El procesamiento en memoria de SK hynix apunta a los cuellos de botella de la IA más allá de la GPU y HBM
SK hynix ha vuelto a situar el procesamiento en memoria en el centro de su estrategia de IA, pese a años de dependencia del sector de los sistemas GPU y HBM. En AI Infra Summit 2026, la compañía mostró un chip AiM, una tarjeta aceleradora AiMX y un servidor que ejecutaba una demostración interactiva de un modelo de lenguaje de gran tamaño. El mensaje fue directo: canalizar cada operación a través de una GPU se está convirtiendo en un costoso cuello de botella.
La presentación del 16 de septiembre no introdujo PIM como una invención nueva. SK hynix anunció su primera muestra GDDR6-AiM en 2022 y demostró una tarjeta AiMX en 2023. Lo que ha cambiado es el argumento de la empresa sobre dónde encaja esta tecnología. SK hynix la posiciona ahora como un complemento especializado de la infraestructura de GPU y memoria de alto ancho de banda, especialmente para la inferencia rápida de IA.
Esta distinción importa porque la competencia principal no es SK hynix contra Nvidia u otro fabricante de chips. Es la arquitectura convencional GPU-HBM frente a un diseño heterogéneo que envía el trabajo intensivo en memoria a hardware de memoria especializado. El nuevo enfoque promete reducir el movimiento de datos, pero la adopción comercial sigue dependiendo del software, la economía de producción y un rendimiento verificado de forma independiente.
Lo que SK hynix mostró en Santa Clara
SK hynix presentó PIM como una parte operativa de un sistema más amplio de servicio de IA, no simplemente como un chip de memoria de laboratorio.
La empresa participó en AI Infra Summit 2026 del 15 al 17 de septiembre en Santa Clara, California. SK hynix afirmó que el evento atrajo a unos 6.000 asistentes, aproximadamente el doble que el año anterior. Su stand también duplicó su tamaño y reunió varias tecnologías de memoria bajo el tema “New Spectrum”.
La exhibición de PIM incluyó el chip de memoria AiM de la compañía, una tarjeta aceleradora AiMX y un servidor que contenía la tarjeta. El procesamiento en memoria, o PIM, incorpora funciones de cálculo limitadas dentro de la memoria o muy cerca de ella. Reduce la necesidad de trasladar cada dato entre la memoria y un procesador independiente.
Los visitantes podían interactuar con un servicio LLM ejecutado en el sistema expuesto. Ese detalle lleva la presentación más allá de una muestra estática de chip, aunque una demostración en una conferencia no acredita la preparación para producción. La exhibición de infraestructura de IA mostró cómo SK hynix quiere que los clientes entiendan el producto: como un componente desplegable dentro de un servidor.
El vicepresidente Lim Eui-cheol presentó la estrategia durante la sesión Data Movement de la conferencia. Su intervención sostuvo que unas cargas de trabajo cada vez más diversas ya no encajan en un único diseño de hardware. Los agentes de latencia ultrabaja, las aplicaciones de contexto largo y la inferencia de alto volumen exigen recursos distintos de capacidad de memoria, ancho de banda y computación.
Lim afirmó que la arquitectura convencional GPU-HBM por sí sola está dejando de poder satisfacer todos estos requisitos. Esta es una posición de la compañía, no un veredicto independiente sobre los sistemas GPU actuales. Sin embargo, explica por qué SK hynix llevó tres tecnologías distintas al mismo evento.
PIM se dirige a la decodificación rápida y a las operaciones limitadas por memoria. High Bandwidth Flash, o HBF, está concebida para situar mayor capacidad NAND entre HBM y el almacenamiento SSD. SALT-KV es un sistema orientado por software para distribuir la caché clave-valor de un LLM entre niveles HBM, DRAM y SSD.
Una caché clave-valor almacena información de atención calculada previamente durante la generación de modelos de lenguaje. Su huella de memoria crece a medida que las conversaciones se alargan y se ejecutan más solicitudes al mismo tiempo. Mover o conservar esos datos de forma eficiente puede influir en la velocidad de inferencia y en el uso de la infraestructura.
Por tanto, la cartera refleja un juicio central. El servicio de IA necesitará varias capas de memoria especializadas en lugar de un único conjunto uniformemente rápido. SK hynix intenta transformar su papel, de vender memoria de alta velocidad a diseñar dónde deben residir los datos de IA y dónde deben ejecutarse determinadas operaciones.
