Advertencia de Pat Gelsinger sobre hardware de IA: HBM es mala y la energía es la verdadera limitación
Pat Gelsinger lanzó una advertencia de tres partes sobre el hardware de IA el 9 de octubre. Un mejor diseño de chips no puede solucionar una memoria insuficiente, una fabricación lenta ni la falta de electricidad disponible.
El ex CEO de Intel calificó la memoria de alto ancho de banda, o HBM, como una tecnología “horrible” durante un episodio de The a16z Show. También describió el hardware de IA como inmerso en un renacimiento. Sin embargo, su predicción más contundente se refería a centros de datos previstos que no pueden asegurar suficiente energía.
“¿Por qué construir el nuevo centro de datos y comprar un millón de GPU si no puedo alimentarlo?”, preguntó Gelsinger. Predijo que más proyectos de centros de datos entrarían en incumplimiento porque la energía esperada no estaría disponible.
Ese pronóstico no es un resultado establecido de forma independiente. Es la valoración de Gelsinger sobre proyectos cuyos planes financieros y de construcción dependen de futuras entregas de energía. Aun así, el desajuste subyacente es suficientemente real como para merecer atención.
El gasto en infraestructura de IA suele parecer una competencia por el suministro de aceleradores. Nvidia, AMD, diseñadores de chips personalizados, fabricantes de memoria, proveedores de nube, empresas de servicios públicos y desarrolladores se enfrentan en realidad a un sistema interconectado de restricciones.
Un procesador más rápido tiene un valor limitado cuando espera los datos del modelo. Un servidor terminado tiene un valor limitado cuando su instalación sigue atascada en una cola de interconexión. Un acuerdo de suministro eléctrico reservado tiene un valor limitado cuando la transmisión y la generación llegan con años de retraso.
Por tanto, el conflicto central en el argumento de Pat Gelsinger sobre el hardware de IA no es Nvidia frente a otra empresa de chips. Es la capacidad informática prometida frente a la infraestructura física necesaria para operarla.
Las afirmaciones de Pat Gelsinger sobre el hardware de IA reúnen tres cuellos de botella
La afirmación importante de Gelsinger no es que haya fallado un componente. Es que el diseño, la producción, la memoria y la energía avanzan ahora a velocidades incompatibles.
La IA puede acortar partes del diseño de semiconductores al ayudar a los ingenieros a escribir, inspeccionar y optimizar diseños complejos. Esa mejora no acorta automáticamente todas las etapas posteriores.
La fabricación, el empaquetado avanzado, la validación, la integración de sistemas y el desarrollo de software siguen imponiendo calendarios prolongados. Gelsinger argumentó que estos pasos pueden tardar tanto que las suposiciones originales sobre la carga de trabajo de un acelerador quedan obsoletas antes de que el despliegue alcance escala.
Su ejemplo histórico fue Graphcore. La empresa británica de chips desarrolló una unidad de procesamiento de inteligencia para aprendizaje automático, pero el mercado y el entorno de software a su alrededor evolucionaron rápidamente. El argumento de Gelsinger no era que su ingeniería careciera de mérito. El peligro era que el objetivo podía cambiar más rápido que el ciclo del producto.
Ese riesgo aumenta cuando las empresas de chips se especializan. Una arquitectura ajustada a la estructura actual de los modelos puede encontrarse con mecanismos de atención, formatos de datos, requisitos de contexto o patrones de inferencia distintos para el momento de su lanzamiento.
La industria también está experimentando con un gran número de procesadores especializados para inferencia. Gelsinger espera que ese campo se consolide porque los clientes no pueden mantener combinaciones interminables de hardware y software.
Cada arquitectura necesita compiladores, frameworks, kernels optimizados, redes, monitorización y herramientas operativas. Esos requisitos crean una carga de software que puede superar el atractivo de un benchmark.
La transcripción del pódcast del 9 de octubre conecta ese problema de comercialización con dos limitaciones físicas. Los sistemas de IA necesitan memoria lo bastante cercana para alimentar a los aceleradores, y las instalaciones necesitan electricidad fiable para operar tanto los equipos informáticos como los de refrigeración.
Este marco cambia cómo deberían interpretar los compradores los anuncios de aceleradores. El rendimiento aritmético máximo describe solo una parte de un sistema desplegado. La capacidad de memoria, el ancho de banda utilizable, los rendimientos de empaquetado, las redes, la refrigeración y la disponibilidad de energía pueden determinar la producción real.
