La IA eleva la interconexión sin restar importancia a capacidad y energía

Las cargas de IA hacen que la red forme parte de la capacidad útil, pero el multi-sitio depende de carga, distancia, rutas, energía y coste total.

• IOWN Global Forum y DE-CIX sostuvieron que la IA dará más peso a sitios distribuidos e interconexión de baja latencia. Son propuestas de organizaciones que promueven redes ópticas y servicios de intercambio, no prueba de que la capacidad haya dejado de importar.
• El rendimiento depende de redes distintas: enlaces de aceleradores, fabric del centro, transporte entre centros y rutas hacia usuarios. Ancho de banda, congestión, diversidad, electricidad y cómputo deben medirse juntos.

El hecho reportado fueron dos argumentos industriales

El reporte de IT Brief del 25 de marzo nombró a los actores que la versión anterior omitió. Masahisa Kawashima, de NTT e IOWN Global Forum, propuso repartir cómputo entre sitios menores conectados con redes ópticas de gran ancho de banda y baja latencia, ajustados a energía regional. Ivo Ivanov, director de DE-CIX, diferenció el entrenamiento concentrado de ciertas inferencias sensibles a latencia próximas al usuario.

Son tesis para examinar, no hechos de mercado automáticos. IOWN desarrolla arquitecturas fotónicas; DE-CIX vende interconexión. Sus declaraciones explican una propuesta técnica y comercial. No demuestran que todo entrenamiento se distribuya geográficamente, que toda inferencia deba ir al borde ni que una red convierta capacidad distante en un solo clúster sin penalización.

“Conectividad” cubre varios controles diferentes

Dentro de un sistema, enlaces scale-up unen procesadores y memoria. En el centro, el fabric scale-out transporta operaciones colectivas, lecturas, checkpoints y solicitudes entre racks. Entre centros, el DCI lleva replicación o trabajos distribuidos por trayectos mayores. Más allá, peering y tránsito enrutan solicitudes entre usuarios, nubes y aplicaciones. Una alta velocidad de línea en una capa no compensa congestión, sobresuscripción o caída en otra.

La experiencia de producción de Meta muestra la dificultad interna: fabric RoCE especializado, diseño sin bloqueo, planificación consciente de topología, balanceo y enrutamiento fueron necesarios. El trabajo Jupiter 2025 de Google también trata tráfico de aprendizaje junto con diversas cargas. Son implementaciones de dos hiperescaladores, no receta universal.

La especificación Ultra Ethernet 1.0 aporta otra señal. Su trabajo sobre congestión, múltiples caminos, orden y retransmisión muestra que puertos más rápidos no bastan. Es un hito de especificación y ecosistema; no prueba despliegue, interoperabilidad ni rendimiento en una instalación concreta.

Capacidad son caminos utilizables, no velocidad anunciada

En entrenamiento síncrono, un camino lento o congestionado deja aceleradores esperando operaciones colectivas. Importan ancho de banda de bisección, sobresuscripción, utilización, pérdidas, retransmisiones y tiempo de finalización de cola, no solo 400 u 800 gigabits por segundo en un puerto. La inferencia produce muchas solicitudes cortas, pero la sensibilidad varía: control interactivo puede beneficiarse de proximidad; lotes pueden priorizar utilización central y coste.

El enrutamiento decide cómo se usa la capacidad. El RFC 7938 documenta BGP, topologías Clos y ECMP en grandes centros, con convergencia y fallos. ECMP distribuye flujos por caminos disponibles; por sí solo no elimina colisiones, puntos calientes o recuperación lenta. Se necesitan telemetría, control de congestión, ingeniería y pruebas de fallo.

La distancia sigue condicionando la carga

IOWN publicó una prueba de concepto que separó almacenamiento y GPU sobre 40 kilómetros de enlace fotónico para entrenamiento médico UNet3D. Es evidencia concreta para una carga definida. No es un benchmark de todos los modelos, colectivos, distancias y fallos, ni elimina la propagación.

El diseño entre sitios añade rutas ópticas, routers, protección, almacenamiento distribuido, planificación y coordinación operativa. Puede mejorar acceso a suelo, energía o resiliencia, pero añade dominios de fallo y soberanía. Debe compararse coste y rendimiento completos con una alternativa concentrada, no con un “fabric unificado” ideal.

Energía y ubicación de red están acopladas

La tesis de red responde en parte a la escasez de electricidad. En su caso base, la IEA proyecta unos 945 TWh de consumo mundial de centros en 2030, poco menos del 3% del total. También señala que servidores acelerados impulsan gran parte del aumento y que el sistema eléctrico suele tardar más en planearse y construirse que un centro. Son proyecciones con sensibilidades, no demanda garantizada.

Mover una carga solo ayuda si hay electricidad, conexión a red, refrigeración, fibra y cómputo disponibles en otro sitio y momento. Renovables, entrenamiento, inferencia y red tienen calendarios distintos. Distribuir puede aliviar un lugar y exigir equipo duplicado y más transporte.

Qué demostraría un cambio real

La evidencia debe unir afirmación y despliegue: cargas multi-sitio identificadas, tiempo de trabajo y latencia de cola, uso de DCI, convergencia, pérdida, coste por trabajo, fuente y recorte de energía, espera de conexión, disponibilidad y adopción. El crecimiento de capacidad de un intercambio es relevante, pero no atribuye tráfico a IA sin datos.

La conclusión defendible es que la conectividad forma parte de la capacidad de cómputo utilizable. No sustituye megavatios, aceleradores, almacenamiento o fabric local. Entrenamiento, inferencia y replicación exigen ubicaciones distintas; gana el diseño ajustado a medidas y límites regionales, no un giro universal de “escala” a “conectividad”.