Esta ambición también explica por qué la aparición de 2026 no debería describirse como la primera presentación de PIM de SK hynix. La empresa anunció GDDR6-AiM en febrero de 2022. Presentó su primera tarjeta prototipo AiMX en 2023 y duplicó la capacidad demostrada de la tarjeta hasta 32 GB en 2024.
El último evento hace avanzar la narrativa desde el desarrollo de componentes hacia el despliegue de sistemas. Sin embargo, SK hynix no ha facilitado públicamente los volúmenes de envío, los despliegues con clientes identificados ni el calendario de producción necesarios para confirmar una adopción comercial amplia.
Esa brecha crea la tensión central del artículo. SK hynix puede mostrar un servidor PIM integrado y explicar un problema arquitectónico convincente. Aún debe demostrar que los clientes reorganizarán su software e infraestructura en torno a la solución.
Por qué los sistemas GPU y HBM afrontan un problema de movimiento de datos
La limitación a la que apunta SK hynix aparece cuando procesadores costosos esperan datos en lugar de realizar cálculos útiles.
Los aceleradores modernos de IA combinan procesadores altamente paralelos con memoria de alto ancho de banda, o HBM. HBM apila matrices DRAM y las conecta mediante enlaces verticales densos. Situar esas pilas cerca de una GPU proporciona un ancho de banda considerablemente mayor que la memoria convencional de servidor.
Esta disposición se ha vuelto central para el entrenamiento y la inferencia de IA. Sin embargo, aumentar el rendimiento del procesador no elimina todas las limitaciones de memoria. Una carga de trabajo puede seguir limitada por la lectura repetida de pesos del modelo, datos de atención o resultados intermedios.
El movimiento de datos consume tiempo y energía incluso cuando la operación matemática en sí es sencilla. Un sistema convencional recupera datos de la memoria, los envía a un procesador, ejecuta una operación y devuelve el resultado a la memoria. Repetir esa secuencia en modelos grandes puede dejar infrautilizado el hardware aritmético.
El problema se vuelve especialmente visible durante la decodificación de LLM. La decodificación genera tokens de salida de forma secuencial, de modo que cada paso depende del estado precedente. El proceso suele realizar un cálculo relativamente moderado mientras lee grandes cantidades de datos de modelo y contexto.
El entrenamiento presenta un equilibrio diferente. Agrupa operaciones matemáticas más grandes y puede mantener las unidades GPU muy ocupadas. Las cargas de trabajo de inferencia varían más ampliamente porque los tamaños de lote, las longitudes de contexto, los objetivos de latencia y los patrones de solicitud cambian de un servicio a otro.
SK hynix utiliza esa diversidad para cuestionar la suposición de que toda operación importante debe ejecutarse en la GPU. Su argumento no es que los aceleradores de propósito general se hayan vuelto innecesarios. La empresa propone descargar operaciones adecuadas limitadas por memoria, mientras deja el trabajo intensivo en cálculo en procesadores consolidados.
Este enfoque presiona varias partes del diseño actual de los sistemas. Los operadores de GPU deben considerar si una mayor capacidad de aceleración es la respuesta más eficiente a una inferencia lenta. Los proveedores de servidores deben decidir si otra clase de tarjetas ofrece beneficios suficientes para justificar una complejidad añadida.
Los proveedores de nube se enfrentan a una cuestión relacionada. Un componente más rápido tiene un valor limitado si el software no puede programar trabajo en él de manera fiable. La utilización del hardware, la compatibilidad de modelos, la gestión del sistema y el mantenimiento pueden importar tanto como el ancho de banda teórico.
La economía también depende del servicio que opere un cliente. Un agente conversacional prémium que prioriza la entrega inmediata de tokens tiene necesidades distintas de las de un servicio por lotes que procesa miles de solicitudes. La recuperación con contexto largo introduce otro patrón de memoria.
SK hynix afirma que PIM es más adecuado para cargas de trabajo de decodificación rápida en servicios prémium. Esta precisión es importante. Acota la propuesta a cargas de trabajo en las que la baja latencia y el acceso repetido a memoria justifican hardware especializado.
La empresa no presenta una única tecnología de memoria como respuesta a todos los cuellos de botella de la IA. HBF aborda la capacidad y el ancho de banda para usos de contexto largo. SALT-KV decide dónde debe residir la información almacenada en caché. PIM realiza cálculos seleccionados cerca de los datos almacenados.
