Geolocalización con CUDA y geometría: cuando un desarrollador cualquiera supera a las agencias

En un rincón de internet, un desarrollador identificado como “yassa9” resolvió un acertijo que llevaba meses circulando entre comunidades de open source intelligence (OSINT): identificar la ubicación de una isla sin nombre visible en una imagen de mapa. La herramienta no fue un satélite espía ni un contrato con Maxar o Planet Labs. Fue una combinación de geometría básica, razonamiento visual y un programa escrito en CUDA ejecutado sobre una GPU. El resultado fue publicado en GitHub Pages y se ha convertido en un pequeño caso de estudio sobre cómo se está reconfigurando el poder computacional en 2026.

El acertijo: Gralhix y la economía de la atención cartográfica

El proyecto “Gralhix” —del cual este artículo es la cuarta iteración— consiste en localizar una isla aleatoria a partir de pistas mínimas: una silueta costera, sombras, vegetación inferida, datos de elevación. Lo que hace interesante este cuarto episodio no es la isla en sí, sino el método. El autor no recurrió a Google Earth Pro ni a las APIs comerciales de Mapbox o Here Technologies. Escribió un kernel CUDA propio que aprovecha la capacidad de paralelismo masivo de las tarjetas gráficas NVIDIA para iterar sobre miles de hipótesis geográficas en minutos.

La pregunta incómoda que deja este ejercicio es: si un hobbyist con conocimientos de geometría y una GPU de consumo puede resolver en un fin de semana lo que antes requería un equipo de analistas cartográficos, ¿qué significa esto para el modelo de negocio de las empresas de inteligencia geoespacial?

NVIDIA, CUDA y el cuasi-monopolio silencioso

Para entender este fenómeno hay que mirar a Santa Clara, California. NVIDIA no solo vende hardware; vende un ecosistema. CUDA, lanzada en 2006, no es simplemente un lenguaje de programación: es una arquitectura propietaria que durante dos décadas ha consolidado a la empresa de Jensen Huang como el proveedor de facto de cómputo acelerado. Competir con CUDA implica no solo fabricar chips comparables —algo que AMD con ROCm e Intel con oneAPI intentan con recursos significativamente menores—, sino reclutar una base de desarrolladores que ya ha estandarizado su flujo de trabajo alrededor de las toolkits de NVIDIA.

El proyecto de “yassa9” depende de ese ecosistema, pero también lo subvierte. Mientras gigantes como Palantir venden contratos de varios millones a la CIA o al DHS para tareas similares, un investigador anónimo publica su código en abierto y demuestra que la barrera de entrada ha caído. CUDA democratiza y, al mismo tiempo, concentra: democratiza porque cualquier estudiante puede descargar las herramientas; concentra porque toda la pila depende de un solo proveedor de hardware.

La nube como Gran Igualador… y como nuevo feudo

Hay un segundo actor en esta historia que rara vez se menciona: los proveedores de nube. AWS, Google Cloud y Microsoft Azure ofrecen instancias con GPUs NVIDIA bajo demanda. Una hora de cómputo en una A100 o H100 cuesta entre uno y tres dólares. Proyectos como éste podrían haberse ejecutado íntegramente en la nube, sin comprar hardware propio, pagando centavos.

Una genealogía: de ENIAC al kernel casero

Históricamente, la geolocalización remota era dominio exclusivo de estados. La CORONA, programa fotográfico de reconocimiento estadounidense que operó entre 1959 y 1972, costó miles de millones de dólares y produjo imágenes clasificadas durante décadas. Los satélites Landsat, inaugurados en 1972, abrieron el juego parcialmente, pero la resolución seguía siendo limitada.

La transición de Landsat a Copernicus (ESA), Planet Labs y Maxar no fue lineal ni gratuita: requirió décadas de inversión pública y privada, y consolidó un oligopolio de proveedores. Lo que muestra el proyecto Gralhix es que el gap entre la capacidad estatal y la capacidad civil se está cerrando, no por una mejora en los satélites, sino por una mejora en el software y en el acceso al cómputo.

Hay un precedente interesante: el caso del seguimiento del vuelo MH370 en 2014, cuando aficionados coordinados en foros y plataformas como Tomnod —propiedad de Google— identificaron posibles restos en el Índico usando solo imágenes satelitales comerciales. Diez años después, la diferencia es que el procesamiento ya no requiere revisar imágenes manualmente: una GPU lo hace en paralelo.

Lo que el código abierto sí cambia (y lo que no)

El código abierto transforma la velocidad de iteración y la accesibilidad a las herramientas: el código de Gralhix es público, reproducible y auditable por cualquiera. Pero esa apertura descansa sobre condiciones silenciosas que no son abiertas en absoluto. Mientras esas condiciones se mantengan —hardware accesible, nube barata, licencias permisivas—, el ecosistema funciona.

Cuando una de esas condiciones falla —por ejemplo, si NVIDIA decide endurecer las licencias de CUDA, como se especuló en 2024— el equilibrio se rompe. Cuando AWS o Google suben los precios de sus instancias GPU, los proyectos pequeños se vuelven inviables. La promesa de la “inteligencia ciudadana” es, en buena medida, una promesa alquilada a la infraestructura de tres o cuatro corporaciones.

graph LR
    A[Developer] --> B[CUDA Code]
    B --> C[NVIDIA GPU]
    C --> D[Geolocation Result]
    D --> E[OSINT Community]

Conclusión: el código abierto como termómetro del poder

Lo que hace valioso al proyecto Gralhix no es la isla que encuentra, sino lo que revela sobre el estado del ecosistema tecnológico. Una sola persona, armada con matemática del siglo XIX y un framework de 2006, puede replicar capacidades que hace veinte años estaban reservadas a gobiernos. Esto no es magia ni utopía: es el resultado de décadas de inversión pública en estándares abiertos y de un mercado competitivo que, con todos sus defectos, ha empujado el precio de una GPU de IA por debajo de los 10.000 dólares.