SK hynix afirma que los centros de datos de IA están superando el diseño centrado exclusivamente en GPU
SK hynix llegó a Google News con un argumento directo: los centros de datos de IA ya no se definen por añadir más GPU a salas de servidores convencionales.
El artículo de infraestructura de la compañía del 11 de agosto describe un cambio arquitectónico más amplio dentro de estas instalaciones. El ancho de banda de la memoria, la capacidad de almacenamiento, las redes, la refrigeración y la electricidad ahora limitan el rendimiento útil de la IA junto con los procesadores.
Este cambio enfrenta el conocido diseño centrado en GPU con un enfoque a nivel de sistema. NVIDIA sigue siendo fundamental para la computación acelerada, pero sus sistemas de rack más recientes también ilustran por qué los procesadores no pueden avanzar por sí solos. La infraestructura circundante debe alimentarlos, conectarlos, refrigerarlos y suministrarles energía.
SK hynix tiene un claro interés comercial en esta interpretación. Vende memoria de alto ancho de banda, DRAM para servidores y unidades de estado sólido empresariales. Estos productos adquieren valor estratégico cuando el movimiento de datos se convierte en el factor limitante.
Aun así, la presión subyacente va más allá del marketing de un solo proveedor. La inferencia de IA está generando contexto persistente, conjuntos de datos de trabajo más grandes y transferencias de datos más frecuentes. Al mismo tiempo, los racks densos de aceleradores están obligando a los operadores a rediseñar los sistemas eléctricos y de refrigeración.
Por lo tanto, la historia importante no es otro lanzamiento de componentes. Es la transformación del centro de datos, de una colección de servidores, en un sistema informático coordinado.
La historia de Google News señala un cambio más amplio en la infraestructura
El cambio dentro de los centros de datos de IA es arquitectónico, no cosmético.
La serie sobre infraestructura de SK hynix sitúa la memoria y el almacenamiento cerca del centro del diseño de sistemas de IA. Este planteamiento difiere de la narrativa pública anterior, que a menudo trataba las GPU como toda la historia de la infraestructura.
Los aceleradores realizan los cálculos matriciales que sustentan el entrenamiento y la inferencia de modelos. Sin embargo, no pueden mantenerse productivos a menos que el sistema suministre datos a una velocidad equivalente.
La memoria de alto ancho de banda, o HBM, es DRAM apilada situada cerca de un acelerador para transferencias de datos rápidas. Reduce el tiempo que los procesadores pasan esperando parámetros del modelo y resultados intermedios.
La memoria del sistema cumple una función distinta. Da soporte a las CPU, los procesos operativos, la preparación de datos y las cargas de trabajo que no pueden permanecer dentro de la escasa capacidad de HBM.
Los SSD empresariales proporcionan almacenamiento persistente para archivos de modelos, datos de entrenamiento, embeddings, contexto almacenado en caché y resultados generados. Ofrecen mayor capacidad que la memoria ubicada junto al procesador, aunque con mayor latencia de acceso.
Estas capas forman una jerarquía de memoria. La información necesaria con frecuencia permanece cerca del cómputo, mientras que los conjuntos de datos más grandes o menos activos se trasladan a almacenamiento de menor coste.
Las cargas de trabajo de IA hacen más importante la coordinación a través de esa jerarquía. Un sistema puede contener aceleradores rápidos y aun así desperdiciar su capacidad si los datos llegan demasiado lentamente.
Este desafío suele llamarse muro de memoria. El término describe la creciente brecha entre la capacidad de los procesadores y la velocidad a la que la memoria puede suministrar datos.
El argumento de SK hynix está respaldado por la dirección de su cartera de productos. Su reciente visión general de la memoria para IA abarca HBM, memoria para servidores y almacenamiento basado en NAND, en lugar de un único componente insignia.
La compañía afirma que HBM4 utiliza 2.048 conexiones de entrada y salida. También sostiene que ofrece 2,54 veces el ancho de banda de la generación anterior y más de un 40 por ciento mejor eficiencia energética.