Gelsinger no es un observador neutral. Dirigió Intel durante un costoso esfuerzo por reconstruir su posición en fabricación y competir con mayor eficacia en IA. Sus intereses actuales también incluyen iniciativas de hardware y fotónica.
No obstante, su experiencia en la industria da peso a la crítica. Ha trabajado en diseño de procesadores, estrategia de fabricación, arquitectura de sistemas y planificación ejecutiva. Está describiendo dependencias que los compradores pueden comprobar, en lugar de pedirles que acepten una única afirmación de rendimiento.
Por tanto, el renacimiento que observa es desordenado. Las herramientas de IA pueden ampliar el número de equipos capaces de proponer nuevos chips. La economía de fabricación y la adopción de software decidirán qué propuestas se convierten en plataformas duraderas.
Esto crea la primera inversión del artículo. Un diseño más sencillo puede generar más experimentación arquitectónica y, al mismo tiempo, hacer aún más valiosos el acceso a la fabricación, el empaquetado y la disciplina de despliegue.
Por qué Pat Gelsinger llama a HBM una memoria terrible
HBM tiene éxito porque los aceleradores de IA necesitan un ancho de banda extremo, no porque la DRAM apilada ofrezca un equilibrio ideal de capacidad, densidad, temperatura y coste.
La memoria de alto ancho de banda sitúa pilas de memoria dinámica de acceso aleatorio cerca de un acelerador. Las conexiones amplias permiten al procesador mover muchos más datos de los que puede proporcionar la memoria convencional de servidor a través de canales más estrechos.
Esa proximidad importa porque muchas operaciones de IA están limitadas por el movimiento de datos. Un acelerador no puede mantener ocupadas sus unidades de cálculo si los pesos del modelo, las activaciones o los tokens almacenados en caché llegan demasiado despacio.
HBM resuelve ese problema de ancho de banda, pero su estructura introduce compromisos difíciles. Los chips apilados concentran memoria y calor en un área pequeña. El empaquetado avanzado debe conectar las pilas de memoria con aceleradores costosos manteniendo rendimientos aceptables.
Gelsinger se centró en la densidad de bits, el ancho de banda de perímetro, la energía y el comportamiento térmico. El ancho de banda de perímetro se refiere a cuánta conectividad pueden situar los diseñadores a lo largo del limitado borde físico alrededor de un chip o paquete.
También señaló que la DRAM no tolera bien el calor. Situar la memoria cerca de unidades de cómputo calientes mejora la comunicación, pero dificulta la gestión térmica.
Su formulación fue deliberadamente dura: HBM es una memoria “terrible”, pero sigue siendo la mejor opción disponible. Esa segunda cláusula importa porque la crítica no demuestra que los fabricantes de chips de IA hayan tomado una decisión irracional.
La industria adoptó HBM para resolver un cuello de botella urgente. Eliminarla sin un sustituto eficaz reduciría el ancho de banda disponible para los procesadores que manejan modelos grandes.
Los fabricantes de HBM también continúan mejorando el apilamiento, las interfaces, la eficiencia energética y la integración. SK hynix, Samsung y Micron han invertido mucho porque las empresas de aceleradores necesitan esas mejoras ahora.
SK hynix presenta una integración más estrecha entre memoria y lógica como una vía para superar los límites actuales de los sistemas. Su trabajo público sobre integración de memoria enfatiza la cooperación con fundiciones y socios de empaquetado.
Esa posición respalda en parte a Gelsinger. Un proveedor líder de HBM no afirma que la memoria convencional y distante pueda satisfacer los futuros requisitos de IA. Está acercando la memoria a la lógica y tratando el empaquetado como parte de la arquitectura.
Sin embargo, la mejora no convierte a HBM en una respuesta permanente. La capacidad, la densidad térmica, la complejidad de fabricación y los límites de las interfaces físicas siguen siendo problemas de investigación activos.
Las alternativas dividen el problema de distintas maneras. La computación cerca de la memoria traslada operaciones seleccionadas más cerca de los datos almacenados. Grupos más grandes de memoria de menor coste intercambian parte del ancho de banda por capacidad. Las nuevas interconexiones intentan permitir que los aceleradores alcancen memoria adicional sin una penalización excesiva de latencia.
