Cambia el sujeto de la IA: de comprar GPU a entregar fábricas de IA
Cuando la capacidad de cómputo en libros deja de equivaler a la producción real, el orden de valor de la cadena industrial se está reordenando.
En los últimos dos años, el relato sobre la infraestructura de la IA ha estado prácticamente monopolizado por tres cosas.
GPU (Graphics Processing Unit, procesador gráfico), HBM (High Bandwidth Memory, memoria de alto ancho de banda) y empaquetado avanzado.
Este juicio captura el núcleo de la primera ronda de expansión y, además, hace que el mercado adopte gradualmente una comprensión casi reflejo: a más chips, más capacidad de cómputo, y a mayor capacidad, más producción.
Hoy en día, esta ecuación empieza a fallar.
La GPU puede llegar, los servidores pueden entrar en inventario y el gasto de capital también puede seguir aumentando, pero la capacidad de cómputo no necesariamente se pondrá en marcha a tiempo. Una fábrica de IA puede tener al mismo tiempo el equipo más caro y la espera más incómoda.
Esperar energía, esperar refrigeración, esperar red, esperar datos, esperar planificación.
El chip ya entró en el balance, pero la capacidad real sigue en la fase de construcción, puesta en marcha y coordinación del sistema. El plan de compras es muy bonito, pero el número de clústeres que realmente pueden operar de forma estable es menor de lo esperado. Aunque en teoría el equipo ya esté desplegado, la utilización real y la producción por unidad siguen siendo bajas.
Esa brecha está cambiando la forma de medir la industria de IA.
El foco de la primera ronda de competencia es quién puede conseguir más chips. La brecha de la siguiente etapa aparece más en quién puede organizar los chips en una fábrica de IA que funcione de forma estable.
El chip determina el techo teórico, el sistema determina la tasa de conversión.
Solo entendiendo esto se entra de verdad en la siguiente etapa de la infraestructura de IA.
La escasez de chips explica la primera mitad del partido
La GPU sigue siendo el equipo central del cómputo de IA.
El entrenamiento y la inferencia de modelos grandes requieren un enorme cómputo paralelo, y la GPU aporta la capacidad de cómputo más importante. La HBM, pegada al acelerador, suministra datos a las unidades de cómputo con un ancho de banda muy alto. Por muy potente que sea el chip, si los datos no llegan a tiempo, la unidad de cómputo también se quedará esperando.
El encapsulado avanzado se encarga de organizar el chip de cómputo, la HBM y las interconexiones de alta velocidad en una estructura de alta densidad. La capacidad de cómputo, el ancho de banda de memoria, el área del chip, el consumo de energía y la disipación térmica terminan confluyendo en la capa de encapsulado.
Sin esas bases, una fábrica de IA no puede existir.
En los últimos años, el mercado ha evaluado la bonanza de la IA en torno a la compra de GPU, las cuotas de HBM y la planificación de la producción del encapsulado avanzado, con suficiente base real. Cuando lo que más escasea en toda la industria son los chips de cómputo de gama alta, quien logra conseguir chips está más cerca del límite de capacidad.
En ese momento, la principal contradicción se concentraba en los propios medios de producción.
Si no hay suficientes chips, por muy buenas que sean las condiciones posteriores de red, suministro eléctrico y refrigeración, no habrá suficientes equipos para operar. El ritmo de suministro de las GPU de gama alta puede decidir casi directamente el plan de entrenamiento de las empresas de modelos y la velocidad de expansión de cómputo de los proveedores de nube.
El marco antiguo sigue siendo válido, solo que ya no puede explicar todos los problemas.
A medida que más capital, talento y recursos de la cadena de suministro se dirigen al lado de los chips, la primera barrera se va conociendo por más personas y las restricciones posteriores empiezan a entrar en el campo de visión. Que el chip pueda producirse sigue siendo importante. Después de producirse, que pueda convertirse a tiempo en capacidad utilizable ya es otro problema igualmente costoso.
La infraestructura de IA está pasando de la escasez de medios de producción a la competencia por la capacidad de entrega del sistema.
Una fábrica de IA es mucho más compleja que una simple lista de compras
La lista de compras puede decir cuántas GPU, cuántos servidores y cuántos racks se compraron.
