AMD y Corea del Sur planean una infraestructura de IA abierta con NPU nacionales
AMD firmó el 23 de julio un acuerdo con Corea del Sur que cuestiona una premisa central del auge de la IA: que una única arquitectura de GPU debería ejecutarlo todo. La noticia surgió a través de Google News después de que líderes tecnológicos coreanos sostuvieran que los centros de datos deben combinar CPU, GPU y unidades nacionales de procesamiento neuronal. Su objetivo no es solo el entrenamiento. Es el creciente coste y la demanda energética de ofrecer agentes de IA a gran escala.
El acuerdo crea una prueba para la computación heterogénea, que asigna distintas cargas de trabajo a procesadores diseñados para tareas diferentes. AMD aportaría CPU, GPU, software y conocimientos técnicos. Las empresas coreanas añadirían unidades de procesamiento neuronal, o NPU, diseñadas principalmente para la inferencia de IA. El Gobierno coreano quiere que los sistemas resultantes se prueben con cargas de trabajo comerciales, no con demostraciones protegidas.
Esto presiona la plataforma de un solo proveedor de Nvidia, aunque Nvidia sigue siendo el principal referente de la infraestructura de IA. La competencia no es simplemente AMD frente a Nvidia. Es un debate más amplio entre plataformas de GPU estrechamente integradas y sistemas abiertos ensamblados a partir de componentes especializados.
El plan coreano parece convincente porque la inferencia tiene una economía distinta a la del entrenamiento de modelos. El entrenamiento favorece enormes clústeres que completan rápidamente ejecuciones de cálculo intensivo. La inferencia debe responder a solicitudes continuas de los usuarios respetando límites de latencia, electricidad, refrigeración y coste operativo.
La cuestión sin resolver es si un sistema mixto puede funcionar como una única plataforma fiable. Los chips por sí solos no crean un centro de datos utilizable. Los controladores, el software de orquestación, las redes, el soporte de modelos, la monitorización y la recuperación ante fallos deben funcionar juntos bajo tráfico real.
Lo que Google News reveló sobre el acuerdo de AMD
Corea del Sur está trasladando las NPU nacionales de experimentos respaldados por el Gobierno a una arquitectura informática global propuesta.
El Ministerio de Ciencia y TIC de Corea del Sur firmó el memorando con la presidenta y CEO de AMD, Lisa Su, durante AMD Advancing AI 2026 en San Francisco. El ministerio fechó la firma el 23 de julio de 2026, a las 3 p. m., hora del Pacífico.
El Gobierno describió el proyecto como un esfuerzo para crear un ecosistema de infraestructura informática de IA abierta. Su primer objetivo técnico es conectar CPU y GPU de AMD con NPU desarrolladas en Corea y optimizadas para la inferencia.
Esa formulación es importante. Los chips coreanos de IA a menudo han aparecido como alternativas evaluadas mediante programas nacionales de apoyo. En cambio, el acuerdo los trata como posibles componentes dentro de una arquitectura mayor que involucra a una empresa global consolidada de procesadores.
El acuerdo de computación del ministerio también abarca desarrollo de software, investigación conjunta, programas de talento e IA física. La IA física aplica modelos a sistemas como robots, fábricas, vehículos y equipos industriales.
AMD indicó por separado que los socios explorarían infraestructura nacional, modelos de código abierto e investigación avanzada. Su plan de IA soberana hace hincapié en la elección tecnológica y en una menor dependencia de un único proveedor.
El memorando no establece que AMD y las NPU coreanas ya funcionen como un sistema listo para producción. Establece un marco de cooperación e identifica la infraestructura heterogénea como la dirección prevista.
Esa distinción separa el anuncio de la interpretación más ambiciosa que circula a su alrededor. La discusión original reunió a funcionarios gubernamentales, AMD Korea, investigadores y ejecutivos coreanos del sector de chips para debatir qué requeriría un despliegue exitoso.
Los participantes volvieron repetidamente a tres condiciones. El sistema debe procesar tráfico real, publicar resultados objetivos de rendimiento y coste, y convertir el trabajo de software exitoso en infraestructura reutilizable.