La memoria flash de alto ancho de banda podría ofrecer eventualmente una capacidad mucho mayor para algunas cargas de trabajo, aunque no puede sustituir simplemente a la DRAM en todas las funciones. Los conceptos de computación en memoria intentan reducir el movimiento de datos realizando determinadas operaciones allí donde residen los datos.
Estos enfoques requieren nuevas premisas de hardware y software. Los desarrolladores necesitan modelos de programación previsibles, y los operadores de nube necesitan sistemas que sigan siendo útiles ante cargas de trabajo cambiantes.
Por eso la crítica a HBM no debe confundirse con un colapso a corto plazo de la demanda de HBM. El mercado actual necesita un enorme ancho de banda, y los sistemas de producción deben utilizar tecnología que exista a escala.
La lectura más útil es arquitectónica. Cada capa adicional, interconexión, mecanismo de refrigeración y paso de empaquetado demuestra cuánto trabajo de ingeniería se dedica ahora a alimentar el procesador.
Por tanto, los compradores de IA deberían preguntar por el rendimiento sostenido de las aplicaciones, no solo por el rendimiento destacado del acelerador. Deberían examinar la capacidad de memoria por dispositivo, el ancho de banda en cargas de trabajo reales, la limitación térmica, el comportamiento de las interconexiones y la madurez del software.
La crítica de Gelsinger a HBM es más sólida como diagnóstico del muro de memoria. Ese muro es la creciente brecha entre la velocidad de cálculo y la capacidad del sistema para suministrar datos a los procesadores.
HBM desplaza el muro, pero no lo elimina.
El renacimiento del hardware de IA todavía pasa por la fabricación
La IA está creando un campo más amplio de ideas de chips, mientras que la fabricación, el empaquetado y la escala del software reducen el grupo que puede sobrevivir.
Gelsinger sostiene que la asistencia de IA puede acelerar el desarrollo de chips. Los ingenieros pueden usar modelos para generar elementos de diseño, explorar disposiciones, inspeccionar resultados de verificación y navegar por conjuntos más amplios de información técnica.
Eso puede reducir el esfuerzo necesario para llegar a un diseño plausible. No puede hacer aparecer una planta de fabricación moderna, aumentar instantáneamente la capacidad de empaquetado avanzado ni garantizar rendimientos de fabricación aceptables.
Un chip solo se vuelve comercialmente relevante después de ser fabricado, empaquetado, probado, instalado, programado y operado de forma fiable. Una debilidad en cualquiera de las etapas puede retrasar los ingresos o dejar a los clientes con hardware infrautilizado.
Aquí es donde el renacimiento se diferencia de un simple auge de startups. Más equipos pueden explorar procesadores especializados, pero relativamente pocos pueden asegurar todos los recursos necesarios para un despliegue a volumen.
La ventaja de Nvidia ilustra este punto. Su posición se basa en el rendimiento de sus aceleradores, pero también en software, redes, sistemas, familiaridad de los desarrolladores y una cadena de suministro preparada para grandes despliegues.
AMD compite con sus aceleradores Instinct y el software asociado. Google lleva años desarrollando y desplegando Tensor Processing Units dentro de su nube. Amazon y Microsoft también diseñan silicio personalizado para sus propias cargas de trabajo.
Estas empresas pueden conectar el diseño de chips con centros de datos, equipos internos de software, demanda de clientes y compromisos de compra. Un diseñador más pequeño a menudo debe reunir esas piezas mediante asociaciones.
El ciclo de fabricación añade otra forma de riesgo. Un chip especializado concebido para una generación de modelos puede llegar a producción a volumen después de que los clientes se hayan orientado hacia tamaños de modelo o economías de inferencia diferentes.
El argumento de Gelsinger es más sólido cuando identifica este desajuste temporal. La IA puede ayudar a los diseñadores a avanzar más rápido al principio, mientras que la ruta de producción física sigue siendo comparativamente rígida.
Las interconexiones ópticas son una respuesta propuesta. Utilizan luz para mover información entre componentes del sistema, con el potencial de reducir algunos límites de señalización eléctrica a distancias más largas.
Gelsinger ha sostenido que los enlaces ópticos deberían asumir más tráfico de entrada y salida, mientras que la memoria y el cómputo permanecen cerca. Su trabajo actual incluye promover enfoques fotónicos a través de xLight.
Un perfil de chip fotónico describe ese esfuerzo como parte de un intento más amplio por mejorar cómo se conectan los grandes sistemas informáticos. La tecnología aún afronta obstáculos de fabricación, integración y adopción.
