Els resultats de Nvidia eren dels més esperats del trimestre i no han defraudat: els ingressos han crescut un 106% interanual fins als 96.200 milions de dòlars, amb un marge operatiu del 66%. L’empresa adverteix, això sí, que el creixement es moderarà una mica durant el pròxim trimestre. “Només” esperen créixer un 89,5%.

Són números de vertigen que ens identifiquen un mercat en creixement exponencial tot i que cada dia hi ha més participants. Un exemple que hem vist aquesta setmana ha estat l’anunci d’OpenAI del seu processador Jalapeño amb un rendiment 10x millor que els Nvidia GB300.

Un dels moviments més interessants l’ha protagonitzat OpenAI, que ja no es conforma a comprar computació als altres. L’empresa també s’ha apuntat a fabricar xips amb Jalapeño, el seu propi processador per a IA, amb resultats que apunten a un salt molt important en rendiment i eficiència respecte de les arquitectures actuals de Nvidia.

Això ens indica fins a quin punt la competició s’està desplaçant. La batalla ja no és només tenir el millor model: també consisteix a controlar els xips, la infraestructura, els centres de dades i, sobretot, aconseguir més rendiment amb cada MW instal·lat.

Però la gran sorpresa de la setmana ha vingut, probablement, de la Xina.

Durant dies, un model anomenat Ox va circular gairebé d’incògnit. Finalment hem sabut que era GLM 5.3 Flash. I el més sorprenent no és només que el seu rendiment sigui molt similar al dels millors models americans, sinó que també hagi estat capaç de donar un nivell de servei comparable utilitzant xips xinesos i infraestructura pròpia.

Això és important perquè qüestiona una de les grans premisses dels darrers anys: que limitar l’accés de la Xina als xips més avançats frenaria inevitablement la seva capacitat per competir al primer nivell. De moment, no sembla que això estigui passant.

Mentrestant, als Estats Units, tant OpenAI com Anthropic tenen noves generacions de models en desenvolupament, però el ritme de llançaments s’ha alentit. Entre la regulació nord-americana i les pauses internes que els mateixos laboratoris s’imposen per reforçar la seguretat, la publicació de nous models s’ha frenat temporalment.

A la Xina, en canvi, la cursa continua. Però l’objectiu ja no és només treure el model que encapçali els rànquings. Això continua important, evidentment, però ara hi ha una batalla encara més gran: aconseguir mercat.

Els ingressos dels AI Labs s’estan disparant. També ho fan les inversions en infraestructura, perquè mantenir-se a la cursa exigeix cada vegada més computació. Però la capacitat de monetitzar aquesta infraestructura també està creixent de manera espectacular.

Ja estem parlant de nivells pròxims als 50 milions de dòlars d’ingressos anuals per MW de capacitat instal·lada, una xifra que fa només uns mesos semblava difícil d’imaginar.

De moment, la demanda sembla pràcticament il·limitada. I, al mateix temps, la indústria continua trobant maneres d’extreure més rendiment de cada unitat de computació. Ho veiem amb GLM 5.3, amb Jalapeño i, evidentment, amb Nvidia.

Tot apunta, per tant, a uns anys de creixement extraordinari de la indústria de la IA.

La pregunta clau ja no és només qui tindrà el millor model, sinó qui serà capaç de capturar més valor, construir més centres d’IA, desplegar més capacitat computacional i aconseguir més mercat.

I és precisament per això que restriccions com les de la nova regulació espanyola van en la direcció contrària: en un moment en què la resta del món competeix per atraure infraestructura, computació i inversió, posar més obstacles a la seva construcció és una manera directa de perdre posicions i finalment perdre la cursa.

Les notícies clau


Nvidia, imparable

Nvidia continua creixent a un ritme extraordinari: els ingressos del trimestre van arribar als 96.200 milions de dòlars, un 106% més que l’any anterior. La demanda d’infraestructura per a IA continua disparada, sobretot entre els grans proveïdors de núvol, que ja concentren més de la meitat del negoci de centres de dades de la companyia.

Però el creixement té una altra cara. Nvidia està invertint i donant suport financer a moltes de les empreses que després compren els seus xips, des de laboratoris d’IA fins a operadors de centres de dades. Els crítics en diuen circular financing: Nvidia ajuda a finançar els seus propis clients. La companyia ho veu com una manera d’accelerar el creixement de la nova economia de la IA.