La validación prevista tiene tres etapas, según la discusión. Los equipos primero verificarían los vínculos de software entre los procesadores de AMD y las NPU coreanas. Después aplicarían el sistema a cargas de trabajo de servicios. Por último, divulgarían resultados objetivos y aportarían activos de software a ecosistemas abiertos.
Estos pasos hacen que el acontecimiento sea más relevante que otra ceremonia de asociación en semiconductores. También muestran cuánto trabajo queda antes de que los compradores puedan considerar una NPU coreana como una opción habitual para centros de datos.
Un MOU expresa intención, no un compromiso vinculante de compra. No garantiza volumen de despliegue, adopción por clientes ni integración con todos los aceleradores coreanos. AMD y el ministerio no han publicado un diseño final del sistema ni un calendario de producción.
Por tanto, el acontecimiento a corto plazo es una transición de estatus. Las NPU coreanas están siendo consideradas dentro de una arquitectura multinacional, pero aún no se han ganado un lugar permanente en ella.
La economía de la inferencia está imponiendo una arquitectura diferente
El argumento más sólido a favor de los procesadores mixtos surge de la inferencia, donde la energía, la latencia y los usuarios simultáneos importan más que un único benchmark destacado.
La infraestructura de IA generativa se debatió inicialmente en función de la escala de los clústeres de entrenamiento. Los modelos más grandes exigían más procesadores, memoria y ancho de banda de red. Eso produjo una lógica de compra sencilla: adquirir tantas GPU capaces como permitieran la energía y la financiación.
Los agentes de IA complican ese modelo. Un agente puede realizar varias llamadas al modelo mientras planifica, recupera información, utiliza herramientas y verifica su trabajo. Por tanto, una solicitud visible puede generar una cadena de operaciones de inferencia detrás de la interfaz.
Esa carga de trabajo modifica la unidad de rendimiento importante. Los cálculos máximos por segundo siguen siendo útiles, pero los operadores también deben medir tokens por vatio, usuarios por rack, latencia de respuesta y coste por tarea completada.
Un objetivo de nivel de servicio, o SLO, define el rendimiento mínimo que debe mantener un servicio. Para un modelo interactivo, puede incluir el tiempo hasta el primer token y los tokens sostenidos por segundo para cada usuario.
Las NPU especializadas compiten optimizando esos objetivos operativos. Sacrifican parte de la generalidad asociada a las GPU para mejorar la eficiencia en cargas de trabajo de redes neuronales compatibles.
El acelerador RNGD de FuriosaAI ilustra el argumento. La empresa coreana diseñó RNGD para la inferencia de grandes modelos de lenguaje y modelos multimodales, en lugar de para gráficos de propósito general o cada etapa del desarrollo de IA.
Furiosa afirma que una tarjeta RNGD tiene una potencia de diseño térmico de 180 vatios y 48GB de memoria HBM3. Su arquitectura utiliza la contracción de tensores como operación central, lo que la empresa presenta como una correspondencia más directa con los cálculos multidimensionales de IA.
El benchmark de inferencia de la empresa, publicado en abril de 2026, comparó cuatro tarjetas RNGD con cuatro tarjetas Nvidia RTX Pro 6000. Utilizó Qwen3-32B con precisión FP8 y longitudes de entrada y salida iguales.
Furiosa informó de que RNGD admitía 1,8, 1,9 y el doble de usuarios por kilovatio en tres objetivos de servicio. Esos objetivos eran 20, 30 y 40 tokens por segundo por usuario.
La empresa también modeló el despliegue dentro de un rack de 15 kilovatios. Indicó que cinco servidores RNGD de ocho tarjetas cabrían dentro de ese límite de potencia, frente a dos servidores RTX Pro 6000 equivalentes.
A 30 tokens por segundo por usuario, Furiosa estimó que la configuración RNGD podría atender a 474 usuarios simultáneos. Describió el resultado como 2,5 veces la capacidad a nivel de rack del sistema de comparación.
Estos son resultados producidos por el proveedor, no un dictamen independiente sobre ninguno de los aceleradores. Se aplican a un modelo, una versión de software, un formato de precisión y un objetivo de servicio definidos. Otros modelos o condiciones operativas pueden cambiar el resultado.