No responde a cuándo podrán energizarse estos equipos, cuándo podrán formar un clúster estable, cuándo podrán soportar cargas reales ni cuándo podrán ofrecer de forma continua servicios de entrenamiento e inferencia a un costo razonable.
Desde que el chip sale de la fábrica hasta que realmente completa una tarea de modelo, hay una cadena muy larga en medio.
La GPU y la HBM deben encapsularse en una plataforma entregable y luego pasar a tarjetas, servidores y racks.
Los racks necesitan suficiente energía y refrigeración, y una gran cantidad de nodos debe coordinarse a través de redes de alta velocidad. Los datos de entrenamiento y el contexto de inferencia deben fluir continuamente entre cómputo, memoria y almacenamiento, y el sistema de planificación también debe reducir las colas, la congestión y la ociosidad.
Luego, todo el sistema todavía debe pasar por instalación, integración, pruebas de carga, simulacros de fallos y aceptación en sitio.
Si cualquier tramo llega tarde, el capital anterior queda esperando.
El chip ya se entregó, pero la alimentación del rack aún no está lista, así que el equipo solo puede quedarse en el almacén o en la sala. El rack ya tiene corriente, pero la capacidad de refrigeración no alcanza, y el sistema no puede operar a plena carga durante mucho tiempo. Con todo el hardware en su lugar, si la red se congestiona, gran parte de la GPU seguirá esperando datos y sincronización.
Esa es la diferencia más importante entre una fábrica de IA y un centro de datos convencional.
Los centros de datos tradicionales pueden albergar una gran cantidad de servidores relativamente independientes para manejar almacenamiento, sitios web, software empresarial y cargas generales de computación en la nube. Una fábrica de IA necesita que enormes nodos de cómputo colaboren en torno a la misma tarea de entrenamiento o al mismo servicio de inferencia.
Sus exigencias en eficiencia de sincronización, densidad de potencia, gestión térmica, ancho de banda de memoria y estabilidad operativa son mucho mayores.
Que un solo servidor sea muy potente no permite concluir de forma natural que todo el clúster sea potente.
Cuantos más nodos hay, más difícil es coordinar el sistema. La latencia de un enlace local, el fallo de un dispositivo o una anomalía de temperatura pueden ralentizar un lote de recursos de cómputo muy costosos.
Antes, la gente entendía la capacidad de cómputo como la suma de chips y servidores.
Ahora, una comprensión más cercana a la realidad es que la capacidad de cómputo de IA es una producción del sistema que solo puede formarse tras el encapsulado, la conexión, el suministro eléctrico, la refrigeración, el almacenamiento y la planificación.
La llegada del equipo indica que el activo ya se ha formado.
Solo la operación estable demuestra que la capacidad productiva realmente se ha formado.
La capacidad de cómputo efectiva se está convirtiendo en una nueva medida
La capacidad de cómputo en libros describe la cantidad de equipos y el pico teórico.
La capacidad de cómputo efectiva se pregunta cuántos trabajos estables, programables y sostenibles de entrenamiento e inferencia completan finalmente estos equipos.
Un clúster de GPU del mismo tamaño puede tener una producción real completamente distinta.
Un sistema que espera con frecuencia la comunicación de red y la lectura de datos tendrá una utilización de la GPU inferior a lo previsto. Otro sistema, con una gestión más madura de la red, la memoria y la planificación, incluso sin una ventaja evidente en escala de hardware, puede completar más tareas en el mismo tiempo.
Las cifras en libros parecen similares, pero la capacidad real de producción ya ha abierto una brecha.
La capacidad de cómputo efectiva contiene al menos varios niveles de significado.
Que los equipos puedan ponerse en marcha a tiempo, que el clúster pueda coordinarse eficientemente, que las tareas puedan completarse de forma estable y que el costo unitario de salida se mantenga en un rango sostenible.
Las exigencias de entrenamiento e inferencia sobre este sistema no son las mismas.
Durante el entrenamiento, un modelo suele dividirse entre muchas GPU. Distintos nodos deben intercambiar datos y sincronizar parámetros con frecuencia. En cuanto algunos nodos se ralentizan, los demás también empiezan a esperar.
Esa espera no aparece en el rendimiento teórico del chip, pero sí se refleja directamente en el ciclo de entrenamiento, la factura eléctrica, la utilización del equipo y los costos de ingeniería.
La inferencia se enfrenta a otra clase de presión.
