🇰🇷 한국어 🇺🇸 English 🇯🇵 日本語 🇪🇸 Español 🇨🇳 简体中文
Fecha de publicación: 2026.11.22 (dom)
Economía

El diseño de memoria será clave para el avance de la Physical AI

La transición hacia la era de la Physical AI, donde la inteligencia artificial interactúa con el mundo real a través de robots y vehículos autónomos, desplaza el enfoque competitivo desde la capacidad de cómputo hacia el diseño centrado en la memoria.

El diseño de memoria será clave para el avance de la Physical AI
Imagen gráfica que incluye un chip de semiconductores y texto sobre el ecosistema de la IA. (Foto=SK hynix)

La transición hacia la Physical AI exige un diseño centrado en la memoria para optimizar el movimiento de datos en robots y vehículos autónomos. Ante las limitaciones de energía y espacio en dispositivos móviles, tecnologías como HBM, PIM y la nueva HBF buscan reducir la latencia y el consumo energético.

La inteligencia artificial (AI) está entrando en la era de la "Physical AI", donde deja los enormes centros de datos para interactuar con el mundo real a través de robots, vehículos autónomos y gafas inteligentes. Dado que la IA debe juzgar y moverse en tiempo real en entornos físicos, el desafío central ha pasado de la competencia centrada en la capacidad de cómputo hacia un "diseño centrado en la memoria" que determine cómo se almacenan y mueven los datos de manera eficiente.

El profesor Nam Sung Kim, de la Universidad de Illinois en Urbana-Champaign (UIUC), analiza que, a medida que la IA se expande al mundo real, las limitaciones físicas como el consumo de energía, la generación de calor, la Latency y el tamaño del producto se convierten en variables críticas que determinan el rendimiento. A diferencia de los centros de datos, los entornos de borde (Edge) o móviles tienen capacidades de batería y espacio limitados, por lo que es esencial una innovación estructural que reduzca la distancia entre los dispositivos de cómputo y la memoria, minimizando el movimiento de datos.

Límites físicos de la IA fuera de los centros de datos y evolución de los algoritmos

Hasta ahora, la IA de alto rendimiento estaba optimizada para entornos de centros de datos con clústeres de GPU a gran escala y un consumo masivo de energía. Sin embargo, el escenario de la IA en el dispositivo (On-device AI), como en smartphones o dispositivos portátiles, es distinto. Cuanto más pequeño es el dispositivo, menor es la energía disponible y más reducido es el espacio para gestionar el calor generado. Especialmente en tareas sensibles a la latencia, como el movimiento de un robot o las decisiones de conducción de un vehículo, se requiere una característica de "baja latencia" que permita procesar los datos inmediatamente cerca del lugar de origen en lugar de enviarlos a servidores externos.

Para superar estas limitaciones, los algoritmos de IA también están cambiando. Ejemplos representativos son la técnica de "cuantización" (Quantization), que reduce el tamaño del modelo para aliviar la carga de memoria, y "TurboQuant", que disminuye el uso de memoria durante el proceso de inferencia. Además, han surgido arquitecturas que utilizan la consulta de memoria en lugar de cálculos repetitivos para reducir la carga de cómputo, como el método "Engram", que almacena información de uso frecuente en la memoria para recuperarla cuando sea necesario. Esto demuestra que la evolución de los algoritmos depende, en última instancia, de la capacidad de suministro de datos y la capacidad de la memoria.

Desde HBM hasta HBF: diseño integrado de la jerarquía de memoria

Para implementar el rendimiento de la Physical AI, se debe construir una "arquitectura centrada en la memoria" que optimice la ubicación y la ruta de movimiento de los datos. Para ello, diversas tecnologías de memoria se despliegan jerárquicamente según su función. En primer lugar, la High Bandwidth Memory (HBM) personalizada y la DRAM de apilamiento 3D actúan colocando la memoria lo más cerca posible del dispositivo de cómputo para ampliar los canales de datos y reducir la latencia. Si se añade la tecnología PIM (Processing-in-Memory), que realiza parte de los cálculos dentro de la propia memoria, se puede reducir drásticamente el consumo de energía derivado del movimiento de datos.

El papel de la capa de almacenamiento, responsable de guardar y suministrar datos, también está cobrando importancia. Los datos de los sensores de un robot o los mapas de conducción autónoma se guardan en SSD de gran capacidad; recientemente, se está debatiendo el uso de HBF (High Bandwidth Flash), una tecnología de memoria de próxima generación que combina la gran capacidad de la NAND con una alta velocidad de transferencia para cerrar la brecha entre la HBM y el SSD. Asimismo, la tecnología CXL (Compute Express Link) proporciona la base para expandir los recursos de memoria de forma flexible al conectar procesadores con diversos dispositivos de memoria a alta velocidad.

La "solución de pila completa" a nivel de sistema determinará el rendimiento de la IA

En última instancia, el factor decisivo en la era de la Physical AI no es el rendimiento de productos de memoria individuales, sino cómo se combina toda la jerarquía de memoria según la carga de trabajo y las características del dispositivo. Esto se debe a que las especificaciones de memoria requeridas para la IA de aprendizaje a gran escala son completamente diferentes a las de la IA en el dispositivo, que prioriza el bajo consumo y la baja latencia.

Para responder a este cambio, SK hynix aspira a ofrecer una "solución de memoria de IA de pila completa" que integre HBM, PIM, CXL, SSD y HBF desde una perspectiva de sistema. La estrategia consiste en fortalecer su papel como "socio de arquitectura" (Architecture Partner), diseñando combinaciones de memoria optimizadas para la arquitectura y la carga de trabajo del cliente, más allá de ser un simple fabricante que suministra componentes de memoria. A medida que la IA se expande al mundo real, se espera que la memoria funcione como un eje de diseño fundamental que determine la velocidad de respuesta y la eficiencia del sistema, más allá de ser un simple dispositivo de almacenamiento.

Fuente: news.skhynix.co.kr

#Physical AI #SK hynix #High Bandwidth Memory #PIM #CXL #diseño de memoria
L
Lim Sangwoo
TrendBiz · Redactor

Cubre Economía para TrendBiz y también escribe sobre Noticias Empresariales y Finanzas.

Más de este periodista ›
Derechos de autor ⓒ TrendBiz Todos los derechos reservados. Prohibida la reproducción, redistribución y uso para entrenamiento de IA.

0Comentarios

Los comentarios están desactivados por ahora.

Sé el primero en comentar.