AI & HPC

GPU Compartida: MIG y vGPU para Exprimir tu Inversión en IA

Las GPU de datacenter como la H100, H200 o L40S son caras y con frecuencia se infrautilizan. Compartir una misma GPU entre varias cargas o usuarios permite exprimir la inversión. Explicamos las tres formas de hacerlo —time-slicing, MIG y vGPU— y cuándo elegir cada una.

business EasyDataHost calendar_today 17 noviembre 2026 schedule 9 min de lectura

Una GPU de datacenter moderna es una de las piezas de hardware más caras que puede haber en un servidor. Una NVIDIA H100, H200 o L40S cuesta varias veces más que el resto del sistema, y sin embargo, en muchos despliegues reales, pasa la mayor parte del tiempo prácticamente ociosa. Una carga de inferencia ligera, un modelo pequeño o un entorno de desarrollo no llenan ni de lejos las 80 GB de memoria y los miles de núcleos CUDA de una GPU de gama alta.

La consecuencia es que se paga por una capacidad que nunca se usa. La solución es compartir la GPU: repartir una misma tarjeta entre varias cargas de trabajo, usuarios o equipos, de modo que la inversión se amortice de verdad. Compartir bien una GPU puede multiplicar por cinco o por diez el número de tareas que atiende sin degradar la experiencia de cada una.

Existen tres formas de compartir una GPU, con niveles muy distintos de aislamiento, complejidad y coste: la multiplexación temporal por software (time-slicing), la partición por hardware (MIG) y la virtualización para máquinas virtuales (vGPU). En este artículo las comparamos en detalle y explicamos en qué escenario tiene sentido cada una, cómo orquestarlas en Kubernetes y cuándo conviene no compartir en absoluto.

El Problema: GPU Caras e Infrautilizadas

El coste de una GPU de datacenter no está solo en el precio de compra: hay que sumar la energía, la refrigeración, el espacio en rack y la amortización. Cuando esa GPU ejecuta una sola carga que ocupa el 15 % de su memoria y el 20 % de su cómputo, se está desperdiciando el 80 % de la inversión. Y esto es lo habitual en muchos casos de uso: la inferencia de un modelo pequeño, un servicio de embeddings, un chatbot con poco tráfico o un cuaderno de un científico de datos que solo lo usa a ratos.

El entrenamiento de modelos grandes sí llena una GPU —o varias— pero representa una fracción del trabajo total. La mayor parte de las horas de GPU en producción se dedican a inferencia y a cargas ligeras que no justifican dedicar una tarjeta entera. Puedes ver cómo encajan estas cargas en la infraestructura en nuestra guía sobre servidores GPU para IA y machine learning.

Compartir la GPU convierte ese desperdicio en densidad. En lugar de una carga por tarjeta, se ejecutan varias en paralelo, aprovechando la memoria y el cómputo que sobran. La clave está en elegir el mecanismo de compartición adecuado según el nivel de aislamiento que necesites: no es lo mismo compartir entre procesos de tu propio equipo que ofrecer GPU a clientes distintos que no deben interferir entre sí.

schedule Time-slicing

Software

Los procesos se turnan en la GPU. Simple, sin aislamiento de memoria ni QoS.

grid_view MIG

Hardware

Hasta 7 instancias aisladas con memoria y cómputo propios. QoS real.

dns vGPU

Virtualización

Reparte la GPU entre VMs con perfiles. Requiere licencia NVIDIA vGPU.

Time-Slicing: Multiplexación Temporal por Software

El time-slicing es la forma más sencilla de compartir una GPU. Consiste en que varios procesos se turnan en el uso de la tarjeta: el planificador de la GPU va concediendo pequeñas franjas de tiempo a cada uno, de forma parecida a como un sistema operativo reparte la CPU entre procesos. Todo ocurre a nivel de software, con el driver de NVIDIA gestionando el reparto, y no requiere ninguna GPU especial ni licencia adicional.