La óptica no resolverá todos los cuellos de botella. No aporta electricidad, crea pilas HBM adicionales ni elimina la necesidad de software eficiente. Puede reducir la energía y la latencia asociadas al movimiento de datos entre las distintas partes de un sistema.
El mismo principio se aplica a los chiplets, el empaquetado avanzado y la integración de memoria. Las mejoras modernas de rendimiento dependen cada vez más de conectar componentes especializados, en vez de apoyarse en un único procesador monolítico.
Esto aumenta el valor de las empresas capaces de coordinar a múltiples proveedores. También eleva las consecuencias de un retraso en cualquiera de los componentes.
Por tanto, el renacimiento del hardware de IA producirá tanto diversidad como consolidación. Aparecerán nuevos diseños, pero los clientes concentrarán su gasto en arquitecturas que lleguen a escala y ejecuten de forma fiable el software existente.
Los desarrolladores deberían vigilar el soporte de software tan de cerca como las especificaciones de silicio. Un acelerador prometedor sin compiladores maduros ni kernels de modelos optimizados puede permanecer inactivo incluso después de su instalación.
Los compradores empresariales afrontan una decisión relacionada. Reservar hardware con años de antelación puede asegurar capacidad, pero también puede atar a una organización a supuestos sobre modelos, costes energéticos y utilización.
La arquitectura ganadora quizá no sea el chip con la cifra teórica más alta. Puede ser el sistema que convierta la memoria, la energía y el software disponibles en tokens fiables a un coste operativo aceptable.
La escasez de energía convierte los planes de computación en riesgo crediticio
La restricción energética transforma un problema de ingeniería en uno de financiación porque una instalación incompleta o con potencia insuficiente no puede sostener los ingresos esperados.
La advertencia habitual de Gelsinger se refiere a proyectos, no necesariamente al fracaso inmediato de proveedores de nube consolidados. Esta distinción evita que una predicción dramática se convierta en una afirmación engañosa.
El desarrollo de un centro de datos puede implicar terrenos, permisos, financiación de la construcción, compromisos de equipos, acuerdos con empresas de servicios públicos y contratos previstos con clientes. Estos elementos no siempre maduran al mismo ritmo.
Los promotores pueden construir estructuras y pedir servidores más rápido de lo que las empresas de servicios públicos pueden añadir generación, transmisión, subestaciones e interconexiones. Un proyecto que no cumpla su fecha de energización puede empezar a pagar por activos antes de poder atender a clientes.
Ese retraso puede debilitar el modelo financiero. El servicio de la deuda continúa, los equipos se deprecian y los clientes pueden buscar capacidad en otro lugar. Un proyecto planificado con una utilización agresiva se vuelve vulnerable cuando solo llega parte de su asignación de energía.
Este es el mecanismo detrás de la advertencia de Gelsinger. No requiere que la electricidad desaparezca a escala nacional. La escasez local, las conexiones retrasadas o los calendarios de entrega inciertos pueden perjudicar proyectos individuales.
La Agencia Internacional de la Energía estimó que los centros de datos consumieron alrededor de 415 teravatios-hora de electricidad en todo el mundo en 2024. Su escenario base proyecta una demanda de aproximadamente 945 teravatios-hora para 2030.
La AIE espera que menos del 10 por ciento del crecimiento de la demanda mundial de electricidad hasta 2030 provenga de los centros de datos. Esta proporción global puede coexistir con una presión severa en mercados individuales.
Los centros de datos están concentrados geográficamente. También requieren grandes cargas fiables en ubicaciones específicas, lo que hace que las condiciones de la red local sean más importantes que un total mundial.
El análisis de demanda energética de la agencia prevé que las instalaciones centradas en IA impulsen gran parte del aumento. También subraya que las previsiones dependen de la eficiencia, la adopción, el hardware y el desarrollo de modelos.
Esa incertidumbre opera en ambos sentidos. Mejores chips, refrigeración mejorada y modelos más eficientes pueden reducir la electricidad utilizada por tarea. La reducción de costes puede entonces estimular más uso y compensar parte de la ganancia de eficiencia.
Los promotores de instalaciones tienen varias respuestas. Pueden elegir regiones con generación disponible, construir por fases, asegurar contratos de energía a largo plazo o respaldar nueva generación y transmisión.
Algunos operadores están explorando generación con gas natural, contratos nucleares, energía renovable combinada con almacenamiento y calendarios de computación flexibles. Cada opción conlleva compromisos en permisos, financiación, fiabilidad o emisiones.