Nvidia compra Hugging Face

Nvidia hauria acordat comprar Hugging Face per 12.900 milions de dòlars, segons The Information. Hugging Face és avui una de les principals plataformes de la IA oberta, amb gairebé tres milions de models i més d’un milió d’aplicacions compartides per desenvolupadors, universitats i empreses. Nvidia ja n’era inversora des del 2023, però una adquisició completa li donaria una posició central no només en el maquinari de la IA, sinó també en el lloc on bona part de la comunitat pública, distribueix i prova models.

La importància de l’operació va més enllà del preu. Nvidia domina els xips que fan funcionar la IA i, si controla també Hugging Face, passa a estar present en una altra capa essencial de l’ecosistema: la distribució dels models. Això pot reforçar encara més la seva posició, però també obre preguntes sobre la independència de l’open source: una part important de la infraestructura oberta de la IA quedaria en mans de la mateixa empresa que ven la computació que la fa possible.

El misteri del GLM 5.3 Flash

El misteriós model Ox Alpha, que havia aparegut anònimament a OpenRouter i ràpidament havia escalat posicions als rànquings, és en realitat GLM-5.3 Flash, el nou model de Z.ai. Té 320.000 milions de paràmetres, però només n’activa 18.000 milions en cada inferència, cosa que redueix molt el cost computacional. És multimodal i està especialment pensat per programació, raonament i agents capaços de treballar durant llargs períodes. Segons Z.ai, supera GLM-5.2 amb aproximadament una desena part del cost i s’acosta a Claude Opus 4.8 en diversos tests de programació i agents.

El més interessant és el que això diu sobre la competició global en IA. GLM-5.3 Flash es publica amb pesos oberts i, durant les proves com Ox Alpha, va funcionar íntegrament sobre xips xinesos. Això reforça una tendència cada vegada més clara: empreses com Z.ai poden oferir models oberts amb capacitats properes als millors models propietaris, però a costos molt inferiors. La batalla de la IA, per tant, ja no és només qui té el model més potent, sinó qui pot oferir aquesta intel·ligència de manera més barata, oberta i eficient.

El nou processador d’OpenAI

OpenAI ha presentat Jalapeño, el seu propi xip per executar models d’IA, amb uns resultats que, segons proves publicades per la companyia, superen els sistemes actuals de Nvidia en eficiència. Jalapeño està dissenyat per consumir uns 700 watts —i en els tests es va mantenir per sota dels 550— davant dels 1.200-1.400 watts dels sistemes comparats. Amb el mateix pressupost energètic, OpenAI afirma que pot fer entre 1,5 i 1,9 vegades més treball d’IA i fins a quatre vegades més en tasques interactives típiques dels agents.

Hi ha, però, un segon element encara més interessant: la IA també comença a dissenyar el software que fa funcionar els xips. Codex va generar kernels optimitzats per Jalapeño que, en alguns casos, van funcionar fins a 1,8 vegades més ràpid que els escrits pels enginyers d’OpenAI. El xip començarà a instal·lar-se als centres de dades de la companyia a finals d’any. OpenAI continuarà comprant GPUs de Nvidia, però el moviment mostra cap on va la indústria: els grans laboratoris d’IA intenten controlar cada vegada més tota la pila tecnològica, des del model fins al xip, per reduir costos, consum energètic i dependència de proveïdors externs.

DeepSeek arriba als 70M de dòlars d’ingressos

DeepSeek està demostrant que els models xinesos no només poden competir en prestacions, sinó també convertir-se en negoci. Entre gener i juliol de 2026 va facturar uns 70,7 milions de dòlars, gairebé deu vegades més que en tot el 2025. Encara perd diners —uns 106 milions de dòlars en set mesos—, però ho fa amb una estructura de costos sorprenentment eficient: el marge brut global és del 44,6% i, en el negoci d’accés als models via API, arriba al 82,9%.

Aquestes xifres són petites comparades amb OpenAI o Anthropic, però expliquen per què DeepSeek desperta tant interès entre els inversors. La companyia prepara una nova ronda de finançament que podria valorar-la en uns 70.000 milions de dòlars i treballa amb bancs d’inversió per sortir a borsa a Shanghai el 2027. El seu avantatge és clar: ha aconseguit reduir molt el cost d’executar els models, fent més feina amb menys xips. En una indústria on la computació és una de les principals despeses, aquesta eficiència pot acabar sent tan important com tenir el model més avançat.