Esta división desafía la preferencia predominante por escalar una plataforma conocida de GPU-HBM. Añadir más GPU y HBM más rápida sigue siendo operativamente más sencillo cuando el software existente ya las admite. Un diseño heterogéneo solo ofrece eficiencia después de que las cargas de trabajo se hayan particionado correctamente.
Los investigadores siguen encontrando la misma disyuntiva. Un estudio de 2026 sobre sistemas heterogéneos DRAM-PIM-GPU concluyó que una eficiencia significativa exige una cooptimización de todo el sistema. Su análisis de diseño PIM determinó que la memoria estática y el consumo energético de GPU inactivas pueden modificar sustancialmente la eficiencia aparente.
El estudio también concluyó que la asignación de cargas de trabajo produjo ganancias limitadas de extremo a extremo en las configuraciones probadas. Estos resultados no evalúan directamente el servidor de SK hynix de 2026. Muestran por qué las mediciones a nivel de componente no pueden predecir por sí solas el rendimiento completo de una aplicación.
Para los compradores empresariales, esto significa que PIM debe evaluarse como una arquitectura de sistema. La pregunta relevante no es si el cálculo puede producirse dentro de la memoria. Es si una aplicación compatible completa trabajo útil con mayor rapidez y eficiencia después de incluir todos los costes indirectos.
El procesamiento en memoria de SK hynix desplaza trabajo seleccionado hacia los datos
El procesamiento en memoria de SK hynix cambia la ubicación del cálculo, pero no convierte la DRAM en un sustituto completo de una GPU.
El diseño AiM de la compañía añade funciones de cálculo a la memoria GDDR6. GDDR6 es un estándar de memoria gráfica de alta velocidad que proporciona un ancho de banda considerable sin utilizar la estructura apilada de HBM. Se pueden combinar varios dispositivos GDDR6-AiM en la tarjeta aceleradora AiMX.
En 2022, SK hynix dijo que su primera muestra GDDR6-AiM funcionaba a 16 gigabits por segundo y utilizaba 1,25 voltios. La memoria de comparación estándar citada por la empresa funcionaba a 1,35 voltios. La compañía también afirmó un rendimiento hasta 16 veces mayor para determinadas operaciones y una reducción del 80 por ciento en el consumo energético.
Estas cifras procedían de SK hynix y describían condiciones seleccionadas. No deben interpretarse como mejoras universales en todas las aplicaciones de IA. El anuncio original de GDDR6-AiM no establecía cómo rendirían todos los modelos, servidores o pilas de software en producción.
El siguiente paso fue AiMX. SK hynix demostró el primer prototipo de tarjeta aceleradora en 2023 utilizando el modelo de lenguaje OPT 13B de Meta. La empresa afirmó que ese sistema procesaba datos más de diez veces más rápido que una comparación basada en GPU, utilizando una quinta parte de la energía.
Esa afirmación incluía una condición significativa. SK hynix indicó que el rendimiento asumía un circuito integrado de aplicación específica para el AiM Control Hub de la tarjeta. Por tanto, el resultado demostrado dependía de una implementación concreta del controlador, no solo de los chips de memoria.
El primer prototipo de AiMX estableció, no obstante, el mecanismo previsto. En lugar de pedir a una GPU que recupere cada valor, la tarjeta ejecuta operaciones compatibles cerca de los dispositivos GDDR6-AiM. La reducción del tráfico puede liberar la GPU para tareas que se ajusten mejor a sus fortalezas.
SK hynix actualizó el prototipo en 2024. La nueva tarjeta incorporaba 32 GB, el doble de capacidad que la versión anterior. La empresa la demostró con el modelo Llama 3 70B de Meta y se centró en la inferencia de varios lotes.
El procesamiento de varios lotes agrupa varias solicitudes para su ejecución. Puede mejorar la utilización, pero también incrementa la presión sobre la memoria y la programación. SK hynix presentó AiMX como un acelerador de atención en ese entorno.
La atención permite a un LLM relacionar el token actual con tokens anteriores relevantes. Es esencial para el comportamiento del modelo, pero implica mover y procesar cantidades considerables de estado almacenado. Eso convierte partes de la atención en un objetivo atractivo para la aceleración cerca de la memoria.
La empresa también afirmó que su diseño de 2024 podría triplicar la velocidad de los LLM móviles frente a la DRAM móvil con el mismo nivel de potencia. De nuevo, se trataba de una comparación comunicada por la empresa, no de un benchmark independiente amplio. La demostración de AiMX de 32 GB no anunció disponibilidad para el mercado masivo.