Su gran ventaja es la simplicidad y la compatibilidad: funciona en prácticamente cualquier GPU moderna y se activa con muy poca configuración. Es ideal para exprimir una tarjeta cuando las cargas son de un mismo equipo de confianza y no importa que compitan por los recursos. Por ejemplo, varios cuadernos de desarrollo, pruebas de modelos o tareas de inferencia esporádicas que rara vez coinciden en el pico.

El inconveniente es que no hay aislamiento de memoria ni garantías de calidad de servicio. Todos los procesos comparten la misma memoria de la GPU sin barreras: si uno reserva demasiada, los demás se quedan sin espacio y fallan con un error de memoria. Además, no hay QoS: una carga pesada puede acaparar el tiempo de cómputo y provocar interferencia, degradando la latencia de las demás de forma impredecible. Por eso el time-slicing no es adecuado para entornos donde distintos usuarios o clientes no deben afectarse entre sí.

MIG: Partición por Hardware con Aislamiento Real

MIG (Multi-Instance GPU) es la respuesta de NVIDIA al problema del aislamiento. Disponible en las GPU basadas en las arquitecturas Ampere y Hopper —A100, H100 y H200—, MIG particiona físicamente una GPU en hasta siete instancias independientes, cada una con su propia memoria, su propia caché L2 y sus propias unidades de cómputo (SM). No es un reparto de tiempo: es una división real del silicio.

Cada instancia MIG se comporta como una GPU más pequeña pero completamente aislada. Una carga que se ejecuta en una instancia no puede acceder a la memoria de otra ni robarle ciclos de cómputo, y un fallo o una saturación en una instancia no afecta a las demás. Esto proporciona una calidad de servicio garantizada y un aislamiento a prueba de multi-tenant, algo imposible con el time-slicing. Puedes consultar el detalle técnico en la documentación oficial de NVIDIA Multi-Instance GPU.

MIG permite crear perfiles de distinto tamaño combinando bloques de memoria y de cómputo: por ejemplo, en una H100 de 80 GB se pueden definir siete instancias de 10 GB, tres de 20 GB, o mezclas asimétricas según las necesidades. Esto lo hace ideal para servir muchos modelos de inferencia pequeños a la vez, para plataformas multi-tenant donde cada cliente recibe una porción garantizada, y para entornos donde la latencia predecible es un requisito. El principal límite es que las instancias son estáticas: reconfigurar la partición requiere parar las cargas, no se puede cambiar sobre la marcha.

vGPU: Virtualización para Máquinas Virtuales y VDI

NVIDIA vGPU resuelve un problema distinto: cómo repartir una GPU entre varias máquinas virtuales. Mientras que el time-slicing y MIG operan a nivel de procesos o de particiones de hardware dentro de un mismo sistema, vGPU se integra en el hipervisor (VMware vSphere, KVM, Nutanix AHV, Citrix) y expone a cada VM una GPU virtual con su perfil de recursos asignado.

El administrador define perfiles vGPU que reparten la memoria de la tarjeta entre las VMs, y el hipervisor gestiona el acceso al cómputo mediante planificación temporal. Esto lo hace la opción natural para escenarios de VDI (escritorios virtuales con aceleración gráfica), estaciones de trabajo remotas para diseño y CAD, y despliegues donde cada usuario necesita su propia máquina virtual aislada con GPU. En las GPU que soportan MIG, vGPU puede combinarse con las particiones de hardware para ofrecer VMs con aislamiento total.

La contrapartida es que vGPU requiere una licencia de software NVIDIA vGPU por cada VM que reciba una porción de la GPU, con un coste de suscripción que hay que sumar al del hardware. También introduce un ligero overhead de virtualización. A cambio, se obtiene la integración completa con la gestión de máquinas virtuales, el live migration y las herramientas del hipervisor, algo que ni el time-slicing ni MIG por sí solos proporcionan.

