Por Canuto  

Los límites de energía, refrigeración y espacio empujan los clústeres de IA más allá de los centros de datos individuales. Google, Cisco y Marvell exploran redes scale-across, aunque la distancia introduce retos de latencia, congestión y sincronización.

***

  • Los clústeres actuales pueden superar los 100.000 aceleradores y sumar potencialmente millones de puntos finales de CPU.
  • Google, Cisco y Marvell desarrollan enfoques para conectar recursos de cómputo distribuidos entre instalaciones y regiones.
  • El ancho de banda no resuelve por sí solo los retos de latencia, congestión y coordinación de las cargas de trabajo de IA.

 


 

Los grandes clústeres de IA comienzan a chocar con límites que no se resuelven simplemente instalando más aceleradores en una misma sala.

La disponibilidad de energía, la refrigeración y el espacio físico empujan a la industria a conectar recursos repartidos entre edificios, campus y regiones, una arquitectura conocida como scale-across. Tom’s Hardware informó que Google, Cisco y Marvell trabajan en soluciones para este desafío, aunque la distancia también agrega obstáculos de comunicación.

El tamaño de los clústeres cambia las reglas

Los sistemas de inteligencia artificial (IA) actuales pueden reunir más de 100.000 aceleradores y, potencialmente, millones de puntos finales de CPU, según la información citada por Tom’s Hardware. Esa escala multiplica la cantidad de datos que circulan entre los componentes y exige que la red administre ancho de banda, latencia y congestión. La infraestructura de comunicación deja de ser un complemento y pasa a influir directamente en cuánto provecho obtiene una aplicación del poder de cómputo disponible.

El desafío se agrava porque el rendimiento de los aceleradores crece más rápido que la capacidad de comunicación, de acuerdo con el análisis presentado en la noticia. En otras palabras, un procesador más rápido no garantiza por sí mismo una mejora equivalente en el desempeño de una tarea si debe esperar por datos o por otros componentes del clúster. La red puede convertirse en el factor que limite el aprovechamiento de los equipos, incluso cuando estos dispongan de una elevada capacidad de cálculo.

La restricción tampoco es exclusivamente tecnológica: concentrar cantidades crecientes de aceleradores en una única instalación puede ser difícil o inviable cuando no hay suficiente energía, capacidad de refrigeración o espacio. Distribuir el cómputo entre varias ubicaciones aparece así como una alternativa para combinar recursos sin exigir que todos los equipos quepan en un mismo centro de datos. Pero esa distribución cambia las condiciones de comunicación que los sistemas deben enfrentar.

En la conferencia Supercomputing 2026, investigadores de The Ohio State University analizaron la evolución de las redes de alto rendimiento y la necesidad de operar a través de dominios distintos, según el reporte. Su planteamiento apunta a que la computación distribuida a esa escala requiere más que enlaces rápidos: también depende de cómo se organiza la red y de cómo el software coordina los intercambios. La arquitectura debe atender conjuntamente las necesidades de aceleradores, servidores y centros de datos.

De scale-up y scale-out a scale-across

La industria suele distinguir dos formas de conectar recursos informáticos. Scale-up enlaza procesadores y aceleradores dentro de sistemas estrechamente integrados, con tecnologías como Infinity Fabric de AMD, UPI de Intel, NVLink de Nvidia y la alternativa emergente UALink. Estas conexiones responden a necesidades de comunicación dentro de distancias relativamente cortas y no cumplen exactamente la misma función que las redes de clústeres.

Scale-out, en cambio, conecta servidores individuales o sistemas a escala de rack para formar clústeres mayores, normalmente dentro de un centro de datos. Entre las tecnologías y estándares mencionados para ese dominio están Ethernet, InfiniBand, HPE Slingshot y Ultra Ethernet. Cada tipo de interconexión tiene requisitos propios de ancho de banda, latencia y escalabilidad, por lo que la selección depende de qué componentes se conectan y de la tarea que deben ejecutar.

El concepto scale-across extiende la conectividad de alto rendimiento más allá de una instalación individual, hacia otros edificios, campus o regiones geográficas. Su objetivo es que un operador pueda combinar recursos de distintas ubicaciones y tratarlos como parte de una capacidad de cómputo más amplia. No significa que la distancia desaparezca ni que varios centros de datos se comporten automáticamente como un sistema compacto; implica diseñar la red para distribuir cargas de trabajo bajo condiciones diferentes.

La diferencia importa porque llevar un clúster completo a un solo lugar puede topar con las restricciones físicas y energéticas descritas, mientras que repartirlo abre la posibilidad de utilizar recursos en varias instalaciones. La contrapartida es que la comunicación entre ellas enfrenta mayores distancias y necesita coordinación. Por eso, el paso de scale-out a scale-across no consiste solo en extender cables: obliga a revisar la topología de red, la gestión de tráfico y la manera en que las aplicaciones organizan sus intercambios.

Google, Cisco y Marvell buscan escalar entre ubicaciones

Google presentó su arquitectura de red Virgo para cargas de trabajo de IA que exceden las limitaciones de espacio y energía de un centro de datos individual, según el artículo. La compañía busca tratar un campus completo de instalaciones de cómputo como un solo sistema, con redes especializadas para comunicar aceleradores, servidores y centros de datos. La propuesta apunta a extender la capacidad disponible sin concentrar todos los equipos en una sola instalación.

Google describe Virgo como una red capaz de conectar hasta 134.000 chips TPU 8t y alcanzar hasta 47 petabits por segundo, según la presentación de Virgo Network. Esas cifras describen la capacidad indicada para la arquitectura; por sí solas no determinan el rendimiento de una aplicación concreta, que también depende de la carga de trabajo y de la comunicación entre sus componentes.

