadores propios |
CUDA-X es la denominación de NVIDIA para su familia de librerías aceleradas por GPU (línea oficial); cada librería tiene una matriz de compatibilidad con la versión del CUDA Toolkit: consulta la tabla antes de actualizar (según la documentación oficial[6])。
| Escenario | Regla | Implicación para la verificación |
|---|---|---|
| Driver vs CUDA | La versión del driver determina el límite de CUDA soportado (compatible hacia atrás) | En tarjetas de segunda mano, la nvidia-smi CUDA Version en la esquina superior derecha es el límite del driver, no la versión del Toolkit instalada |
| Toolkit vs Compute Capability | Los Toolkit nuevos soportan nuevas CC; los binarios de Toolkit antiguos pueden requerir recompilación en tarjetas nuevas | La versión de CUDA de la imagen del framework debe encajar con la CC de la tarjeta: frameworks antiguos en tarjetas nuevas (como imágenes CUDA 11.x en Blackwell) requieren confirmar la vía de compatibilidad |
| Compatibilidad hacia adelante | Un mecanismo específico de drivers de datacenter permite que tarjetas nuevas ejecuten binarios CUDA antiguos (según la documentación oficial[6]) | Una ventaja de las tarjetas de datacenter (Tesla/serie datacenter): úsala según la documentación oficial, no de memoria |
La matriz de compatibilidad evoluciona con las versiones: rige la documentación oficial de NVIDIA[6]; esta tabla es una guía de decisión, no un manual de operación.
CUDA es una plataforma de software sin galería de hardware; el esquema de la pila de software está en la sección «Especificaciones técnicas». Los materiales de marca se rigen por lo publicado oficialmente por NVIDIA.
| Concepto | Situación |
|---|---|
| Acceso | El CUDA Toolkit se distribuye vía la página oficial de descargas de NVIDIA (línea oficial[5]); el driver y el Toolkit se instalan por separado |
| Soporte de frameworks | PyTorch / TensorFlow / JAX / vLLM / TensorRT, etc., usan CUDA como backend principal de GPU |
| Contenedores | NVIDIA Container Toolkit: las imágenes de frameworks incluyen el runtime de CUDA y el host solo gestiona el driver |
| Competidores | AMD ROCm (ecosistema HIP), Intel oneAPI (familia SYCL): el soporte de frameworks y la cobertura de operadores siguen avanzando (véase «Limitaciones y controversias») |
| Código acumulado | Dos décadas de código CUDA (replicaciones de papers, repositorios open source, operadores propios) son el núcleo del coste de migración |
La información del ecosistema se recopila de fuentes públicas; las versiones y las matrices de soporte evolucionan con el tiempo: rige lo publicado por NVIDIA.
Tres comprobaciones relacionadas con CUDA al comprar tarjeta (complementarias a la verificación de hardware de cada ficha de modelo):
nvidia-smi -q: contrasta la versión del driver con el límite de CUDA, y el modelo y la VRAM con la descripción del vendedor: las tarjetas personalizadas para nube (estado de licencia vGPU) se delatan en este paso.Las seis pruebas de estrés del lado del hardware están en cada ficha de modelo (como las fichas A100/B300); esta sección solo cubre la perspectiva de software.
Guía rápida en cuatro pasos para verificar una tarjeta de segunda mano desde la óptica de CUDA (complementaria a las pruebas de hardware):
nvidia-smi -q: modelo de tarjeta, versión del driver, límite de CUDA Version, VBIOS: contrástalo punto por punto con la descripción del vendedor.torch.cuda.get_device_capability(): verifica la CC contra la tabla oficial[4]——las tarjetas falsificadas quedan al descubierto al comprobar el CC.La generación de hardware en el mundo CUDA (por ejemplo 8.0/9.0/10.0): determina el conjunto de instrucciones y las características de la tarjeta — los frameworks y compiladores generan o seleccionan código según el CC. Durante la inspección, contrastar el CC con la tabla oficial es un método sólido para identificar tarjetas falsificadas (tabla oficial de correspondencia[4])。
El compilador de CUDA C++ (componente del CUDA Toolkit): compila los kernels en binarios de GPU orientados a un CC específico — el «CC de compilación» determina qué tarjetas pueden ejecutar el binario.
Unidades de cálculo matricial introducidas desde Volta: la base de hardware del entrenamiento en precisión mixta — cada nueva precisión de los Tensor Core por generación (FP16→BF16→FP8→FP4) recibe soporte inicial del stack de CUDA, el caso típico de «la versión de CUDA persiguiendo al hardware».
Las dos rutas alternativas: AMD ROCm (la sintaxis de HIP es cercana a CUDA y su cadena de migración madura de forma continua) e Intel oneAPI (la ruta multiplataforma vía SYCL) — la cobertura de operadores y el personal de optimización siguen siendo la brecha frente a CUDA (consenso de evaluaciones públicas).
Las reglas de compatibilidad de CUDA: los drivers nuevos soportan CUDA antiguos (compatibilidad hacia atrás, lo habitual); las tarjetas de data center pueden ejecutar binarios CUDA antiguos en tarjetas nuevas mediante mecanismos específicos (compatibilidad hacia adelante, criterio de la documentación oficial[6]) — antes de desplegar entre versiones, consulta la documentación oficial; no te guíes por impresiones.
No es lo mismo: el driver es el software de base que permite al sistema reconocer la tarjeta; CUDA es una plataforma de cómputo paralelo (compilador del Toolkit + runtime + toda la familia de bibliotecas CUDA-X). El «CUDA Version» en la esquina superior derecha de nvidia-smi indica el máximo de CUDA soportado por el driver, no la versión del Toolkit instalada — a menudo se confunden.
La capacidad de cómputo (CC) determina qué conjuntos de instrucciones y características de framework puede ejecutar la tarjeta: con un CC demasiado antiguo los frameworks nuevos no funcionan, y si el CC no coincide con el modelo puede ser una tarjeta falsificada — contrastar el CC con la tabla oficial (por ejemplo A100=8.0/H100=9.0/Blackwell=10.0) es un método sólido de inspección de tarjetas de segunda mano.
Las tres reglas básicas: actualizar el driver (eleva el límite de CUDA), usar una imagen de framework que coincida con el CC de la tarjeta (el contenedor trae su propio runtime) y, en tarjetas de data center, consultar el mecanismo oficial de compatibilidad hacia adelante. Cada combinación concreta se rige por la documentación oficial de NVIDIA; no improvises entre versiones de memoria.
Depende del escenario: los modelos habituales de los frameworks principales (PyTorch, etc.) ya funcionan con ROCm, y las herramientas de migración con la sintaxis de HIP, cercana a CUDA, maduran progresivamente; pero la cobertura de operadores, el personal de optimización y dos décadas de código acumulado siguen marcando distancias frente a CUDA — las líneas nuevas pueden evaluarlo, y la migración de líneas CUDA existentes se cuenta en personas-mes.
El SDK de CUDA se licencia bajo los términos de distribución de NVIDIA, que incluyen cláusulas restrictivas sobre la recompilación para hardware no NVIDIA (criterio de discusión pública) — el uso habitual «CUDA sobre tarjetas NVIDIA» no se ve afectado; para cuestiones de cumplimiento relativas a la recompilación multiplataforma, prevalece el dictamen jurídico, y lo expresado en este almacén no constituye asesoramiento legal.