Tabla Comparativa: Time-Slicing vs MIG vs vGPU

La siguiente tabla resume las diferencias clave entre los tres mecanismos en los parámetros que más importan a la hora de decidir cómo compartir tu GPU:

Criterio Time-slicing MIG vGPU
Nivel Software (procesos) Hardware Virtualización (VMs)
Aislamiento de memoria No Sí (real) Sí (por VM)
QoS / rendimiento garantizado No Sí Parcial
Overhead Mínimo Muy bajo Bajo-medio
GPU compatibles Casi todas A100 / H100 / H200 Gama datacenter
Nº de particiones Sin límite fijo Hasta 7 instancias Según perfil
Licencia adicional No No Sí (NVIDIA vGPU)
Caso de uso típico Dev / equipo de confianza Inferencia / multi-tenant VDI / VMs con GPU

Regla práctica:

Usa time-slicing cuando las cargas son de tu propio equipo y quieres simplicidad; MIG cuando necesitas aislamiento y QoS garantizados para inferencia o multi-tenant; y vGPU cuando repartes la GPU entre máquinas virtuales o escritorios virtuales.

Casos de Uso: Cuándo Compartir Merece la Pena

Compartir la GPU no es una técnica de nicho: encaja en una gran parte de las cargas de IA que hoy se ejecutan en producción. Estos son los escenarios donde marca la diferencia:

  • check_circle Inferencia de muchos modelos pequeños: servir decenas de modelos de embeddings, clasificación o LLM ligeros que individualmente no llenan una GPU. MIG asigna a cada uno su instancia aislada.
  • check_circle Entornos multi-tenant o multi-equipo: repartir una GPU entre varios clientes o departamentos con la garantía de que ninguno interfiere en el rendimiento de los demás.
  • check_circle VDI y estaciones de trabajo con gráficos: escritorios virtuales acelerados por GPU para diseño, CAD o edición, donde vGPU asigna a cada usuario su porción.
  • check_circle Laboratorios y docencia: dar acceso a GPU a muchos alumnos o investigadores a la vez sin dedicar una tarjeta completa a cada uno.
  • check_circle Desarrollo y experimentación: cuadernos, pruebas de modelos y pipelines de CI donde las cargas son intermitentes y el time-slicing basta para compartir de forma económica.

Orquestación en Kubernetes

Compartir GPU cobra todo su sentido cuando se orquesta a escala. En Kubernetes, las GPU se exponen a los pods a través del NVIDIA device plugin, que registra cada tarjeta como un recurso planificable del clúster. El planificador de Kubernetes asigna entonces GPU a los pods igual que asigna CPU o memoria.

El NVIDIA GPU Operator automatiza toda la pila: instala los drivers, el device plugin, el runtime de contenedores y las herramientas de monitorización, y permite configurar la estrategia de compartición de forma declarativa. Con él se puede activar time-slicing en Kubernetes —anunciando cada GPU física como varias GPU lógicas para que múltiples pods se turnen en ella— o exponer las instancias MIG como recursos independientes, de modo que cada pod reciba su partición aislada con memoria y cómputo garantizados.

La combinación de MIG y Kubernetes es especialmente potente para plataformas de inferencia: el clúster puede empaquetar muchos pods de inferencia sobre pocas GPU, cada uno en su instancia MIG, maximizando la densidad sin sacrificar el aislamiento. El GPU Operator también gestiona la reconfiguración de los perfiles MIG y la exposición de vGPU cuando se trabaja sobre un hipervisor.

Cuándo NO Compartir la GPU

Compartir no siempre es la respuesta. Hay cargas que necesitan toda la GPU —o varias— y para las que particionar solo introduce limitaciones. Conviene dedicar la GPU completa en estos casos:

  • arrow_right Entrenamiento de modelos grandes: un LLM o un modelo de visión de gran tamaño necesita toda la memoria de la tarjeta y, a menudo, varias GPU interconectadas con NVLink. Particionar aquí solo lo haría inviable.
  • arrow_right Cargas de HPC y simulación intensiva: cálculos que saturan la GPU de forma sostenida no se benefician de compartir, porque no dejan capacidad ociosa que repartir.
  • arrow_right Inferencia de latencia crítica al límite: cuando un único modelo grande ya consume toda la GPU para cumplir su SLA, no hay margen para compartir sin degradar el servicio.