En la conferencia de 2026, Lim presentó otra comparación entre PIM y la memoria estática de acceso aleatorio, o SRAM. La SRAM es rápida, pero consume una cantidad considerable de área de chip y normalmente ofrece menos capacidad que la DRAM.
Según un informe coreano sobre la presentación, Lim afirmó que PIM podría proporcionar aproximadamente 300 veces la capacidad de SRAM en la misma superficie. También podría mantener un elevado ancho de banda interno. Las declaraciones de la conferencia presentaron PIM como una forma de evitar los límites de capacidad y coste de la SRAM.
Esta comparación aborda una disyuntiva arquitectónica real. La memoria local rápida ayuda a minimizar la latencia, pero los grandes arrays de SRAM son caros y requieren mucha superficie. La DRAM ofrece una densidad mucho mayor, aunque la DRAM convencional carece de la misma capacidad de computación directa.
SK hynix propone separar el die de memoria del die de computación y conectarlos verticalmente mediante unión híbrida. La unión híbrida une superficies pulidas y conexiones de cobre sin los bumps de soldadura convencionales. Esto puede permitir enlaces más densos entre dies optimizados de forma independiente.
La separación importa porque integrar una lógica sustancial directamente en un die de DRAM puede reducir la capacidad de memoria y elevar los costes de fabricación. Un die lógico puede utilizar un proceso adecuado para la computación, mientras que un die de memoria conserva un diseño centrado en DRAM.
Sin embargo, la unión híbrida introduce sus propias exigencias de producción. La alineación, la calidad de las superficies, el calor, el rendimiento de fabricación y las pruebas influyen en el coste. Una pila técnicamente elegante no se convierte automáticamente en un producto de volumen económico.
Por tanto, el mecanismo es más preciso de lo que sugiere la expresión «memoria que computa». AiM ejecuta operaciones compatibles cerca de los datos. AiMX combina esos dispositivos en un acelerador. Un procesador anfitrión, una GPU, la jerarquía de memoria, el controlador y la pila de software siguen coordinando la carga de trabajo completa.
Esa limitación también es la fuente de su posible beneficio. El hardware especializado no necesita sustituir todos los componentes para aportar valor. Solo tiene que eliminar suficiente movimiento repetitivo de datos de una carga de trabajo importante.
El verdadero rival es una arquitectura única para todo
SK hynix cuestiona la idea de que las combinaciones de GPU y HBM más rápidas deban gestionar cada etapa de la inferencia de IA.
Se trata de una competencia entre dos rutas. Una amplía la arquitectura dominante añadiendo aceleradores más rápidos, pilas HBM mayores y sistemas adicionales. La otra divide el trabajo entre GPU, PIM, almacenamiento y niveles de memoria gestionados por software.
La primera ruta se beneficia de una base de software madura. Los desarrolladores ya utilizan frameworks de GPU consolidados, kernels optimizados, sistemas de monitorización y herramientas de despliegue. Los proveedores de modelos suelen publicar configuraciones diseñadas en torno a esas plataformas.
La segunda ruta promete una mejor adecuación entre hardware y carga de trabajo. Las operaciones limitadas por memoria pueden ejecutarse cerca de los datos, mientras las GPU siguen gestionando tareas intensivas en cómputo. Los niveles de memoria más lentos pero grandes pueden almacenar información que no requiere acceso inmediato.
Esta división se asemeja a una línea de producción especializada. Cada componente realiza el trabajo que mejor encaja con sus características. El sistema resultante puede volverse más eficiente, pero la coordinación se vuelve más difícil.
La estrategia de SK hynix presiona indirectamente a los proveedores de GPU. Si las tarjetas PIM asumen una parte significativa de la decodificación, los clientes podrían necesitar menos ciclos de GPU para el mismo volumen de servicio. Sin embargo, los sistemas PIM exitosos también podrían aumentar la demanda de GPU al hacer más económicos los servicios completos de IA.
Por ese motivo, describir PIM como un sustituto directo de las GPU distorsionaría la presentación actual de la empresa. SK hynix mostró AiMX dentro de un servidor y habló de infraestructura heterogénea. Su objetivo es el movimiento ineficiente de datos, no la eliminación del procesador.
Samsung ofrece la referencia competitiva más clara entre los principales proveedores de memoria. Ha desarrollado HBM-PIM y demostrado la tecnología con hardware acelerador de AMD. Samsung también ha explorado diseños de procesamiento cerca de la memoria y PIM para IA en el dispositivo.