Aun así, el benchmark aclara por qué los operadores están examinando hardware especializado. Un centro de datos suele alcanzar un límite de energía, refrigeración o densidad de rack antes de agotar la demanda teórica de servicios de IA.
Añadir otra GPU de alto consumo puede requerir actualizaciones eléctricas, refrigeración líquida o un edificio nuevo. Un acelerador de menor consumo a veces puede aumentar la capacidad de servicio dentro de una instalación existente.
La inferencia también recompensa la especialización de las cargas de trabajo. Un clúster de GPU puede seguir siendo el entorno preferido para el entrenamiento y la investigación que cambia rápidamente. Una NPU puede encargarse de tareas estables y de alto volumen, donde la eficiencia determina los márgenes.
Esto produce el mecanismo central de la propuesta de Corea. Los procesadores AMD no desaparecen. Se coordinan con NPU coreanas que asumen cargas de trabajo de inferencia seleccionadas.
El centro de datos se convierte en una cartera de procesadores en lugar de una sala llena de una sola clase de aceleradores. El software debe decidir dónde debe ejecutarse cada modelo, solicitud o etapa.
Esa arquitectura se parece a los sistemas informáticos existentes, que ya dividen el trabajo entre CPU, GPU, procesadores de almacenamiento y dispositivos de red. La inferencia de IA hace que la división sea más importante porque sus demandas de recursos son persistentes y están orientadas al usuario.
La ventaja de Nvidia es el sistema, no solo la GPU
El hardware heterogéneo puede reducir la dependencia de un único proveedor de chips, pero debe competir con la plataforma integrada de software y redes de Nvidia.
La posición de Nvidia en la infraestructura de IA se basa en algo más que el rendimiento de sus aceleradores. CUDA ofrece a los desarrolladores un entorno de programación maduro, mientras que Nvidia suministra bibliotecas, redes, servidores y herramientas de despliegue en torno a sus GPU.
Esa integración reduce la incertidumbre para los compradores. Un equipo puede contratar ingenieros con experiencia relevante, utilizar frameworks conocidos y encontrar documentación amplia para modelos comunes.
Un sistema abierto y mixto invierte esa comodidad. Ofrece más opciones de proveedores, pero cada procesador adicional introduce otro compilador, entorno de ejecución, conjunto de controladores y relación de soporte.
La compatibilidad de modelos presenta una prueba inmediata. Las arquitecturas de IA cambian con rapidez, y los operadores no pueden esperar meses a que un proveedor de aceleradores admita un modelo que acaba de adquirir importancia.
La cuantización añade otra complicación. La cuantización reduce la precisión numérica para ahorrar memoria y trabajo de procesamiento. Puede mejorar el rendimiento, pero una implementación debe preservar una calidad de modelo aceptable.
Los operadores también necesitan paralelismo de tensores, que divide un modelo entre varios procesadores cuando no puede ejecutarse eficientemente en un solo dispositivo. Esa función debe mantenerse estable bajo carga y a través de actualizaciones de software.
La monitorización no puede limitarse a la utilización del hardware. Los equipos necesitan telemetría coherente sobre tiempos de cola, generación de tokens, presión de memoria, solicitudes fallidas y uso de energía en distintas familias de procesadores.
La recuperación ante fallos es igual de importante. Si un servidor NPU queda fuera de línea, el software de orquestación debe redirigir el trabajo sin incumplir los objetivos de latencia de los clientes. El sistema también debe gestionar actualizaciones sin alterar el comportamiento de las aplicaciones.
Por eso la discusión coreana se centró tanto en la propiedad de la arquitectura. La organización que elabora el diseño completo determina si los componentes separados se comportan como un único servicio.
AMD aporta una base creíble para este trabajo. Sus CPU ya están presentes en centros de datos de todo el mundo, y sus GPU utilizan la plataforma de software ROCm para IA y computación de alto rendimiento.
El acuerdo ofrece a los proveedores coreanos de NPU un posible puente hacia sistemas en los que AMD ya suministra componentes importantes. También brinda a AMD una forma de presentar la apertura como una ventaja arquitectónica.