Com la IA ens canviarà la vida


Les Olimpíades dels Robots 1 any després

Els Robotaxis arriben a Madrid

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

A post shared by Grooum (@grooum_magazine)


Et mors menys en els hospitals amb IA

Els robots aprenen de pressa

Camions autoconduïts


La recerca en IA

GLM 3.5 Flash - AI Lab: Z.ai

Z.ai ha presentat GLM-5.3-Flash, un model multimodal de 320.000 milions de paràmetres que només n’activa 18.000 milions a cada inferència. Aquesta arquitectura li permet superar GLM-5.2 en molts benchmarks de programació i agents amb aproximadament una desena part del cost, i acostar-se en alguns tests a Claude Opus 4.8. Abans del llançament, Z.ai el va provar anònimament com a Ox Alpha a OpenRouter, on es va convertir ràpidament en un dels models més utilitzats, servit íntegrament sobre xips xinesos.

Per què és important
GLM-5.3-Flash mostra que la competició en IA ja no gira només al voltant de tenir el model més potent, sinó de fer més amb menys computació. Z.ai afirma que ha reduït fortament el cost d’inferència, que pot treballar amb contextos molt llargs i que el seu sistema funciona a escala sobre hardware xinès amb costos per token comparables als de GPUs Nvidia. A més, els pesos són públics, cosa que reforça la pressió dels models oberts xinesos sobre els models propietaris occidentals.

The Organizational Singularity - AI Lab: Peter H. Diamandis

Peter Diamandis anomena “singularitat organitzativa” el moment en què una persona, equipada amb agents d’IA, pot fer la feina que abans requeria equips sencers. Segons aquesta visió, la IA està reduint dràsticament els costos de coordinació, màrqueting, operacions o atenció al client, cosa que permet empreses molt més petites i una nova onada d’emprenedoria. Això podria portar a un món amb moltes més empreses, però amb plantilles un 75-80% més reduïdes, on el paper humà se centraria sobretot en l’estratègia, la creativitat, les relacions i l’orquestració dels sistemes d’IA.

Per què és important
La tesi planteja un canvi més profund que la simple automatització de llocs de treball: la IA podria canviar la mateixa arquitectura de l’empresa. Si coordinar agents i serveis externs esdevé molt barat, algunes funcions que justificaven grans organitzacions podrien desaparèixer o fragmentar-se. Diamandis resumeix la paradoxa afirmant que la IA pot destruir ocupació tradicional mentre crea noves empreses i formes de treball; però el mateix text recull una objecció important: no tots els treballadors desplaçats podran convertir-se fàcilment en emprenedors, i una destrucció ràpida d’ocupació també podria reduir la demanda agregada.

EnvHarness: Awakening Static Worlds for Agent Learning - AI Lab: Univ. St Louis, Google Cloud, Univ. of North Carolina

Els agents basats en LLM aprenen interactuant amb entorns, però aquests entorns solen ser estàtics i construïts manualment, de manera que deixen de ser útils quan l’agent millora. EnvHarness proposa una capa programable que embolcalla un entorn existent i en modifica el comportament sense tocar-ne la lògica ni el verificador original. A sobre, EnvRigger observa com actua l’agent, detecta on falla i genera automàticament components d’EnvHarness per crear situacions que ataquin precisament aquestes debilitats. En cinc benchmarks i quatre dominis, el sistema millora fins a 9 punts el rendiment en casos no vistos i redueix un 9,8% els passos d’execució.

Per què és important
La idea clau és passar d’entorns estàtics a entorns que coevolucionen amb l’agent. En lloc d’entrenar un agent sempre contra el mateix conjunt de tasques, l’entorn identifica contínuament què encara no sap fer i genera nous reptes específicament dirigits a aquests punts febles. Això proporciona un senyal d’aprenentatge més ric per al reinforcement learning i redueix molt la necessitat de construir nous benchmarks o verificadors a mà. En essència, és un pas cap a agents que poden millorar de manera més contínua perquè el seu “camp d’entrenament” també evoluciona amb ells.