El reporte también señala que Cisco y Marvell desarrollan tecnologías para despliegues scale-across. Entre los componentes mencionados figuran routers de alta capacidad, chips de conmutación e interconexiones ópticas, diseñados para conectar clústeres distribuidos geográficamente. La noticia no presenta esas iniciativas como una solución ya desplegada de forma generalizada, sino como parte de la búsqueda de infraestructura capaz de enlazar recursos a mayor escala.

Marvell comunicó que mostraría en Supercomputing 2026 tecnologías para infraestructura de IA en los ámbitos scale-up, scale-out y scale-across. La compañía incluye esa última categoría entre las áreas que busca atender, aunque el anuncio por sí solo no permite concluir que sus soluciones ya estén desplegadas de forma generalizada.

El interés de estas empresas refleja un cambio en el problema que la industria intenta resolver. Si la energía, la refrigeración y el espacio ponen un techo a la expansión dentro de un sitio, la red puede ayudar a reunir capacidades distribuidas, pero debe mantener un rendimiento suficiente para las cargas de trabajo. Un campus conectado como un sistema amplio requiere distinguir qué comunicaciones pueden tolerar más demora y cuáles necesitan intercambios rápidos y coordinados.

La idea también pone en perspectiva la diferencia entre sumar capacidad y obtener rendimiento efectivo. Añadir aceleradores en distintas ubicaciones puede aumentar los recursos disponibles, pero la utilidad para una aplicación depende de que esos equipos intercambien datos de forma eficiente. En la práctica, el diseño debe equilibrar la distribución del cómputo con las características de la carga, en vez de asumir que cualquier enlace de alta velocidad hará equivalentes a dos clústeres separados.

La distancia impone límites que la velocidad no elimina

Las interconexiones scale-up pueden ofrecer mucho ancho de banda y baja latencia en distancias cortas, pero conectar centros de datos requiere lidiar con las limitaciones físicas de los enlaces de larga distancia. Las conexiones ópticas no eliminan el retardo de propagación, y la congestión, la pérdida de paquetes y la sobrecarga de sincronización pueden reducir aún más el rendimiento que perciben las aplicaciones. Por eso, dos grandes clústeres enlazados no se convierten automáticamente en un único sistema estrechamente integrado.

El problema pesa especialmente durante el entrenamiento de modelos de IA, cuando los aceleradores intercambian parámetros, gradientes y resultados intermedios. Si una parte de esos equipos se demora, la espera puede afectar el ritmo de trabajo del conjunto, porque los componentes deben coordinarse para avanzar. En estas tareas, el rendimiento de la red no se mide únicamente por la cantidad máxima de datos que puede transportar, sino también por su capacidad para sostener comunicaciones colectivas sin retrasos que frenen a los demás.

La topología de la red y su gestión de congestión influyen tanto como el ancho de banda bruto, según los investigadores citados en el reporte. También cuentan los protocolos de comunicación y las implementaciones de software que determinan cómo las aplicaciones distribuyen los datos entre miles de procesadores. La combinación de esos elementos puede mejorar o limitar el rendimiento efectivo, aun cuando los enlaces anuncien velocidades nominales elevadas.

La noticia menciona tecnologías Ethernet con velocidades nominales de 800 Gb/s y 1,6 Tb/s como parte de la evolución de las interconexiones. Sin embargo, esas cifras máximas no describen por sí solas cómo responderá un sistema en una aplicación real. El resultado depende de la cooperación entre hardware y software, de la prevención de congestión y de la sincronización del cálculo, factores que ganan relevancia a medida que los recursos quedan repartidos en más ubicaciones.

El software y el hardware deben trabajar juntos

Parte de la respuesta pasa por adaptadores de red y conmutadores más sofisticados, capaces de asumir tareas que de otro modo cargarían a los procesadores anfitriones. Los adaptadores modernos pueden realizar operaciones de acceso remoto directo a memoria, o RDMA, sin intervención continua de la CPU. Esa capacidad permite gestionar ciertos intercambios de manera más directa y puede elevar la eficiencia sin que la única solución sea instalar enlaces físicamente más rápidos.

El reporte también destaca la descarga de operaciones colectivas a la propia infraestructura de red. HPE Slingshot y Nvidia SHARP figuran como ejemplos de tecnologías que pueden ejecutar determinadas operaciones de comunicación en hardware. A su vez, las SmartNIC y las unidades de procesamiento de datos, o DPU, pueden ocuparse de funciones seleccionadas de red e infraestructura, reduciendo el trabajo que recae sobre los procesadores principales.

El software determina cómo se aprovechan esas capacidades. Frameworks de comunicación como libfabric, MPI y UCX condicionan la manera en que las aplicaciones intercambian información y utilizan los adaptadores de red. Además, la comunicación consciente de GPU y tecnologías como GPUDirect RDMA pueden evitar transferencias innecesarias a través de la memoria del host, mientras que las operaciones colectivas optimizadas pueden reducir la sobrecarga entre grandes cantidades de aceleradores.

La transición hacia scale-across, por tanto, exige evaluar sistemas completos y no solo componentes aislados. Los investigadores señalan que la eficiencia depende de la interacción entre red, hardware y software, además de la topología y la sincronización de las cargas. Google, Cisco y Marvell apuntan a conectar recursos que exceden los límites de una instalación, pero el desempeño final dependerá de cómo se resuelvan los retos de distancia, congestión y coordinación.


Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín