Giga Computing, filial de Gigabyte, ha llevado a Computex 2026 una muestra amplia de infraestructura de IA basada en tecnologías de NVIDIA, desde sistemas compactos para agentes locales hasta plataformas rack-scale, superordenadores de sobremesa y centros de datos modulares. La propuesta no se limita a enseñar servidores: busca cubrir todo el ciclo de despliegue de IA, desde el desarrollo local hasta fábricas de IA a escala.
La lectura de fondo es clara: Giga Computing quiere posicionarse como proveedor de infraestructura completa para fábricas de IA, no solo como fabricante de servidores acelerados. En su stand aparecen soluciones para entrenamiento, inferencia, robótica, simulación digital, despliegue edge y contenedores modulares, con un hilo común: llevar modelos de IA desde el laboratorio hasta sistemas físicos reales con una pila NVIDIA muy integrada.
NVIDIA Vera Rubin NVL72 marca el extremo más ambicioso del stand
La pieza más potente del escaparate es NVIDIA Vera Rubin NVL72, una plataforma rack-scale pensada para entrenamiento, inferencia a gran escala e IA agentic. Giga Computing la presenta como una solución de tercera generación donde el rendimiento ya no depende solo de GPUs individuales, sino de un diseño completo de rack que integra cómputo, red, alimentación y densidad energética desde el inicio.
Según los datos del material, Vera Rubin NVL72 apunta a 10 veces más throughput por vatio en inferencia, un coste por token reducido a una décima parte y entrenamiento con una cuarta parte de las GPUs. Son cifras agresivas y habrá que verlas en despliegues reales, pero el mensaje técnico es evidente: el coste energético por token empieza a ser tan importante como la potencia bruta del acelerador.
También aparece una solución de 800 VDC para distribución eléctrica de nueva generación, un detalle que dice mucho de hacia dónde se mueve el centro de datos de IA. A medida que los racks son más densos, la alimentación deja de ser una parte secundaria: la eficiencia eléctrica, la entrega de potencia y la disipación térmica pasan a condicionar el diseño completo de la fábrica de IA.
Del mundo real a la simulación y vuelta al sistema físico
Giga Computing también muestra un flujo real-to-sim-to-real, pensado para capturar datos del mundo físico, recrear entornos simulados, entrenar modelos y desplegarlos después en robots o fábricas inteligentes. Aquí el valor no está en un único servidor, sino en una cadena completa que conecta datos reales, gemelos digitales, aprendizaje por refuerzo y control en edge.
En la primera fase se utilizan servidores preparados para NVIDIA RTX PRO 6000 Blackwell, encargados de capturar datos y recrear un entorno simulado. Después entra un sistema NVIDIA HGX Rubin NVL8 para entrenar y optimizar modelos, incluyendo aprendizaje por refuerzo. El cierre llega con una plataforma NVIDIA Jetson Orin NX, orientada a llevar los modelos entrenados a robots, fábricas inteligentes y sistemas físicos con control en tiempo real.
El bloque de software también resulta clave. La demostración se apoya en NVIDIA Omniverse, NVIDIA Cosmos, NVIDIA Isaac Lab e Isaac GR00T N1.6, lo que refuerza una idea bastante importante: la robótica moderna necesita simulación, entrenamiento y despliegue físico como partes de un mismo flujo, no como fases aisladas con herramientas desconectadas.
Robótica industrial para instalar GPUs en servidores
La demostración de physical AI baja esa idea a una escena muy concreta: dos brazos robóticos con manos diestras instalando una GPU dentro de un servidor. Puede parecer una demo llamativa de feria, pero el fondo es bastante práctico. En fabricación 24/7, automatizar la instalación precisa de componentes puede mejorar consistencia, reducir daños y reforzar el control de calidad.
Este caso tiene sentido dentro del discurso de Giga Computing porque conecta IA con producción real. No se trata solo de entrenar modelos o generar tokens, sino de aplicar sistemas robóticos a tareas físicas delicadas. La combinación de Isaac Sim, Isaac Lab e Isaac GR00T apunta justo a ese tipo de despliegue: robots que aprenden en simulación y ejecutan tareas útiles en entornos industriales.
GB300 baja la IA avanzada al formato deskside
El stand también incluye el GIGABYTE W775-V10, un superordenador de sobremesa con refrigeración líquida cerrada orientado a desarrollo local de IA. Su base es el NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip, acompañado por Ubuntu con herramientas NVIDIA AI Developer Tools y una cifra especialmente llamativa: 748 GB de memoria coherente para inferencia, IA agentic y ciencia de datos en local.