Los usuarios reales siguen enviando solicitudes, el sistema necesita empezar a responder en poco tiempo y además mantenerse estable bajo alta concurrencia.
Los contextos son cada vez más largos, las interacciones multirronda cada vez más comunes, los agentes empiezan a llamar herramientas y a ejecutar tareas más complejas, y el sistema necesita guardar y volver a leer una gran cantidad de estados intermedios.
El KV cache (Key-Value cache, caché de clave-valor) pasa así de ser un detalle técnico a convertirse gradualmente en una parte importante del costo de inferencia.
Estos estados intermedios ocupan memoria costosa y también afectan a la memoria, el almacenamiento, la red y la planificación.
Ponerlo todo en HBM es demasiado caro. Desbordarlo hacia memoria convencional o almacenamiento aumenta la latencia de acceso. El sistema debe negociar continuamente entre velocidad, capacidad y costo.
Por ello, el costo por token se ha convertido en una métrica más importante.
El costo de un token está determinado finalmente de manera conjunta por el chip de cómputo, la memoria, la red, el almacenamiento, la energía, la refrigeración y la eficiencia del software. La GPU es solo uno de los eslabones más caros y visibles.
Si los datos no pueden llegar a tiempo a la GPU, el costoso equipo queda ocioso.
Si la red se congestiona, tanto el rendimiento de inferencia como el tiempo de respuesta empeorarán.
Si la eficiencia de gestión de caché es demasiado baja, la memoria se llenará rápidamente.
Si la capacidad de refrigeración es insuficiente, el equipo no podrá mantener una carga alta.
Si la recuperación ante fallos es lenta, un problema local puede arrastrar todo un lote de tareas.
Estos detalles que parecen cuestiones de ingeniería en una sala de servidores, al final desembocan en el mismo resultado comercial.
Con la misma inversión de capital, cuánto poder estable de modelo se puede producir realmente.
Cuanto mayor es la escala, más caros resultan los puntos débiles del sistema
Los clústeres pequeños pueden usar redundancia e intervención manual para ocultar muchos problemas.
Una vez que la escala aumenta, los problemas locales se convierten rápidamente en problemas del sistema.
Aumentar los nodos de cómputo no hará que la producción crezca de forma natural en la misma proporción. Cuantos más nodos hay, más compleja es la comunicación y la sincronización, y también hay más puntos de fallo.
La densidad de potencia, el calor y la presión del cableado aumentan al mismo tiempo, y el costo de coordinación dentro del sistema empieza a devorar parte del incremento de hardware.
Esa es también la razón por la que la red llegó primero al primer plano.
Una sola GPU puede completar de forma independiente algunas tareas, pero el entrenamiento de modelos grandes depende de una coordinación a gran escala.
Los nodos necesitan intercambiar datos de forma rápida y estable. Si la eficiencia de conexión baja aunque sea un poco, los costosos equipos de cómputo pasarán más tiempo esperando.
La GPU adicional sigue aumentando la capacidad teórica de cómputo, pero la producción adicional no ha crecido al mismo ritmo.
La limitación que aporta la energía es más directa.
Que un centro de datos obtenga el terreno y la planificación eléctrica no significa que la energía ya haya llegado a los racks.
La capacidad todavía debe pasar por la conexión a la red, la subestación, la distribución interna, la alimentación de respaldo, las barras colectoras y la conversión dentro del rack. Cualquier retraso en uno de esos pasos pospondrá la puesta en marcha del equipo.
Una vez que la energía entra en el chip, casi siempre se convierte en calor.
A medida que aumenta continuamente la potencia por rack, el espacio que puede soportar la refrigeración por aire tradicional se va estrechando.
La refrigeración líquida empieza a pasar de ser un complemento de sala al diseño de servidores y racks, e influye además en las tuberías, la distribución del líquido refrigerante, los procesos de mantenimiento, la distribución de la sala y la aceptación en sitio.
El significado de la solución de refrigeración también cambia por ello.
No solo afecta a la temperatura del chip, sino que también cambia cuándo puede entregarse un proyecto, quién responde por los fallos, cómo se mantiene el equipo y si el rack puede sostener cargas altas durante mucho tiempo.
Cuando la escala de inferencia se amplía, la presión del sistema sigue extendiéndose hacia la memoria y el almacenamiento.
Los contextos largos, las conversaciones multironda y las tareas de agentes generan más estados.
