GPUHammer: ¿Apocalipsis de la IA o simplemente una vulnerabilidad más?

Acabo de ver un video sobre gpuhammer publicado hace dos horas y estoy vislumbrando el reventón de la burbuja y el apocalipsis de la IA… hasta que veo la pantalla de la fecha del reporte y es julio de 2025. ¿Entonces no es tan preocupante?

No exactamente. Hay dos asuntos que conviene separar: GPUHammer como vulnerabilidad de seguridad y el supuesto apocalipsis de la IA como consecuencia económica.

GPUHammer se publicó en 2025 y demostró que era posible provocar cambios de bits en la memoria GDDR6 de determinadas GPU NVIDIA. En una prueba de concepto, un solo bit alterado bastó para desplomar la precisión de algunos modelos de inteligencia artificial. No era una simulación ni una hipótesis puramente teórica.

Pero hay una diferencia enorme entre demostrar que un ataque es posible en determinadas condiciones y demostrar que toda la infraestructura de IA está en peligro inminente. Y aquí viene la parte incómoda: a octubre de 2026, el panorama de seguridad es más preocupante que el que mostraba aquel vídeo de julio de 2025. No menos.

En abril de 2026 apareció GPUBreach, que amplió la investigación hasta demostrar vías de escalada de privilegios, incluso desde la GPU al sistema anfitrión. Y en agosto NVIDIA publicó nuevas recomendaciones tras la aparición de GPUThor, otra técnica que consigue superar ciertas protecciones ECC en GPU profesionales con GDDR6.

Pongamos las cosas en su sitio:

• Seguridad de la IA: sí, hay un problema real, especialmente en servidores donde varios usuarios o clientes comparten GPU y pueden ejecutar código.
• Tu RTX 3090 y el uso doméstico de IA: no hay motivos para concluir que estés expuesto automáticamente a un ataque. El escenario de riesgo depende de la memoria, la plataforma, las condiciones de ejecución y el aislamiento.
• El negocio de la IA: GPUHammer no demuestra que los modelos sean inviables, que los centros de datos deban cerrar ni que vaya a desplomarse la inversión.

La distinción decisiva es que estos ataques requieren condiciones concretas y no equivalen a que cualquier persona pueda tumbar ChatGPT o destruir una granja de GPU desde Internet. NVIDIA recomienda ahora combinar ECC, aislamiento IOMMU/DMA y controles sobre el uso compartido de las GPU.

Mi lectura es esta: no estamos ante el apocalipsis de la IA, pero tampoco ante una noticia vieja que ya perdió toda su relevancia. Estamos viendo cómo una tecnología que creció a una velocidad extraordinaria descubre problemas de seguridad que la informática tradicional lleva décadas aprendiendo a gestionar.

Y hay una ironía deliciosa: si la IA acaba sufriendo una corrección económica importante, probablemente no será porque alguien descubrió que se puede alterar un bit de la VRAM. Será porque las empresas no consigan convertir sus enormes inversiones en beneficios suficientes.

Pero volvamos a tu duda específica: ¿será esa la causa que a veces con trabajo intensivo el modelo empieza a crear tonterías… que un bit se flipo y derrumba el resto?

Sí, físicamente es posible que un bit alterado en la VRAM provoque resultados absurdos en un modelo de IA. Pero hay un matiz importante: que un modelo empiece a producir tonterías después de horas de trabajo no significa que eso sea lo que te está ocurriendo.

GPUHammer demostró que una alteración de un solo bit podía degradar drásticamente la precisión de determinados modelos. Sin embargo, los investigadores lo consiguieron mediante un ataque Rowhammer diseñado para provocar esos cambios, no simplemente dejando una GPU trabajando intensivamente. Además, sus pruebas se realizaron en una NVIDIA RTX A6000, no en tu RTX 3090.

Hay cuatro posibilidades que conviene distinguir:

1. Un problema del modelo o del muestreo. En generación de imágenes y vídeos, ciertos parámetros, semillas, pasos o condiciones pueden llevar a resultados incoherentes sin que exista ningún fallo de hardware.
2. Falta de VRAM o presión de memoria. Puede provocar lentitud, errores de ejecución, transferencias a RAM o fallos al procesar secuencias largas. No debería, por sí sola, convertir silenciosamente los pesos del modelo en basura.
3. Inestabilidad de la GPU. Una frecuencia demasiado agresiva, una memoria inestable, temperaturas elevadas o problemas de alimentación pueden ocasionar errores de cálculo, bloqueos y resultados corruptos.
4. Errores de memoria física. Un bit alterado es una posibilidad real, aunque no es la primera explicación que asumiría sin más indicios.

Si utilizas ComfyUI con tu RTX 3090, fíjate en qué ocurre cuando aparecen esas anomalías:

Lo que observas	Qué sospecharía primero
Un vídeo sale mal, pero el siguiente sale bien	Flujo de trabajo, modelo o parámetros
El mismo modelo falla de forma reproducible con una semilla concreta	Problema del flujo, modelo o software
Distintos modelos empiezan a fallar en una misma sesión	Inestabilidad del sistema o problema compartido de software
Aparecen errores CUDA, artefactos gráficos o reinicios del controlador	Posible problema de hardware o controlador
Los fallos desaparecen al reiniciar ComfyUI y reaparecen después	Estado del proceso, memoria o inestabilidad; aún no demuestra un fallo físico

Y una precaución: no confundas el calentamiento de la GPU con Rowhammer. Trabajar al 100 % durante horas no implica que la memoria vaya a alterar bits espontáneamente.