.Hace unos años con la criptominería, las tarjetas gráficas subieron mucho de precio debido a la gran demanda de estas para minar criptomonedas. Las principales afectadas fueron las GPU para gaming, las cuales acabaron siendo muy caras y apenas había stock. Eso sí, todo llegó a su fin y cuando dejó de ser rentable, el mercado se llenó de GPU usadas en minería. Ahora que vivimos en la época de la IA, las GPU que son más solicitadas y caras son las que más memoria tienen y curiosamente es posible transformar gráficas de minería de 8 GB como las CMP 170HX en GPU NVIDIA mucho más caras para IA con voltage glitching.

La desesperación por conseguir hardware para IA se nota cuando vemos que las compañías se ponen a comprar todo tipo de tarjetas gráficas de gaming con tal de aprovechar sus chips de memoria. En casos de GPU de gama alta como las RTX 5090, estas tenían una alta demanda, sobre todo en países como China. Allí las convertían en GPU para IA cambiando la carcasa y el PCB manteniendo la misma cantidad de memoria mientras que en casos como las RTX 4090 tenían

Convierten una NVIDIA CMP 170HX de criptominería de 8 GB en una NVIDIA A100 de 80 GB con voltage glitching

Una investigadora de hardware conocida como Kate (kate-land en GitHub) ha conseguido transformar una NVIDIA CMP 170HX, una tarjeta gráfica diseñada para minería de criptomonedas con apenas 8 GB de memoria accesible, en una GPU equivalente a una NVIDIA A100 de 80 GB, valorada en hasta 20.000 dólares. Lo más sorprendente es que ha logrado desbloquear toda la memoria HBM2E y unidades de procesamiento adicionales de la CMP 170HX mediante una técnica de manipulación del voltaje conocida como "voltage glitching", sin necesidad de sustituir físicamente los chips de memoria.

La clave está en que las CMP 170HX utilizan el mismo chip GA100 de arquitectura Ampere que las aceleradoras A100 profesionales. Aunque NVIDIA comercializaba estas tarjetas con gran parte de sus capacidades deshabilitadas, el hardware físico seguía presente. En concreto, los modelos de 8 GB incorporaban hasta 80 GB de memoria HBM2e, mientras que las variantes de 10 GB procedían de configuraciones con hasta 40 GB. NVIDIA restringía estas capacidades mediante fusibles electrónicos internos, conocidos como eFuses, que también controlaban los módulos de procesamiento, las conexiones PCIe y funciones profesionales.

Para superar las restricciones, Kate utilizó una pequeña placa basada en un microcontrolador STM32G4 de unos 8 dólares, cuyo circuito fue diseñado con ayuda de GPT-6 Astra. Este dispositivo permitió provocar alteraciones extremadamente precisas en el suministro eléctrico de la GPU, consiguiendo que el controlador de fusibles entrara temporalmente en un estado que permitía modificar su configuración. De esta manera, pudo activar componentes que NVIDIA había bloqueado de fábrica, procurando mantener deshabilitadas las unidades identificadas como defectuosas para evitar daños irreversibles.

De 10 GPU modificadas, 9 funcionaban con los 80 GB y solo una se conformó con 64 GB

Los resultados fueron extraordinarios. De diez tarjetas modificadas, nueve consiguieron utilizar los 80 GB completos de VRAM y una alcanzó 64 GB funcionales. Además, al activar los multiprocesadores de streaming adicionales, una de las tarjetas consiguió superar aproximadamente en un 20% el rendimiento FP16 FMA de una A100 convencional. Esto se explica porque el chip GA100 incorpora físicamente hasta 128 multiprocesadores, mientras que la A100 comercial utiliza 108, y algunas unidades disponen de más de 120 completamente funcionales.

La modificación también permitió recuperar capacidades profesionales como PCIe 4.0, NVLink, corrección de errores ECC y Multi-Instance GPU (MIG), necesarias para determinados entornos de servidores e inteligencia artificial. Finalmente, Kate comunicó la vulnerabilidad a NVIDIA y decidió publicar su investigación después de descubrir que otra persona había identificado independientemente el mismo problema.