Estas cifras siguen siendo afirmaciones del proveedor a menos que se validen en sistemas de clientes implementados. Sin embargo, muestran qué están optimizando los desarrolladores de memoria: ancho de banda, uso de energía, capacidad e integración con aceleradores.
El almacenamiento está cambiando por motivos similares. SK hynix ha presentado SSD empresariales diseñados para servidores densos, alta capacidad y refrigeración líquida directa.
Un ejemplo es su unidad PEB210 E1.S, que admite refrigeración líquida directa. El diseño físico importa porque el almacenamiento debe operar dentro de racks que generan mucho más calor que los servidores empresariales tradicionales.
Otro producto, el PS1101 E3.S, utiliza NAND de celda de cuatro niveles y ofrece capacidades de hasta 122 terabytes. La NAND de celda de cuatro niveles almacena cuatro bits de datos en cada celda, aumentando la densidad a la vez que introduce compromisos de rendimiento y durabilidad.
Estos productos no hacen que el centro de datos esté preparado para la IA por sí solos. Muestran cómo cada capa se está rediseñando en torno a una mayor densidad y un movimiento sostenido de datos.
Por tanto, la inclusión en Google News resulta útil como señal, aunque la palabra clave es más amplia que esta historia concreta. Los proveedores de componentes ahora se presentan como socios de arquitectura porque los clientes necesitan sistemas coordinados.
Ese es el primer cambio importante. La unidad de competencia se está ampliando, del chip individual al rack, la instalación y la conexión eléctrica.
Por qué la inferencia de IA cambia la combinación de hardware
El entrenamiento creó el primer aumento de la demanda, pero la inferencia extiende la presión a toda la ruta de datos.
El entrenamiento construye un modelo procesando grandes conjuntos de datos y ajustando parámetros internos. Requiere clústeres densos, comunicación rápida entre aceleradores y una capacidad sustancial de HBM.
La inferencia ocurre cada vez que un modelo entrenado responde a una solicitud. Puede ejecutarse continuamente en búsquedas, programación, atención al cliente, creación de contenido y agentes de software autónomos.
Ese patrón operativo cambia la economía de la infraestructura. Los trabajos de entrenamiento pueden programarse en grandes lotes, pero la inferencia en producción a menudo debe responder dentro de objetivos estrictos de latencia.
Los sistemas de razonamiento añaden otra carga. Pueden generar y evaluar muchos tokens intermedios antes de ofrecer una respuesta, lo que incrementa el cómputo y el tráfico de memoria de cada solicitud.
Las aplicaciones de contexto largo también deben conservar más información. Un sistema puede necesitar acceder al historial de conversación, documentos, resultados de herramientas, permisos y estado de la aplicación durante una interacción.
Mantener toda esa información en HBM no es práctico. HBM ofrece un ancho de banda excepcional, pero su capacidad es limitada y está estrechamente vinculada a costosos paquetes de aceleradores.
Por ello, los operadores necesitan niveles adicionales de memoria y almacenamiento. Estos niveles deben ofrecer tiempos de respuesta aceptables sin consumir los mismos recursos que la memoria situada junto al acelerador.
Los sistemas de rack de NVIDIA hacen visible este cambio a nivel de sistema. El GB200 NVL72 de la compañía conecta 72 GPU Blackwell y 36 CPU Grace mediante un gran dominio NVLink.
NVLink es la interconexión de alta velocidad de NVIDIA para mover datos entre procesadores. En esta configuración, ayuda a que el rack funcione más como un recurso informático coordinado.
NVIDIA también utiliza refrigeración líquida en el GB200 NVL72. El diseño refleja una sencilla restricción física: los procesadores densos producen más calor del que los sistemas de aire convencionales pueden eliminar eficientemente.
La arquitectura de referencia GB300 más reciente lleva estas exigencias aún más lejos. La documentación de NVIDIA describe un rack que contiene 72 GPU Blackwell Ultra, 36 CPU Grace y nueve bandejas NVSwitch.
La misma documentación asigna al rack completo una demanda máxima de 142 kilovatios. Esa cifra cubre un rack, no una instalación entera.
Cada bandeja de cómputo también incluye almacenamiento NVMe local. NVMe es un protocolo que proporciona acceso rápido al almacenamiento de estado sólido mediante conexiones PCI Express.