Sin embargo, la apertura no genera automáticamente interoperabilidad. Un repositorio de software puede ser público, mientras que la instalación, la depuración y las operaciones siguen siendo difíciles.
AMD y el gobierno coreano deben, por lo tanto, definir interfaces estables entre los procesadores. Esas interfaces deben abarcar la ubicación de modelos, el movimiento de datos, la programación, la observabilidad y la seguridad.
El movimiento de datos merece especial atención. Enviar tensores entre dispositivos consume tiempo y energía. Una ganancia teórica derivada de la computación especializada puede desaparecer si los procesadores transfieren constantemente grandes volúmenes de datos.
La memoria de alto ancho de banda y las interconexiones rápidas reducen esa penalización, pero no eliminan la complejidad del software. Los ingenieros deben mantener las operaciones relacionadas cerca de los datos que utilizan y minimizar las transferencias innecesarias.
La alianza también menciona la IA física, donde los requisitos de latencia y fiabilidad pueden ser más estrictos. Un robot de fábrica o un sistema de seguridad no puede tolerar las mismas demoras que una tarea en segundo plano de procesamiento de documentos.
Corea del Sur ofrece entornos de despliegue relevantes en manufactura, robótica, movilidad, construcción naval y automatización industrial. Estos sectores pueden crear exigentes pruebas para sistemas de computación mixta.
Sin embargo, también elevan el coste de los fallos. Un prototipo que funciona bien en un benchmark puede aun así no cumplir los requisitos de certificación, seguridad, mantenimiento o disponibilidad.
Por lo tanto, la presión sobre Nvidia es estratégica más que inmediata. Corea intenta crear una vía de adquisición alternativa antes de que la próxima ola de infraestructura de inferencia quede fijada en torno a una sola plataforma.
AMD también enfrenta presión. Debe demostrar que su mensaje de plataforma abierta produce sistemas que los clientes pueden operar, no simplemente un catálogo más amplio de componentes compatibles.
Las empresas coreanas de NPU afrontan la prueba más difícil. Deben ofrecer una eficiencia medible al tiempo que igualan las expectativas de software creadas por las plataformas de GPU establecidas.
La Brecha de los Benchmarks Es el Riesgo Real
El plan de Corea solo tendrá éxito si pruebas independientes a escala de producción confirman costes más bajos sin trasladar la complejidad a desarrolladores y operadores.
Los benchmarks de los proveedores responden preguntas acotadas en condiciones controladas. Los despliegues comerciales plantean cuestiones más amplias durante meses de cambios en el tráfico, los modelos y el software.
Los resultados de Furiosa son relevantes porque miden usuarios concurrentes dentro de un límite de potencia por rack. Esa métrica se parece más a la restricción real de un operador que el rendimiento máximo aislado.
Sin embargo, la comparación no establece una superioridad universal frente a las GPU de Nvidia. Evalúa hardware específico, un modelo, una precisión definida, tamaños de lote seleccionados y el propio software optimizado de Furiosa.
Las mejoras de software también impulsaron una gran parte del resultado reportado. Furiosa afirmó que un mes de optimización del SDK aumentó la capacidad de servicio de 5,8 a 47,5 usuarios en una configuración determinada.
Esa mejora de 8,2 veces demuestra el valor del trabajo de software. También revela hasta qué punto el rendimiento de los aceleradores puede depender de la madurez del entorno de ejecución y de la configuración de los benchmarks.
Un comprador necesita saber si existe una optimización similar para cada modelo importante. Dar buen soporte a un benchmark es distinto de mantener una amplia cobertura de modelos en toda una cartera de aplicaciones.
Las pruebas de terceros deberían reproducir los resultados de rendimiento, latencia, potencia y calidad. Deberían publicar las configuraciones del sistema, versiones de software, longitudes de prompts, comportamiento de los lotes y métodos de medición.
Las pruebas también deberían incluir tráfico irregular. Las solicitudes de producción llegan con diferentes longitudes de entrada, longitudes de salida, prioridades y patrones de llamadas a herramientas. Rara vez forman un lote perfectamente eficiente.