El sistema debe decidir qué contenido permanece en la memoria rápida, qué pasa a la memoria convencional, qué se transfiere al almacenamiento local o en red, y qué cachés pueden reutilizarse entre solicitudes.
La competencia por la capacidad de cómputo empieza a pasar del rendimiento de una sola tarjeta a la disposición de datos y la planificación de recursos.
Estas restricciones no aparecerán según un calendario ordenado. Distintas plataformas, distintas cargas y distintos centros de datos se enfrentarán al mismo tiempo a cuellos de botella diferentes.
Los clústeres de entrenamiento exponen con mayor facilidad los problemas de red y de rendimiento de datos.
Los clústeres de inferencia exponen con mayor facilidad los problemas de memoria de contexto, tiempo de respuesta y costo unitario.
Las salas de alta potencia encuentran pronto presión en el suministro eléctrico y la refrigeración.
La tendencia común ya es muy clara. Cuanto mayor es la escala del chip, más eslabones de apoyo que antes quedaban ocultos en segundo plano pasan a entrar en la función de producción. Los puntos débiles del sistema también se vuelven cada vez más caros.
La historia del encapsulado avanzado empieza a profundizar
Que la red, la energía y la refrigeración líquida hayan salido al primer plano no debilita la importancia del encapsulado avanzado.
El encapsulado avanzado sigue siendo la restricción de base de la fábrica de IA, solo que él mismo también está entrando en una nueva etapa.
La primera fase se centra en la capacidad productiva.
Los chips de IA de gama alta se expanden rápidamente, y los chips de cómputo y la HBM necesitan formar interconexiones de alta densidad mediante encapsulado complejo.
La capacidad de programación disponible es limitada, y la velocidad de expansión afecta directamente la entrega de chips. Por eso el mercado presta mucha atención a quién tiene más capacidad productiva y quién puede ampliarla más rápido.
La dificultad de la segunda fase empieza a desplazarse hacia el rendimiento, las pruebas, el sustrato, la gestión térmica, la coordinación optoelectrónica y la entrega del sistema.
Una vez que aumenta la complejidad, la capacidad nominal ya no puede describir por completo la oferta real.
En un encapsulado avanzado de IA puede haber al mismo tiempo varios chips de cómputo desnudos, múltiples pilas de HBM, un interposer más grande e interconexiones de alta velocidad más densas. El valor del producto aumenta rápidamente, y el costo de cualquier defecto localizado también se amplifica.
Si un chip desnudo tiene un problema, la pérdida puede no limitarse a un solo chip.
La HBM, el interposer, el sustrato, las horas de equipo y los recursos de prueba con los que se encapsula también podrían desperdiciarse.
Cuanto mayor es el valor del encapsulado, más necesario resulta identificar antes los chips defectuosos, y también se vuelve más necesario realizar pruebas de sistema más complejas después de completar el encapsulado.
La planificación de producción resuelve cuánto se puede hacer.
El rendimiento y las pruebas determinan cuánto puede entregarse.
Por ello, el papel de las pruebas avanzadas seguirá aumentando. El apilado de múltiples chips y HBM hace que las combinaciones de defectos sean más complejas, y la inspección tradicional de salida de fábrica ya no es suficiente.
La selección de chips desnudos, las pruebas posteriores al encapsulado, las pruebas de envejecimiento, los ciclos térmicos y la verificación a nivel de sistema afectan la calidad final de la entrega.
El sustrato también está pasando del fondo al primer plano.
A medida que aumenta el área del encapsulado y la densidad de las líneas, también suben las exigencias sobre la planitud del sustrato, el control de deformación, la estabilidad del material y la capacidad de suministro. Un sustrato parece solo una estructura de soporte, pero en realidad determina si los chips complejos pueden conectarse de forma estable, si pueden controlarse las tensiones térmicas y si pueden entrar en producción a escala.
La coordinación optoelectrónica llevará el encapsulado a otro nivel de complejidad.
Cuando rutas como CPO (Co-Packaged Optics, óptica coempaquetada) llevan el motor óptico a una posición más cercana al chip de conmutación, la fuente láser, la conexión de fibra, la alineación óptica, la gestión térmica, la fiabilidad y los métodos de mantenimiento deben reorganizarse.
Así, los límites del encapsulado siguen ampliándose.