La memoria flash local puede servir software operativo, cachés y datos a los que se accede repetidamente. Reduce parte del tráfico hacia el almacenamiento remoto, aunque no elimina los sistemas de datos compartidos.
Por eso, la explicación centrada exclusivamente en GPU ya no describe la infraestructura de IA. El acelerador se encuentra dentro de una red de memoria, almacenamiento, redes, equipos de refrigeración y energía.
Un cuello de botella en cualquier capa reduce el valor de las demás. Las GPU infrautilizadas son especialmente costosas porque los operadores siguen pagando por su adquisición, instalación y electricidad.
La inferencia de IA también aumenta la importancia de un rendimiento predecible. Un retraso de almacenamiento o una pausa de red pueden convertirse en una demora visible para la aplicación cuando miles de usuarios solicitan respuestas simultáneamente.
Los trabajadores del conocimiento pueden experimentar este problema como recuperación lenta o contexto incompleto. Los desarrolladores ven tiempos de espera agotados, rendimiento inestable de tokens y costes de servicio crecientes.
La causa física puede encontrarse muy por debajo de la aplicación. Los equipos de software no pueden compensar por completo un ancho de banda limitado, equipos sobrecalentados o capacidad de red eléctrica no disponible.
SK hynix se beneficia cuando los clientes reconocen estas dependencias. Sin embargo, el mecanismo más amplio no es exclusivo de su cartera.
Samsung, Micron, Solidigm, Kioxia y otros proveedores de memoria o almacenamiento afrontan la misma oportunidad. También enfrentan presión para optimizar productos para aceleradores y cargas de trabajo específicos.
El mercado está pasando de componentes estandarizados hacia un mayor codiseño. El codiseño significa que los proveedores ajustan chips, empaquetado, refrigeración y software en torno a un objetivo de sistema compartido.
Este enfoque puede mejorar la eficiencia, pero crea nuevas dependencias. Los clientes pueden ganar rendimiento mientras pierden flexibilidad entre plataformas de hardware.
La verdadera disputa es la escala de GPU frente al equilibrio del sistema
Los operadores de IA ahora deben elegir entre maximizar el cómputo de titulares y equilibrar la infraestructura que mantiene ocupado al cómputo.
El conflicto principal no es SK hynix contra NVIDIA. Las dos empresas ocupan partes complementarias de la misma cadena de suministro.
El mapa de competidores relevante es la escala de GPU frente al equilibrio del sistema. Una ruta prioriza añadir capacidad de aceleradores, mientras que la otra optimiza el flujo completo de datos y energía.
La escala de GPU sigue siendo atractiva porque ofrece una métrica de compra clara. Más aceleradores pueden aumentar la capacidad del modelo, la velocidad de entrenamiento o el rendimiento de inferencia cuando los recursos de apoyo mantienen el ritmo.
El equilibrio del sistema es más difícil de medir. Requiere decisiones específicas para cada carga de trabajo sobre capacidad de memoria, ubicación del almacenamiento, topología de red, refrigeración y diseño eléctrico.
Esa complejidad anima a los compradores a centrarse en recuentos visibles de procesadores. Sin embargo, un rack con más GPU no es automáticamente un rack más productivo.
La utilización es la distinción crucial. Un acelerador que espera datos, sincronización de red o recuperación térmica sigue consumiendo capital sin producir una salida proporcional.
El ancho de banda de la memoria afecta a la rapidez con que los parámetros llegan a los procesadores. El ancho de banda de red determina la eficiencia con la que los procesadores cooperan entre nodos y racks.
El rendimiento del almacenamiento influye en la carga de modelos, los puntos de control, la recuperación y el almacenamiento en caché del contexto. La refrigeración determina si el equipo puede mantener su rendimiento nominal.
La disponibilidad de energía determina si el rack puede funcionar siquiera. Estas capas crean una cadena cuyo punto más débil puede definir la producción del sistema.
SK hynix denomina a su respuesta una estrategia integral de memoria para IA. La compañía agrupa HBM, DRAM orientada a IA y almacenamiento basado en NAND en una cartera coordinada.