El enfoque de Samsung confirma que la industria considera la computación cerca de la memoria como algo más que un experimento de SK hynix. Su arquitectura HBM-PIM descarga operaciones seleccionadas en HBM en lugar de utilizar tarjetas AiM basadas en GDDR6.
La diferencia en el formato de memoria no determina un ganador sencillo. HBM proporciona un ancho de banda muy alto cerca de un acelerador, mientras que GDDR6 puede ofrecer distintas características de capacidad, encapsulado y coste. Los clientes evaluarán sistemas completos y cargas de trabajo compatibles.
Los desarrolladores de PIM también afrontan un problema conocido de estandarización. El hardware resulta más fácil de adoptar cuando el software puede orientarse a él sin reescrituras extensas. Un diseño vinculado a las bibliotecas personalizadas de un proveedor o a un conjunto reducido de operadores corre el riesgo de seguir siendo un producto especializado.
Los compiladores deben identificar operaciones adecuadas para su descarga. Los entornos de ejecución deben programar esas operaciones y gestionar la ubicación de los datos. Las herramientas de monitorización deben explicar fallos y cambios de rendimiento en varias ubicaciones de procesamiento.
Los modelos también evolucionan más rápido que los ciclos de renovación de servidores. Un acelerador optimizado para un patrón de atención puede perder relevancia si nuevas arquitecturas cambian el acceso a la memoria. Por ello, la reconfigurabilidad y las actualizaciones de software importan junto con el rendimiento bruto del silicio.
Aquí es donde la cartera más amplia de SK hynix cobra relevancia estratégica. SALT-KV intenta tomar decisiones de ubicación entre memoria y almacenamiento. HBF aporta otro nivel de capacidad. PIM gestiona operaciones seleccionadas.
En conjunto, estas tecnologías sugieren que SK hynix quiere influir en toda la ruta de los datos. Ese papel va más allá de fabricar dispositivos de memoria con mayor ancho de banda. Requiere software de sistemas, integración con clientes y apoyo sostenido a los desarrolladores.
Los equipos de ingeniería que evalúen este hardware deberán conservar las condiciones de los benchmarks, las versiones de los modelos, las mediciones de potencia y los resultados de despliegue. Una base de conocimiento de ingeniería consultable puede mantener esas premisas vinculadas a decisiones de compra posteriores.
Por tanto, la cuestión competitiva es más amplia que qué empresa fabrica la memoria más rápida. El ganador debe hacer que la memoria especializada sea comprensible y utilizable dentro de las operaciones de IA existentes. Una ventaja de componente sin una vía de adopción no cambiará el diseño de la infraestructura.
Lo que las demostraciones de PIM aún no prueban
SK hynix ha establecido continuidad técnica, pero todavía no ha demostrado una adopción comercial a gran escala.
El esfuerzo de AiM abarca ahora varios hitos públicos. SK hynix anunció la muestra de memoria en 2022, demostró una tarjeta en 2023, duplicó la capacidad mostrada en 2024 y presentó un servidor en 2026.
Esta progresión es significativa. Indica una inversión continuada, no un único anuncio de conferencia. Sin embargo, las demostraciones públicas no pueden responder a varias preguntas importantes para los compradores.
En primer lugar, SK hynix no ha revelado una fecha general de producción para la configuración PIM de 2026. La presentación más reciente no identificó a un cliente de hiperescala, un despliegue contratado ni un volumen de envíos confirmado.
En segundo lugar, las afirmaciones de rendimiento más llamativas de la empresa emplean comparaciones seleccionadas. Las cifras de 2022 cubrían determinados cálculos. El resultado de AiMX de 2023 dependía de una condición de hub de control basado en ASIC. La demostración de 2024 se centró en un modelo y una configuración de procesamiento específicos.
Una evaluación justa requiere hardware comparable, calidad de modelo idéntica, precisión equivalente y potencia de sistema completa. También debería incluir procesadores anfitriones, componentes inactivos, actualización de memoria, redes y sobrecarga de software.
La latencia debería medirse con múltiples tamaños de lote y longitudes de contexto. El rendimiento debería incluir la programación de solicitudes y las transferencias de datos fuera de la tarjeta. Las pruebas de fiabilidad deberían cubrir la operación sostenida, no solo una demostración controlada.
En tercer lugar, PIM no acelera por igual todas las partes de una carga de trabajo de IA. Las operaciones intensivas en aritmética pueden seguir siendo más adecuadas para GPU o procesadores tensoriales dedicados. La sincronización entre dispositivos puede eliminar las ganancias cuando las tareas se dividen de forma deficiente.
