{"id":194214,"date":"2026-05-11T15:05:37","date_gmt":"2026-05-11T18:05:37","guid":{"rendered":"https:\/\/www.itsitio.com\/mx\/?p=194214"},"modified":"2026-05-11T15:05:37","modified_gmt":"2026-05-11T18:05:37","slug":"high-bandwidth-flash-una-nueva-memoria-para-los-centros-de-datos-de-ia-y-la-computacion-en-el-borde","status":"publish","type":"post","link":"https:\/\/www.itsitio.com\/mx\/columna-de-opinion\/high-bandwidth-flash-una-nueva-memoria-para-los-centros-de-datos-de-ia-y-la-computacion-en-el-borde\/","title":{"rendered":"High Bandwidth Flash: Una nueva memoria para los centros de datos de IA y la computaci\u00f3n en el borde"},"content":{"rendered":"

Por Alper Ilkbahar, director de Tecnolog\u00eda en Sandisk<\/i><\/strong><\/p>\n

La inteligencia artificial (IA) avanza de manera imparable en todo el \u00e1mbito de la computaci\u00f3n. Aunque actualmente casi uno de cada siete centros de datos est\u00e1 equipado para alojar cargas de trabajo de IA, se espera que esta cifra se acerque al 70% en el 2030<\/span>. La IA est\u00e1 migrando de los entornos de hiperescala a los centros de datos empresariales y al per\u00edmetro de la red, donde se proyecta que las aplicaciones de IA en el borde generen casi USD $66,500 millones hacia finales de la d\u00e9cada<\/span>. El combustible de esta nueva era de la computaci\u00f3n son los datos: vol\u00famenes gigantescos que deben ingresarse a alta velocidad en una infraestructura de computaci\u00f3n de IA demandante y r\u00e1pidamente escalable.\u00a0<\/span><\/p>\n

Estos enormes repositorios de contenido est\u00e1n saturando las estructuras de almacenamiento convencionales y ponen en evidencia una debilidad arquitect\u00f3nica inherente. La memoria para centros de datos (DRAM y la memoria especializada de ancho de banda alto conocida como HBM) tienen cada vez m\u00e1s dificultades para seguir el ritmo de las crecientes demandas de los grandes modelos de IA en t\u00e9rminos de densidad, capacidad de almacenamiento y escalabilidad. Por otra parte, los fabricantes de sistemas de c\u00f3mputo hiperescalado enfrentan costos de producci\u00f3n de DRAM y HBM cada vez m\u00e1s altos, as\u00ed como una mayor complejidad de dise\u00f1o y consumo energ\u00e9tico. El desaf\u00edo es a\u00fan mayor en los centros de datos empresariales y las aplicaciones de IA en el borde, donde un espacio f\u00edsico proporcionalmente m\u00e1s reducido afecta su capacidad de absorber el incremento de costos de memoria y consumo energ\u00e9tico.\u00a0<\/span><\/p>\n

Existe adem\u00e1s otro problema urgente relacionado con la inferencia de IA, que ahora es la carga de trabajo dominante y tiene requisitos de gesti\u00f3n de datos distintos al entrenamiento de IA. La inferencia almacena modelos de IA grandes, y en crecimiento, y la memoria basada en HBM y DRAM ha demostrado carecer de la capacidad y escalabilidad de costos necesarias para satisfacer estas nuevas demandas. En vista de estas caracter\u00edsticas de memoria claramente diferentes, surge la oportunidad de desarrollar una tecnolog\u00eda de memoria optimizada espec\u00edficamente para la inferencia de IA.\u00a0<\/span><\/p>\n

Por qu\u00e9 DRAM y HBM no logran abastecer las cargas de trabajo de inferencia de IA\u00a0<\/b><\/span><\/h2>\n

Para entender por qu\u00e9 la DRAM y la HBM por s\u00ed solas son sub\u00f3ptimas para la implementaci\u00f3n de IA a largo plazo, consideremos las siguientes desventajas.<\/span> Estas comienzan como\u00a0<\/span>peque\u00f1as grietas, pero si no se corrigen, se expandir\u00e1n con el tiempo y debilitar\u00e1n los cimientos del almacenamiento de pr\u00f3xima generaci\u00f3n centrado en IA.<\/span><\/p>\n

Limitaciones de densidad<\/span>: La escalabilidad de capacidad de la DRAM se ha estancado, mientras que la necesidad de mayor capacidad para la inferencia de IA sigue aumentando<\/span>3<\/span><\/p>\n

Desajuste con la inferencia de IA<\/span>: La ventaja de la baja latencia y las caracter\u00edsticas de acceso aleatorio de la memoria DRAM no son relevantes para la inferencia de IA, donde los patrones de acceso son deterministas y m\u00e1s tolerantes a la latencia gracias a t\u00e9cnicas como la precarga de datos.<\/span> 3<\/span>\u00a0<\/span><\/p>\n

Atributos de una arquitectura de memoria optimizada para la inferencia de IA<\/b><\/span><\/h2>\n

Estas limitaciones se extienden por debajo de una industria de DRAM de USD $120,000 millones<\/span> que busca mantener su posici\u00f3n en los centros de datos, considerando que el gasto de los proveedores de hiperescala en infraestructura de IA podr\u00eda alcanzar los USD $6.7 trillones hacia finales de la d\u00e9cada<\/span>.\u00a0\u00a0<\/span><\/p>\n

\u00bfQu\u00e9 pasar\u00eda si fuera momento de empezar de nuevo y dise\u00f1ar una nueva memoria desde cero adaptada a las necesidades de la aplicaci\u00f3n, en lugar de forzar la aplicaci\u00f3n a adaptarse a la memoria?\u00a0<\/span><\/p>\n

Una memoria de almacenamiento optimizada para IA deber\u00eda contar con los siguientes atributos:<\/span><\/p>\n