No solo conecta chips lógicos y memoria, sino que poco a poco también conecta cómputo, entrada/salida, óptica, disipación térmica y mantenimiento del sistema.
Por supuesto, el encapsulado avanzado seguirá expandiendo su capacidad, pero la parte que más merece ser reevaluada en el futuro probablemente ya no se concentre en la capacidad nominal en sí.
Aquellas capacidades que determinan si el encapsulado complejo puede producirse en masa de forma estable, si puede reducir pérdidas y si puede entregarse a tiempo obtendrán un mayor peso industrial.
Las pruebas avanzadas, los sustratos de gama alta, los equipos de metrología, los materiales clave, la alineación óptica, el diseño térmico y la verificación a nivel de sistema pueden convertirse en importantes zonas de valor en la segunda etapa del encapsulado avanzado.
El encapsulado avanzado no se ha salido de la línea principal.
Está pasando de la historia más visible de la capacidad productiva a eslabones más finos, más difíciles de replicar y más cercanos a la entrega real.
El valor industrial se concentrará en la capacidad de entrega
Cuando la unidad de medida de la IA pasa de la cantidad de equipos a la capacidad de cómputo efectiva, también cambia el orden de valor de la cadena industrial.
Red, energía, refrigeración líquida, memoria, almacenamiento, chips personalizados y encapsulado avanzado parecen pertenecer a industrias diferentes. Ahora están conectados por el mismo problema.
Quién puede convertir la capacidad del chip en una producción estable del sistema.
Antes, la red asumía sobre todo la función de transmisión de datos. A medida que el clúster crece, empieza a afectar directamente la eficiencia del entrenamiento, el rendimiento de inferencia y la utilización de la GPU.
La electricidad antes era una condición de fondo de los centros de datos. Con la aparición de racks de alta potencia, el tiempo de conexión a la red y la distribución interna empezaron a decidir cuándo podía ponerse en marcha un proyecto.
La refrigeración antes se consideraba un equipo de apoyo.
Una vez que la refrigeración líquida entra en los servidores y los racks, empieza a afectar el diseño del rack completo, el ciclo de entrega y la responsabilidad de mantenimiento.
La memoria y el almacenamiento antes se medían sobre todo por capacidad. Tras aumentar las cargas de inferencia, participan cada vez más en la velocidad de respuesta, la reutilización de caché y el costo unitario.
El encapsulado avanzado antes se definía principalmente por la expansión de capacidad y la planificación de producción. El rendimiento, las pruebas, el sustrato y la coordinación del sistema están redistribuyendo su valor.
Los chips personalizados también evolucionarán siguiendo esta lógica.
Su significado no solo está en ofrecer otra opción de chip, sino en organizar el cómputo, la memoria, la red y la planificación de software de forma más estrecha para cargas estables, reduciendo así el costo unitario de salida.
Estos cambios no harán que todos los proveedores relacionados se beneficien por igual.
El crecimiento del gasto de capital solo demuestra que existe demanda, pero no que las ganancias se distribuirán por igual. La publicación de un estándar solo indica que la ruta ha sido reconocida; aún queda un largo camino de ingeniería hasta la implantación a escala.
Los prototipos y los diseños de referencia muestran la capacidad técnica; los ingresos de producción en masa todavía deben pasar por la certificación del cliente, la adaptación en sitio y la entrega estable.
Una vez que la industria entra en esta etapa, la capacidad más valiosa suele no tener los parámetros más llamativos.
Se reflejan en si puede entregarse a tiempo, si puede controlar el rendimiento, si puede superar la certificación del cliente, si puede resolver las interfaces del sistema y si puede asumir la responsabilidad del mantenimiento y la aceptación en sitio.
Aunque un componente individual lidere en rendimiento, el cliente no necesariamente lo adoptará de inmediato.
Incluso si una solución madura no es la más agresiva en parámetros, mientras tenga suministro estable, sea fácil de mantener y pueda ponerse en marcha a tiempo, aún puede conservar una posición industrial muy fuerte.
Ese es también el lugar donde más fácilmente se malinterpreta la siguiente migración del pool de beneficios.
Que el espacio de demanda sea enorme no significa que el margen de beneficio vaya a aumentar necesariamente.
Entrar en la cadena de suministro de IA no significa tener poder de fijación de precios.
Que el volumen de envíos crezca rápido no significa que el valor necesariamente se quede en manos del proveedor.