La regla es sencilla: comparte cuando la carga deja recursos sin usar; dedica la GPU entera cuando la carga los necesita todos. Muchas infraestructuras combinan ambos enfoques, con nodos dedicados al entrenamiento y nodos particionados para inferencia.

EasyDataHost: Servidores GPU y DGX Spark en España

Todo esto necesita una base sólida de hardware. En EasyDataHost ofrecemos servidores GPU con tarjetas de datacenter H100, H200 y L40S, listos para configurar la estrategia de compartición que mejor encaje con tu carga:

  • arrow_right Servidores con GPU compatibles con MIG para particionar en hasta siete instancias aisladas, ideales para plataformas de inferencia y entornos multi-tenant.
  • arrow_right Configuraciones con vGPU sobre hipervisor para VDI y máquinas virtuales aceleradas, con la gestión de licencias incluida.
  • arrow_right El NVIDIA DGX Spark alojado en Madrid como base compacta para desarrollo, prototipado y cargas de IA con opciones de partición.
  • arrow_right Orquestación en Kubernetes con GPU Operator para exponer time-slicing o MIG de forma declarativa y maximizar la densidad de pods por GPU.

Toda nuestra infraestructura opera en datacenter propio en España, con certificación ISO 27001 y conformidad ENS. Si quieres exprimir tu inversión en GPU compartiéndola de forma segura, contacta con nuestro equipo para un análisis técnico sin compromiso.

Preguntas Frecuentes

¿Qué diferencia hay entre MIG y time-slicing?

MIG particiona la GPU a nivel de hardware en instancias con memoria, caché y unidades de cómputo aisladas, garantizando calidad de servicio y evitando la interferencia entre cargas. El time-slicing solo multiplexa el tiempo por software: los procesos se turnan en la misma GPU sin aislamiento de memoria ni garantías de rendimiento, por lo que una carga puede afectar a las demás.

¿Necesito una licencia para compartir una GPU?

El time-slicing y MIG forman parte del driver de NVIDIA y de las GPU compatibles (A100, H100, H200), por lo que no requieren licencia adicional. vGPU sí necesita una licencia de software NVIDIA vGPU por cada máquina virtual que reciba una porción de la GPU, ya que es una tecnología de virtualización pensada para hipervisores y VDI.

¿Puedo usar una GPU compartida para entrenar modelos grandes?

No es lo recomendable. Compartir está pensado para inferencia, cargas pequeñas y entornos multi-tenant. Un entrenamiento grande necesita toda la memoria y el cómputo de una GPU completa, y a menudo varias GPU interconectadas con NVLink. En esos casos conviene no particionar y dedicar la GPU entera, o incluso un nodo completo, a la tarea.

Conclusión

Una GPU de datacenter es demasiado cara para dejarla ociosa. Compartirla entre varias cargas convierte capacidad desperdiciada en densidad real, siempre que se elija el mecanismo adecuado al nivel de aislamiento que se necesita:

  • arrow_right Time-slicing es la forma más simple: procesos que se turnan en la GPU. Sin licencia ni aislamiento, ideal para desarrollo y equipos de confianza.
  • arrow_right MIG particiona el hardware en hasta siete instancias con aislamiento real y QoS garantizada. La opción para inferencia y multi-tenant en A100, H100 y H200.
  • arrow_right vGPU reparte la GPU entre máquinas virtuales con perfiles. La elección para VDI y entornos virtualizados, a cambio de la licencia NVIDIA vGPU.
  • arrow_right No compartas cuando la carga necesita toda la GPU: entrenamiento grande, HPC intensivo o inferencia de latencia crítica al límite piden la tarjeta entera.
GPU MIG vGPU IA HPC Kubernetes
grid_view

Exprime cada euro de tu inversión en GPU

EasyDataHost: servidores GPU H100, H200 y L40S y NVIDIA DGX Spark con MIG, vGPU y orquestación en Kubernetes. Infraestructura en España, soporte 24/7.