Trabajos académicos recientes refuerzan esa cautela. La eficiencia a nivel de sistema depende de la configuración de canales, la potencia estática, la estructura del modelo y el mapeo de la carga de trabajo. Un resultado favorable de kernel puede reducirse tras medir toda la canalización de inferencia.
En cuarto lugar, la economía de fabricación sigue siendo incierta. Añadir lógica e interconexiones densas puede incrementar la complejidad del diseño. Separar memoria y lógica mediante unión híbrida puede proteger la densidad de memoria, pero añade pasos de encapsulado y consideraciones de rendimiento de fabricación.
Una estructura similar a chiplets también requiere pruebas antes y después del ensamblaje. Un defecto en una capa puede afectar al valor del paquete combinado. Los proveedores deben demostrar que las ganancias de rendimiento sobreviven a esos costes de producción.
En quinto lugar, la portabilidad del software determinará la disposición de los clientes. Las empresas no implementan un acelerador para un único benchmark impresionante. Necesitan compatibilidad con modelos en evolución, frameworks comunes, actualizaciones de seguridad, observabilidad y mantenimiento predecible.
Por tanto, las afirmaciones de SK hynix deben interpretarse como un caso técnico a la espera de validación de mercado. La empresa ha mostrado que PIM puede avanzar desde una muestra de memoria hacia un servidor interactivo. No ha demostrado que la plataforma resultante esté preparada para ciclos amplios de sustitución.
Esta distinción no resta importancia al anuncio. Define el siguiente estándar de evidencia. Otro prototipo con una cifra mayor importará menos que un despliegue identificado que opere en condiciones reales de servicio.
Tres señales mostrarán si AiMX se está convirtiendo en infraestructura
La siguiente fase depende de evidencia de clientes, benchmarks de sistema reproducibles y un ecosistema de software utilizable.
La primera señal es un compromiso de producción vinculado a un sistema o cliente identificado. Una fecha de envío, cualificación de servidor o despliegue en la nube llevaría a AiMX más allá de las demostraciones repetidas en conferencias. La información sobre volumen reforzaría aún más esa evidencia.
Si SK hynix anuncia tal compromiso, su arquitectura centrada en la memoria parecerá más próxima a una plataforma comercial. Otra exhibición sin detalles de despliegue dejaría sin resolver la cuestión de la adopción.
La segunda señal es un benchmark reproducible de forma independiente. Debería comparar AiMX con un sistema GPU-HBM definido en varios modelos, longitudes de contexto y tamaños de lote. Los resultados deben incluir la potencia total del servidor y la latencia de extremo a extremo.
Una prueba transparente reforzaría las afirmaciones de que el procesamiento en memoria de SK hynix reduce los costes reales de inferencia. Las mediciones limitadas de componentes o los sistemas no comparables debilitarían la comparación, incluso si sus cifras destacadas parecen elevadas.
La tercera señal es un soporte de software más amplio. Los compradores deberían vigilar la integración con frameworks de inferencia comunes, la cobertura documentada de operadores, las herramientas de perfilado y el soporte de socios de servidores. El acceso público para desarrolladores revelaría cuánto ajuste de modelos requiere la plataforma.
Una sólida integración de software indicaría que SK hynix entiende que la adopción es más que un problema de semiconductores. Una plataforma de demostración cerrada mantendría a AiMX dependiente de ingeniería a medida.
Estas señales también ofrecen un marco práctico para los compradores técnicos. Pregunte si el modelo exacto funciona sin cambios de calidad. Mida el servidor completo, no una sola tarjeta. Registre qué operaciones se ejecutan en PIM y cuáles permanecen en la GPU.
Después, pruebe cómo cambia el rendimiento a medida que varían el tráfico, el contexto y el tamaño de lote. Los servicios de IA rara vez se mantienen dentro de una única carga de trabajo cuidadosamente seleccionada. La infraestructura debe seguir siendo útil cuando cambian los modelos y el comportamiento de los usuarios.
SK hynix ha presentado un argumento creíble de que el movimiento de datos merece más atención. Su presentación de 2026 también muestra que PIM ha avanzado más allá de la primera muestra de chip de la empresa. La cuestión sin resolver es si los clientes aceptarán otro acelerador y sus requisitos de software.
Siga de cerca el primer despliegue en producción, el primer benchmark de sistema reproducible y la primera plataforma de desarrollo ampliamente accesible. Esos hitos determinarán si AiMX pasa a formar parte de la infraestructura de IA o sigue siendo una demostración impresionante.