Lo que realmente se aproxima al pool de beneficios son aquellas capacidades que pueden asumir la responsabilidad de la entrega, reducir las pérdidas del sistema y que son difíciles de reemplazar rápidamente.
El valor de la industria no se quedará en los términos más populares.
Se moverá hacia los lugares más difíciles de resolver, más cercanos a la producción y más capaces de ralentizar toda la cadena.
Esta tendencia pasará por altibajos
La fábrica de IA avanza hacia una ingeniería de sistemas, y la dirección ya está clara. El ritmo no será una línea recta.
La GPU, la HBM y el encapsulado avanzado todavía pueden volver a convertirse en cuellos de botella absolutos más fuertes. Mientras la oferta upstream vuelva a tensarse, la atención del mercado regresará a los medios de producción en sí.
El gasto de capital de los proveedores de nube y de las empresas de modelos también afectará a toda la cadena. En cuanto el ritmo de construcción se desacelere, los proyectos de red, energía, refrigeración líquida y centros de datos también se ajustarán.
La mejora en la eficiencia del modelo y del software absorberá parte de la presión sobre el hardware.
Una mejor arquitectura de modelo, una mayor tasa de acierto de caché y una planificación más inteligente pueden reducir los cálculos repetidos y el movimiento de datos. Parte de los problemas que antes se resolvían con expansión de capacidad pueden mitigarse con optimización de software.
La expansión de la oferta también debilitará la retención de beneficios.
Aunque un eslabón entre en la corriente principal, si la capacidad se libera demasiado rápido, si entran multitud de competidores o si el producto se estandariza con rapidez, el crecimiento de ingresos también puede venir acompañado de presión sobre los precios.
Las grandes plataformas también conservan un fuerte poder de negociación. Ellas no solo crean demanda, sino que también pueden retener dentro de la propia plataforma parte del valor añadido mediante compras concentradas, diseño propio y múltiples rutas en paralelo.
Estos cambios no derribarán la línea principal de la fábrica de IA, solo cambiarán la ubicación del cuello de botella, su duración y la distribución del valor.
Lo que sí puede afirmarse es que juzgar la capacidad de IA basándose solo en la cantidad de GPU se acerca cada vez más a una distorsión.
La entrega del sistema se convertirá en un punto de inflexión más importante.
La nueva unidad de medida de la IA
La primera ronda de expansión de la infraestructura de IA compara quién puede conseguir el chip más escaso.
La siguiente etapa compara quién puede organizar estos chips en un sistema industrial que funcione de manera continua.
La GPU aporta la capacidad de cómputo central.
HBM garantiza que los datos puedan entrar rápidamente en la unidad de cómputo.
El encapsulado avanzado organiza cómputo, memoria e interconexiones de alta velocidad en una plataforma entregable, y sigue profundizando en rendimiento, pruebas, sustrato y coordinación optoelectrónica.
La red conecta el cómputo puntual en capacidad de clúster.
La energía y la refrigeración hacen que el equipo realmente entre en operación.
La memoria, el almacenamiento y la planificación determinan la eficiencia del sistema y el costo de cada inferencia.
Estos eslabones completan juntos el tramo final de la transformación, convirtiendo activos contables en capacidad de modelo que puede utilizarse de forma continua.
Lo que finalmente entrega una fábrica de IA no es una cifra de GPU, ni una enorme lista de gasto de capital.
Entrega tiempos de entrenamiento estables, rendimiento de inferencia predecible, un costo unitario asumible y capacidad de cómputo efectiva que puede dar servicio a la demanda real durante mucho tiempo.
La primera fase compara la capacidad de conseguir chips.
La segunda fase compara la capacidad de organización del sistema.
Cuando cambia la unidad de medida, también cambia el mapa de valor de la cadena industrial. Lo que más merece atención a continuación es qué eslabones están limitando el funcionamiento de los chips y qué capacidades pueden reducir la espera, controlar las pérdidas y convertir la costosa inversión en hardware en producción real.
Si seguimos bajando por esta cadena, lo que primero se amplifica suele ser la red.
Cuantas más GPU hay, más imposible resulta ignorar la eficiencia de conexión.
El próximo artículo tratará sobre las redes de IA. El módulo óptico es solo la entrada; la eficiencia de conexión se está convirtiendo en la capa de eficiencia productiva de la fábrica de IA.