Las cargas de trabajo de agentes hacen que la variabilidad sea más grave. Algunas solicitudes terminan tras una respuesta. Otras realizan varias llamadas al modelo, recuperan documentos, ejecutan código o esperan servicios externos.
Una evaluación útil debe medir la latencia de cola, que captura la parte más lenta de las solicitudes. El rendimiento medio puede parecer aceptable mientras un grupo significativo de usuarios recibe respuestas demoradas.
La medición de energía requiere un cuidado similar. La potencia a nivel de chip no incluye todos los componentes del servidor. Los compradores necesitan cifras a nivel de instalación que cubran memoria, redes, procesadores host, refrigeración y pérdidas de conversión de energía.
El coste total de propiedad debe incluir el tiempo de ingeniería. Un acelerador menos costoso puede resultar caro si los equipos pasan meses adaptando modelos o manteniendo rutas de despliegue personalizadas.
El suministro es otra cuestión sin resolver. Los clientes empresariales necesitan capacidad de producción predecible, unidades de reemplazo, soporte de firmware y hojas de ruta de productos a varios años.
Los proveedores coreanos de chips también deben convencer a los clientes de que las inversiones en software sobrevivirán a futuras generaciones de hardware. Las aplicaciones no pueden reconstruirse desde cero cada vez que llega un nuevo acelerador.
La seguridad genera exigencias adicionales. Los sistemas mixtos amplían el número de controladores, paquetes de firmware, servicios de gestión y canales de actualización en los que los operadores deben confiar.
Estas preocupaciones no invalidan el modelo heterogéneo. Definen la evidencia necesaria para validarlo.
La progresión propuesta por el ministerio, desde la integración de software hasta servicios reales y métricas públicas, aborda el problema correcto. El proyecto perderá credibilidad si se detiene tras un piloto breve.
Una prueba de producción debería asignar a las NPU coreanas una carga de trabajo central en lugar de una tarea secundaria ceremonial. Debería recibir tráfico real y exponer el hardware a fallos, eventos de recuperación y actualizaciones de modelos.
Los resultados deberían mostrar rendimiento por vatio, coste por solicitud, disponibilidad del servicio y esfuerzo de desarrollo. Deberían comparar el sistema mixto con una configuración moderna de GPU bajo objetivos de servicio equivalentes.
Un evaluador neutral reforzaría los hallazgos. Las universidades pueden ayudar a diseñar la metodología, mientras que los clientes pueden verificar que las cargas de trabajo reflejen condiciones comerciales.
El informe final debería publicar los resultados decepcionantes además de los éxitos. Las debilidades en el soporte de modelos o la orquestación identificarían dónde importa más realizar nuevas inversiones.
El gobierno de Corea del Sur debe resistirse a utilizar la adquisición pública como única medida de adopción. Las compras gubernamentales pueden crear demanda temporalmente, pero los operadores privados deciden si una plataforma tiene un valor duradero.
El foro original captó claramente esta tensión. El apoyo gubernamental puede dar tiempo a los proveedores nacionales y crear una base para la evaluación. No puede hacer que los clientes prefieran un sistema que cuesta más o falla con mayor frecuencia.
Tres Señales Mostrarán Si el Plan Funciona
Los próximos puntos de prueba son una pila de software funcional, un despliegue comercial y datos operativos verificables de forma independiente.
La primera señal es una integración exitosa entre CPU y GPU de AMD y al menos una NPU coreana. Esto debe ir más allá de reconocer el dispositivo o ejecutar una demostración preparada.
Una integración útil debería instalarse mediante herramientas documentadas y ejecutar modelos compatibles sin una intervención manual extensa. Los desarrolladores deberían poder inspeccionar los fallos y medir el comportamiento de los dispositivos de forma coherente.
La programación ofrecerá una indicación temprana de madurez. La plataforma debe ubicar las cargas de trabajo según la capacidad, la memoria disponible, los objetivos de latencia y las restricciones de potencia.