Esa estrategia se alinea con su posición comercial, por lo que los lectores deben distinguir los productos de la evidencia. Una cartera amplia no garantiza que cada cliente necesite un proveedor para todos los niveles de memoria.
Los clientes evaluarán tasas de fallos, compatibilidad de software, durabilidad, garantía de suministro y uso total de energía. También compararán productos con cargas de trabajo reales, en lugar de especificaciones aisladas.
Aun así, el enfoque de cartera revela un cambio en las relaciones con los proveedores. Los productores de memoria quieren acceso más temprano a las hojas de ruta de aceleradores, las especificaciones de refrigeración y los requisitos de carga de trabajo de los clientes.
SK hynix ha hablado de HBM personalizada, que ajusta elementos como el die base y el encapsulado para procesadores concretos. El die base gestiona la comunicación entre la memoria apilada y el sistema anfitrión.
La personalización puede aumentar el rendimiento utilizable. También puede alargar los ciclos de desarrollo y vincular más estrechamente los productos a un pequeño número de grandes clientes.
El almacenamiento empresarial atraviesa su propia especialización. La capacidad sigue siendo importante, pero la densidad, la compatibilidad con la refrigeración, la consistencia de la latencia y el consumo energético ahora determinan las decisiones de compra.
Una unidad instalada en un rack de IA con refrigeración líquida afronta requisitos distintos a los del almacenamiento en un servidor convencional refrigerado por aire. Las dimensiones mecánicas y el comportamiento térmico se convierten en decisiones arquitectónicas.
Esto genera presión en todo el mercado de proveedores. Los fabricantes de memoria deben ofrecer productos más rápidos al tiempo que mejoran la eficiencia y admiten más diseños específicos para cada cliente.
Los fabricantes de servidores deben integrar procesadores, memoria, redes, almacenamiento y refrigeración sin crear complejidad operativa. Los operadores de centros de datos deben admitir racks que superan las hipótesis de instalaciones más antiguas.
Los proveedores de nube afrontan un problema adicional. Deben convertir sistemas físicos complejos en servicios fiables que los clientes puedan consumir sin gestionar cada componente.
Los desarrolladores de software también heredan las consecuencias. Las decisiones sobre arquitectura de modelos, cuantización, caché, recuperación y procesamiento por lotes determinan cuánta presión llega a la memoria y al almacenamiento.
La cuantización reduce la precisión utilizada para representar los valores del modelo. Puede reducir el uso de memoria y aumentar el rendimiento, aunque los ajustes agresivos pueden afectar a la calidad del modelo.
El almacenamiento en caché guarda cálculos o contexto reutilizables. Reduce el trabajo repetido, pero genera decisiones adicionales sobre ubicación, retención, seguridad e invalidación.
Estas técnicas pueden mejorar la eficiencia de la infraestructura, pero no eliminan los límites físicos. Las mejoras de eficiencia a menudo fomentan un mayor uso, lo que puede restablecer la demanda total.
Por tanto, la vía del equilibrio del sistema no promete un menor consumo absoluto. Promete trabajo más útil a partir de equipos y energía limitados.
Esta distinción importa para los lectores de Google News que se encuentran con afirmaciones sobre hardware de IA eficiente. Un mejor rendimiento por vatio puede coexistir con una mayor demanda total de electricidad.
La energía y la refrigeración fijan los límites más duros
La memoria puede reducir los cuellos de botella de datos, pero no puede resolver la escasez de electricidad, transformadores, equipos de refrigeración o conexiones a la red.
La Agencia Internacional de la Energía estima que el consumo mundial de electricidad de los centros de datos alcanzará unos 945 teravatios-hora en 2030. Eso supone más del doble del nivel actual en su escenario base.
La IA es el principal impulsor de ese aumento, junto con la demanda continuada de otros servicios digitales. Los servidores acelerados representan casi la mitad del crecimiento neto proyectado.
La IEA también espera que los centros de datos representen casi la mitad del crecimiento de la demanda eléctrica de Estados Unidos hasta 2030. Su concentración local hace que el desafío sea mayor de lo que su porcentaje global sugiere.