Este tipo de máquina intenta cubrir un hueco cada vez más importante. No todas las empresas quieren depender siempre del cloud para experimentar, ajustar modelos o ejecutar flujos internos. Un sistema deskside con tanta memoria permite desarrollar y validar cargas de IA cerca del equipo de trabajo, reduciendo fricción frente a entornos remotos o colas de infraestructura compartida.
Giga Computing también adelanta que sus sistemas de sobremesa con GB300 Grace Blackwell Ultra Desktop Superchip llegarán a Windows más adelante este año. Ese punto puede abrir el producto a equipos empresariales que quieren agentes de IA siempre activos conectados a aplicaciones y flujos de trabajo de Windows, sin moverse necesariamente a entornos Linux puros.
AI TOP ATOM lleva agentes de IA a un mini PC de casi 1 litro
En el extremo más compacto aparece GIGABYTE AI TOP ATOM, un mini PC de casi 1 litro pensado para desarrolladores, investigadores y científicos de datos. La clave está en ofrecer acceso al ecosistema de software de NVIDIA dentro de un formato muy pequeño, con memoria de GPU amplia, eficiencia y capacidad para agentes autónomos siempre activos.
Las demos planteadas incluyen inferencia concurrente multimodelo y flujos autónomos con NVIDIA NemoClaw. Esto lo separa de un mini PC convencional: no apunta solo a escritorio ligero, sino a pruebas locales de agentes, prototipos de inferencia y flujos de IA compactos. En ese formato, la eficiencia y la memoria disponible pueden pesar más que la potencia máxima absoluta.
DSX, GAIFA y GADU convierten la IA en infraestructura desplegable
La parte más estratégica del anuncio está en NVIDIA DSX, una plataforma de referencia para diseñar, simular, operar y optimizar fábricas de IA. Giga Computing adoptará DSX para acelerar despliegues con sistemas rack-scale, diseños row-scale y centros de datos modulares. El objetivo es que la infraestructura se valide antes de construirse físicamente, usando gemelos digitales con metadatos de energía, térmica y puntos de conexión.
Aquí entra DSX SimReady, con conversión de geometría CAD a activos OpenUSD validados para NVIDIA Omniverse DSX Blueprint y plataformas como Cadence Reality Digital Twin Platform. Dicho de forma simple: Giga Computing quiere que sus sistemas se puedan probar en simulación antes de llegar al centro de datos. Para clientes a escala de gigavatios, reducir errores de diseño y acortar el arranque del data center puede ser tan importante como elegir la GPU correcta.
La compañía también introduce dos piezas propias. GAIFA, una nueva fábrica de IA en Taiwán, debería entrar en funcionamiento a finales del tercer trimestre. Y GADU, el GIGABYTE Accelerated Deployment Unit, plantea un enfoque modular y contenedorizado con nodos IT, energía y refrigeración dedicados. En la práctica, GADU funciona como una fábrica de IA en formato caja, pensada para desplegar capacidad escalable con menos obra física y menor tiempo de puesta en marcha.
Giga Computing quiere vender la fábrica completa, no solo el servidor
La lectura final de Computex 2026 es que Giga Computing está intentando ocupar un espacio más amplio dentro del mercado de IA. Su mensaje no va solo de servidores con GPUs NVIDIA, sino de infraestructura completa para entrenar, simular, desplegar, alimentar, refrigerar y operar cargas de IA a escala.
Este enfoque encaja con la evolución del sector. A medida que la IA pasa de demos a producción, los problemas ya no están solo en comprar aceleradores: aparecen límites de energía, refrigeración, red, espacio, software, puesta en marcha y operación continua. Por eso, soluciones como Vera Rubin NVL72, GB300 deskside, AI TOP ATOM, DSX, GAIFA y GADU forman una estrategia de infraestructura más coherente que un simple catálogo de servidores acelerados.
El reto será demostrar que esa integración reduce costes y acelera despliegues reales. Si Giga Computing consigue convertir sus diseños en infraestructura prevalidada, modular y lista para producción, puede ganar peso frente a clientes que buscan pasar de pilotos de IA a fábricas completas con menos riesgo técnico y menor tiempo de implantación.
Vía: TechPowerUp