La integración también debería explicar cómo las aplicaciones se mueven entre procesadores. Si los desarrolladores deben reescribir grandes partes de un servicio de inferencia, la plataforma tendrá dificultades para atraer usuarios.
Esta señal reforzaría el argumento heterogéneo si el software aparece en un repositorio abierto mantenido, con instrucciones de instalación reproducibles. Las demostraciones cerradas lo debilitarían.
La segunda señal es el despliegue bajo una carga de trabajo comercial. La demostración a gran escala prevista por Corea debería involucrar a una organización que atienda a clientes reales u opere un servicio interno importante.
Un chatbot por sí solo no resolvería la cuestión, salvo que su tráfico y sus objetivos de servicio se parezcan a la demanda de producción. Mejores candidatos combinarían servicio de modelos, recuperación, acciones de agentes y patrones cambiantes de solicitudes.
El despliegue debería funcionar el tiempo suficiente para afrontar actualizaciones y fallos. Los operadores necesitan evidencia sobre fiabilidad, recuperación, requisitos de personal y respuesta de soporte.
La continuidad comercial importa más que una ceremonia de lanzamiento. Si el cliente amplía el despliegue después del piloto, eso indica que el sistema aportó valor medible.
Una decisión de devolver la carga de trabajo a las GPU debilitaría la tesis, incluso si el benchmark inicial parecía favorable. Ese resultado mostraría que la complejidad operativa superó las ganancias de eficiencia.
La tercera señal es la publicación de datos comparables de rendimiento y coste. Los participantes coreanos ya han defendido cifras verificables por terceros, lo que hace de la divulgación un estándar razonable para juzgar el progreso.
El informe debería incluir tokens por vatio, usuarios por rack, latencia de cola, disponibilidad y potencia total del sistema. También debería revelar versiones de modelos, precisión, longitudes de prompts y compilaciones de software.
La información de costes debería separar hardware, energía, refrigeración, redes y trabajo de ingeniería. De lo contrario, una cifra menor de potencia del acelerador puede ocultar gastos en otras partes del sistema.
La comparación debería utilizar objetivos idénticos de calidad y servicio. Una salida más rápida tiene un valor limitado si la cuantización reduce materialmente la calidad de las respuestas o genera un comportamiento inaceptable del modelo.
Un resultado transparente ayudaría más que una afirmación de victoria sin matices. Los compradores necesitan saber qué cargas de trabajo favorecen a las NPU, cuáles siguen funcionando mejor en GPU y dónde las CPU aún desempeñan un papel central.
Estas tres señales deberían aparecer en secuencia. La integración de software permite un despliegue comercial, mientras que el despliegue genera datos operativos creíbles.
El calendario también revelará si el memorando tiene peso institucional. El gobierno coreano afirmó que estaba preparando una gran demostración como nuevo proyecto presupuestario para el año siguiente.
La aprobación del presupuesto por sí sola no demostrará la adopción. Mostrará si el gobierno ha convertido el acuerdo de julio en un programa de implementación financiado.
La participación privada será el indicador más sólido. Los proveedores de nube, empresas y compañías industriales deben percibir suficiente valor como para aportar cargas de trabajo y seguir comprando después de que disminuya el apoyo gubernamental.
Google News presentó la afirmación original con un marco llamativo: la era de llenar centros de datos con un solo tipo de GPU está terminando. La evidencia respalda hoy una conclusión más acotada.
La economía de la inferencia está creando una razón creíble para mezclar tipos de procesadores. Corea también cuenta con empresas nacionales de NPU, una gran experiencia en memoria, cargas de trabajo industriales y un socio global dispuesto a explorar la integración.
Nada de ello establece una alternativa terminada a la plataforma de Nvidia. El sistema abierto todavía necesita madurez de software, fiabilidad comercial y una economía reproducida de forma independiente.
Observe lo que se despliega, no lo que se firma. Si los procesadores AMD y las NPU coreanas atienden tráfico real con ganancias publicadas de coste y energía, la infraestructura heterogénea se convertirá en una opción de compra.
Si el proyecto sigue siendo un piloto con benchmarks selectivos, el centro de datos de un solo proveedor conservará su mayor ventaja: ya funciona como sistema.