Una instalación no puede simplemente pedir más electricidad cuando los proyectos de transmisión y generación tardan años. Las conexiones a la red, los transformadores, los permisos y la oposición local pueden retrasar el despliegue.
La agencia estima que alrededor del 20 por ciento de los proyectos de centros de datos planificados corren riesgo de retrasos si no se resuelven los problemas de integración. Su perspectiva energética sitúa los plazos de infraestructura en el centro del crecimiento de la IA.
Un análisis actualizado de 2026 añade otra advertencia. Afirma que el uso de electricidad por parte de los centros de datos aumentó un 17 por ciento durante 2025, mientras que las instalaciones centradas en IA crecieron más rápido.
El mismo análisis señala que el gasto de capital de cinco grandes empresas tecnológicas superó los 400.000 millones de dólares en 2025. Proyecta otro aumento del 75 por ciento durante 2026.
Estas cifras ilustran la escala de la inversión, pero el gasto no garantiza capacidad terminada. El suministro de equipos, la financiación, los permisos y el acceso a la red siguen siendo restricciones independientes.
La refrigeración está estrechamente relacionada con el problema energético. La electricidad consumida por los procesadores acaba convirtiéndose en calor que debe salir del equipo.
La refrigeración por aire sigue siendo útil para muchas instalaciones. Sin embargo, los racks de aceleradores extremadamente densos utilizan cada vez más líquido para transferir el calor de forma más eficaz.
La refrigeración líquida directa acerca el refrigerante a los componentes de alta generación térmica. Puede admitir equipos más densos, pero requiere bombas, colectores, intercambiadores de calor, controles y sistemas de gestión de fugas.
La documentación actual de racks de NVIDIA incluye detección de fugas a nivel de bandeja y de rack. Ese detalle muestra que la refrigeración líquida está pasando a formar parte de la plataforma informática, no es un accesorio opcional de la instalación.
Los proveedores de almacenamiento también deben adaptarse. Las unidades instaladas dentro de racks densos necesitan factores de forma, materiales, monitorización y especificaciones térmicas adecuados.
Esta transición conlleva riesgos prácticos. Muchos centros de datos existentes se diseñaron para una densidad de rack considerablemente menor y no pueden aceptar sistemas nuevos sin costosas modernizaciones.
Los operadores pueden necesitar nueva distribución eléctrica, tuberías, diseños de planta y equipos de rechazo de calor. Los plazos de construcción pueden reducir el beneficio de recibir antes procesadores más nuevos.
El uso de agua también varía según el diseño de refrigeración y la ubicación. Un sistema puede reducir la electricidad utilizada para refrigerar mientras presiona los recursos hídricos locales.
Por tanto, las afirmaciones sobre desempeño ambiental requieren medición de todo el sistema. El rendimiento por vatio del chip no refleja la construcción de la instalación, la refrigeración, el agua ni la generación eléctrica.
La IEA espera que la energía renovable cubra aproximadamente la mitad del crecimiento de la demanda eléctrica de los centros de datos hasta 2035. La generación de gas natural y nuclear también desempeña papeles importantes en su pronóstico.
Esta combinación de fuentes complica las narrativas simples de sostenibilidad. Las emisiones dependen de la ubicación de la instalación, los horarios operativos, los contratos y la generación que abastece físicamente la red.
Otra incertidumbre es la propia demanda. La eficiencia del hardware puede reducir la energía necesaria para una tarea, pero los menores costes pueden fomentar muchas más tareas.
Los agentes de IA intensifican esa posibilidad. Un agente puede realizar numerosas llamadas al modelo, búsquedas, operaciones de recuperación y solicitudes de herramientas mientras completa un objetivo del usuario.
El resultado es un efecto rebote. Cada operación se vuelve más barata, pero el consumo total de infraestructura aumenta porque el software realiza más operaciones.
SK hynix puede mejorar el ancho de banda de la memoria o la densidad de almacenamiento. No puede determinar con qué eficiencia los clientes diseñan modelos, programan cargas de trabajo o seleccionan fuentes de energía.
Ese es el ángulo escéptico esencial. Las mejoras de componentes respaldan mejores sistemas, pero las especificaciones de los proveedores no demuestran ahorros a nivel de instalación.
