El Instituto de Investigación en Electrónica y Telecomunicaciones (ETRI), con sede en Corea del Sur, ha creado OmniXtend, una innovadora tecnología de memoria diseñada para romper las barreras de capacidad de las GPU (unidades de procesamiento gráfico) y reducir la lentitud provocada por el traslado de datos. Estos son dos de los mayores desafíos que enfrenta el entrenamiento de inteligencia artificial a gran escala, según lo reportado por el sitio especializado TechXplore.
El desarrollo apunta a una solución concreta para la infraestructura de IA: aumentar la memoria disponible sin necesidad de cambiar servidores completos, transformando recursos que están separados en un único fondo compartido para las tareas más demandantes.
Durante las pruebas realizadas, el sistema evidenció que cuando la memoria resultaba insuficiente, el rendimiento de inferencia de un modelo de lenguaje grande se veía afectado negativamente. Sin embargo, al expandir la memoria mediante Ethernet —una tecnología de red por cable, de bajo costo y ya instalada masivamente en centros de datos alrededor del mundo—, el rendimiento se recuperó en más del doble, alcanzando niveles comparables a los de un entorno tradicional con memoria adecuada.
Este avance surge en un contexto donde la necesidad de modelos de IA de gran escala y de computación de alto rendimiento crece aceleradamente, mientras que el volumen de información a procesar se incrementa de forma exponencial, destacó el portal especializado.
En este panorama persiste el fenómeno denominado “muro de memoria”: aunque la capacidad de cálculo de las GPU mejore, la eficiencia cae de manera notable si la memoria disponible no sigue ese mismo ritmo de crecimiento.
¿Cómo logra OmniXtend unificar la memoria?
La arquitectura presentada por ETRI utiliza Ethernet estándar como tejido de interconexión de memoria, lo que posibilita compartir memoria entre servidores y aceleradores, tratando los recursos dispersos como un gran “pool” unificado. En la práctica, esto desvincula recursos que antes estaban atados localmente al hardware y permite una asignación dinámica y escalable para tareas de IA.
De acuerdo con el portal, esta tendencia gana cada vez más importancia a medida que los modelos de inteligencia artificial aumentan su tamaño y exigen mayores capacidades de memoria.
En este contexto, la arquitectura de memoria compartida, concebida como un gran fondo común de recursos, comienza a perfilarse como una de las tecnologías esenciales para sostener la próxima generación de infraestructura dedicada a la IA.
OmniXtend ha logrado demostrar una arquitectura de memoria compartida escalable basada en ese protocolo, diseñada para combinar alto rendimiento, capacidad de expansión y eficiencia en costos durante el entrenamiento de inteligencia artificial a escala hiperescalar.
Al reducir la latencia en el movimiento de datos, esta tecnología permite agilizar los procesos de entrenamiento y ampliar la memoria disponible sin tener que reemplazar servidores, una ventaja que podría reducir de forma significativa los costos de instalación y operación en los centros de datos.
La diferencia con las arquitecturas tradicionales es uno de los puntos centrales de este desarrollo. Los sistemas basados en interfaces seriales de alta velocidad como PCIe enfrentan limitaciones en distancia de conectividad entre dispositivos y en la escalabilidad del sistema. En cambio, la nueva tecnología aprovecha switches (equipos de red que conectan dispositivos) convencionales para agrupar múltiples dispositivos físicamente dispersos en un único fondo de memoria.
Pruebas realizadas con modelos de lenguaje grande
Para construir el sistema, los especialistas desarrollaron un nodo de expansión de memoria basado en FPGA (chips programables de hardware) y un motor de transferencia de memoria sobre Ethernet, verificando el funcionamiento estable del conjunto.
En una demostración práctica, varios dispositivos conectados mediante ese protocolo formaron un fondo de memoria compartida y accedieron a la memoria de otros equipos en tiempo real.
La validación también incluyó una carga computacional con un modelo de lenguaje grande, con el objetivo de comprobar si la arquitectura aportaba mejoras en un entorno real de entrenamiento de IA. El resultado fue la recuperación del rendimiento en escenarios con memoria insuficiente, una condición que frecuentemente se convierte en cuello de botella en sistemas de gran escala.
La tecnología fue presentada en el RISC-V Summit Europe 2025, realizado en París en mayo de 2025, y también en el RISC-V Summit North America 2025, en Santa Clara, Estados Unidos. Según el portal, esa presentación captó la atención sobre una propuesta orientada a infraestructura de IA y big data.
Próximos pasos y aplicaciones previstas
Además del desarrollo técnico, ETRI lidera el Interconnect Working Group dentro de CHIPS Alliance de la Linux Foundation, donde trabaja en estándares abiertos para redes de IA y expansión de memoria. Esta participación forma parte de la estrategia para fomentar la adopción internacional del sistema.
El instituto planea impulsar la comercialización de la tecnología mediante su transferencia a compañías de hardware y software para centros de datos. Entre sus posibles aplicaciones se incluyen servidores para entrenamiento e inferencia de IA, dispositivos de expansión de memoria y switches de red, dentro del mercado de infraestructura de nueva generación.
La entidad proyecta extender la investigación hacia interconexiones de memoria de gran capacidad para sistemas embebidos de alta fiabilidad, como los de automóviles y barcos, y expandir la arquitectura de memoria compartida a aceleradores heterogéneos como NPU (unidades de procesamiento neuronal), GPU y CPU.
Kim Kang Ho, vicepresidente adjunto de la división de investigación en computación del futuro de ETRI, declaró:
“Planeamos ampliar de manera sustancial la investigación sobre tecnologías de interconexión de memoria centradas en unidades de procesamiento neuronal y aceleradores a través de nuevas iniciativas de proyectos”.
“Seguiremos avanzando en la tecnología y reforzando la colaboración internacional para asegurar su adopción en sistemas de próxima generación de empresas globales de IA y semiconductores”
, concluyó Ho.
Fuente: Infobae