Un acuerdo de energía también requiere un análisis minucioso. La energía contratada, la capacidad de generación, la aprobación de la interconexión y la entrega efectiva no son conceptos intercambiables.
Los inversores deberían preguntar cuándo estará disponible la electricidad, quién asume el riesgo de retraso y si el suministro comprometido respalda la carga total planificada del sitio. También deberían examinar si se incluyen los sistemas de refrigeración y respaldo.
Los clientes deberían plantear preguntas similares antes de considerar garantizada la capacidad de aceleradores reservada. Un proveedor de nube puede poseer el hardware y, aun así, carecer de infraestructura puesta en servicio suficiente para operar todos los sistemas de forma continua.
El ejemplo de “un millón de GPU” de Gelsinger expresa escala, en vez de documentar un proyecto concreto en impago. Los lectores no deberían tratarlo como prueba de que un desarrollo específico haya fracasado.
Su conclusión más amplia sigue siendo creíble: la contratación ha avanzado por delante de las dependencias físicas más lentas. Cuanto más capital se compromete antes de la entrega de energía, mayor es la exposición cuando los calendarios se separan.
La predicción de impagos necesita una carga de prueba mayor
La escasez de energía está documentada, pero una oleada de impagos de centros de datos sigue siendo una previsión que necesita pruebas financieras a nivel de proyecto.
La advertencia de Gelsinger comprime varios resultados posibles en una palabra memorable. Construcción retrasada, despliegue por fases, renegociación de contratos, venta de activos, reestructuración e impago no son situaciones idénticas.
Los promotores pueden absorber retrasos sin incumplir sus obligaciones de deuda. Las grandes empresas tecnológicas pueden redirigir capital, trasladar equipos o renegociar calendarios de entrega con mayor facilidad que los operadores especulativos.
Los prestamistas también pueden exigir compromisos de energía antes de liberar fondos posteriores para la construcción. Estas protecciones pueden reducir la exposición, aunque no eliminan el riesgo de calendario.
La afirmación se vuelve más convincente si una energización retrasada provoca pagos incumplidos, préstamos deteriorados, arrendamientos cancelados o ventas de activos en dificultades. La evidencia pública debería identificar esos resultados en lugar de tratar cada instalación aplazada como un impago.
También existe un contraargumento a la crítica de la memoria. HBM ha hecho posible la expansión actual de la IA al proporcionar un ancho de banda que los sistemas de memoria convencionales no podían ofrecer.
Calificarla de terrible puede ocultar avances sustanciales en apilamiento, empaquetado, interfaces y eficiencia energética. La cuestión relevante es si otra arquitectura puede superar a HBM en cargas de trabajo reales y comercializarse a volumen.
Los fabricantes de memoria tienen fuertes incentivos para defender y ampliar sus inversiones. Sin embargo, su trabajo en una integración lógica más estrecha y niveles alternativos de memoria sugiere que la arquitectura actual aún necesita mejoras.
La previsión energética conlleva una incertidumbre similar. La AIE afirma que el consumo mundial de electricidad de los centros de datos se duplicará para 2030, mientras que el consumo centrado en IA está preparado para crecer aún más rápido.
Las empresas de servicios públicos, los reguladores y los operadores ya están respondiendo. Nueva generación, transmisión mejorada, flexibilidad de demanda y computación más eficiente pueden reducir la brecha.
La AIE también espera que las renovables suministren casi la mitad del crecimiento de la demanda de electricidad de los centros de datos hasta 2030. Esta perspectiva no garantiza una entrega puntual en todos los sitios.
La ubicación sigue siendo decisiva. Un mercado nacional puede tener una generación total adecuada mientras que una región específica carece de capacidad de transmisión o de una interconexión aprobada.
La tecnología también puede modificar la curva de demanda. La cuantización reduce la precisión utilizada para representar los valores de un modelo. La destilación transfiere capacidades a modelos más pequeños. Una mejor programación aumenta la utilización de una flota instalada.
Estas ganancias pueden reducir el hardware necesario para una carga de trabajo determinada. No garantizan un menor consumo total porque una inferencia más barata suele atraer a más usuarios y aplicaciones.
Por tanto, el argumento de Gelsinger sobre el hardware de IA debe tratarse como una prueba de resistencia, no como una previsión de mercado resuelta. Plantea si los planes siguen siendo viables cuando la memoria, la fabricación o la energía llegan más tarde de lo esperado.