Las mediciones independientes deben mostrar utilización sostenida, energía por tarea útil, tasas de fallos y sobrecarga de refrigeración. Sin esos resultados, la eficiencia sigue siendo una afirmación matizada.
Qué deberían vigilar después los lectores de Google News
Tres señales mostrarán si la infraestructura centrada en la memoria se está convirtiendo en un modelo operativo y no en una narrativa de proveedores.
La primera señal es la evidencia de despliegue de sistemas de racks con refrigeración líquida. Los compradores deberían vigilar los datos de utilización, disponibilidad, potencia y servicio de instalaciones de producción GB200 y GB300.
Los despliegues exitosos reforzarían el argumento del equilibrio del sistema. Mostrarían que la computación, la memoria, las redes, el almacenamiento y la refrigeración estrechamente integrados pueden operar de forma fiable a escala.
Los retrasos repetidos o los problemas de mantenimiento lo debilitarían. Sugerirían que la integración a nivel de rack avanza más rápido de lo que pueden soportar las operaciones de las instalaciones.
La segunda señal es la adopción de memoria y almacenamiento de próxima generación. La cualificación de HBM4, los envíos de SSD empresariales y los diseños de memoria específicos para clientes revelarán dónde están gastando los operadores más allá de las GPU.
SK hynix ya ha posicionado HBM4, DRAM para servidores y SSD empresariales de alta capacidad como partes de una misma pila de infraestructura de IA. La adopción comercial debe validar ese posicionamiento.
Observe si los clientes revelan beneficios a nivel de carga de trabajo. Las métricas útiles incluyen utilización de aceleradores, latencia de inferencia, energía de almacenamiento y rendimiento bajo demanda sostenida.
Los récords aislados de ancho de banda son menos informativos. No muestran cómo se comporta el sistema completo cuando las redes, la refrigeración y las aplicaciones compiten por recursos.
Una adopción generalizada reforzaría la idea de que la infraestructura de IA se está centrando en la memoria. Una adopción limitada sugeriría que las GPU siguen acaparando la mayor prioridad de compra.
La tercera señal es la relación entre la construcción de centros de datos y la electricidad disponible. Las colas para conexiones a la red, el suministro de transformadores, los retrasos de proyectos y los acuerdos energéticos corporativos merecen mucha atención.
La evaluación de 2026 de la IEA afirma que los cuellos de botella físicos a corto plazo ya están limitando la expansión. Esto convierte la disponibilidad de energía en una prueba directa de todas las previsiones de hardware.
Aprobaciones de red más rápidas y un suministro energético firme reforzarían la expansión prevista de la infraestructura. Más retrasos desplazarían la atención de la disponibilidad de chips a dónde pueden operar físicamente los sistemas.
Estas señales importan más allá de los inversores en semiconductores. Los desarrolladores las percibirán mediante el acceso a aceleradores, los precios de inferencia, la latencia y la disponibilidad regional de servicios.
Los compradores empresariales deberían pedir a los proveedores pruebas a nivel de carga de trabajo. Un benchmark de procesador no puede revelar retrasos de recuperación, costes de almacenamiento de contexto ni la fiabilidad de un servicio de producción completo.
Los trabajadores del conocimiento deberían esperar que el diseño de infraestructura dé forma al comportamiento de los productos. Un contexto más largo, respuestas más rápidas y agentes más persistentes requieren memoria y almacenamiento coordinados detrás de la interfaz.
La cobertura de Google News puede hacer que cada nuevo componente parezca un hito aislado. La pregunta más útil es si ese componente elimina el cuello de botella activo del sistema.
SK hynix tiene razón al afirmar que los centros de datos de IA están cambiando desde dentro. Sin embargo, los ganadores no se elegirán solo por el ancho de banda de memoria, la capacidad de almacenamiento o el número de GPU.
Se elegirán por lo bien que el sistema completo convierta la electricidad y los datos en trabajo de IA fiable. Durante los próximos meses, observe conjuntamente el rendimiento de los racks desplegados, la adopción de memoria y el acceso a la red.
