Artículo divulgativo que repasa el ecosistema actual de arquitecturas de silicio diseñadas para acelerar los cálculos de inteligencia artificial. El texto arranca con la conferencia Turing que John Hennessy y David Patterson pronunciaron en 2018 en el International Symposium on Computer Architecture, donde diagnosticaron el final de la ley de Moore y el escalado de Dennard y pronosticaron una «explosión cámbrica» de arquitecturas específicas por dominio. Esa predicción se ha cumplido: hoy conviven GPUs, TPUs, LPUs, NPUs, DPUs, ASICs, motores a escala de oblea, arquitecturas de flujo de datos reconfigurables, chips neuromórficos, fotónicos y analógicos. Los diseños con despliegue real son la GPU de NVIDIA y AMD, los aceleradores de array sistólico como el TPU de Google o Trainium de Amazon, el wafer-scale engine de Cerebras y la LPU de Groq, esta última absorbida por NVIDIA mediante una adquisición de 20.000 millones de dólares. NVIDIA lidera el mercado con sus GPU Rubin y Blackwell; AMD suma compromisos de 6 GW de OpenAI y Meta; Google entrena Gemini con TPU y servirá a Anthropic con hasta un millón de chips; Anthropic también ejecuta Claude sobre más de un millón de Trainium. El artículo explica después por qué el cómputo de IA se reduce en gran medida a multiplicaciones de matrices y describe la diferencia entre entrenamiento, prefill y decodificación, así como el muro de memoria que obliga a mover los datos hasta las unidades de cálculo. La última sección desgrana la arquitectura interna de la GPU de NVIDIA: Streaming Multiprocessors, warps, planificación SIMT, jerarquía de memoria y Tensor Cores, con una descripción del funcionamiento de las instrucciones MMA sobre teselas M x N x K y de su evolución desde Volta V100 hasta Blackwell B300 y Rubin.
Noticias agregadas con IA