La respuesta diferirá entre proyectos. Los campus propiedad de hyperscalers, con balances sólidos y energía asegurada, ocupan una categoría de riesgo distinta de los desarrollos construidos en torno a futuros inquilinos y conexiones de red inciertas.
Los lectores también deberían separar la autoridad del ponente de la evidencia. Gelsinger cuenta con una profunda experiencia en semiconductores, pero eso no le otorga visibilidad privada sobre la financiación de cada proyecto.
Su advertencia merece atención porque el mecanismo es coherente. La verificación requiere contratos, calendarios de interconexión, datos de utilización, desempeño de préstamos y cancelaciones de proyectos divulgadas.
Tres señales pondrán a prueba la advertencia de Gelsinger
La siguiente etapa de esta historia se decidirá por la energía entregada, alternativas de memoria utilizables y fracasos de proyectos financieramente visibles.
La primera señal es la brecha entre la capacidad de centros de datos anunciada y la capacidad energizada. Los anuncios miden ambición, mientras que la carga eléctrica puesta en servicio mide lo que los operadores realmente pueden utilizar.
Vigile las aprobaciones de interconexión de las empresas de servicios públicos, las fechas de finalización de subestaciones, los proyectos de transmisión y las aperturas de campus por fases. Los retrasos reiterados reforzarían el argumento de Gelsinger de que la energía se ha convertido en la restricción vinculante.
Conexiones más rápidas y entregas fiables debilitarían la tesis de los impagos. Mostrarían que las empresas de servicios públicos y los promotores pueden coordinar la expansión antes de que la presión financiera se vuelva aguda.
La segunda señal es si las alternativas de memoria salen de los laboratorios y entran en sistemas de producción. Las mejoras de HBM4 importan, pero amplían el enfoque actual en lugar de resolver todas las críticas.
La computación cerca de la memoria, la memoria flash de alto ancho de banda, los enlaces ópticos y los grupos más grandes de memoria convencional deberían juzgarse por productos comercializados. Las medidas útiles incluyen el rendimiento de las aplicaciones, la capacidad, la eficiencia energética, la compatibilidad de software y la disponibilidad en volumen.
Un despliegue creíble que reduzca la dependencia de HBM reforzaría la tesis del renacimiento. Otro prototipo prometedor sin escala de fabricación respaldaría la advertencia de Gelsinger sobre la comercialización.
La tercera señal es la tensión financiera a nivel de proyecto. Los inversores deberían buscar pagos incumplidos, reestructuraciones, compromisos de inquilinos cancelados, ventas en dificultades y divulgaciones de prestamistas vinculadas directamente a energía no disponible.
Los cambios ordinarios de calendario no bastan. La predicción se convierte en una oleada solo cuando múltiples proyectos independientes muestran un vínculo común entre energía retrasada e impago financiero.
Estas señales importan más allá de los inversores en semiconductores. Los desarrolladores necesitan saber qué arquitecturas merecen trabajo de optimización. Los compradores empresariales necesitan evaluar si la capacidad reservada llegará a tiempo.
Los trabajadores del conocimiento experimentarán el resultado mediante la disponibilidad de modelos, la latencia, los límites de uso y la fiabilidad del servicio. Los cuellos de botella de infraestructura terminan apareciendo en los productos construidos sobre ellos.
Los equipos que comparan anuncios pueden conservar decisiones, evidencia técnica y supuestos cambiantes en una base de conocimiento de IA. Ese registro resulta útil cuando cambian las fechas de entrega o las afirmaciones sobre arquitectura.
La advertencia de Pat Gelsinger sobre el hardware de IA trata, en última instancia, de coordinación. Diseñar mejor silicio ya no es suficiente cuando la memoria, el empaquetado, el software, la refrigeración, la financiación y la electricidad deben llegar juntos.
HBM puede seguir siendo esencial y, aun así, estar profundamente comprometida. El hardware de IA puede entrar en un renacimiento mientras la mayoría de las nuevas arquitecturas no logra alcanzar escala. La demanda de centros de datos puede crecer mientras los proyectos individuales se vuelven financieramente inviables.
La pregunta para los próximos tres meses es concreta: ¿qué empresas pueden demostrar capacidad energizada, mejoras de memoria ya implementadas y sistemas en funcionamiento, en lugar de otra ronda de reservas y previsiones?
