La computación, tal como la conocíamos, ha llegado a su fin. El modelo tradicional, donde una CPU central lo hacía casi todo, ya no da abasto para el rendimiento que la industria exige hoy. Esta fue la predicción que Lisa Su, CEO de AMD, lanzó hace más de diez años y que ahora se materializa.
“La era de la computación tradicional está muerta”, afirmó la ejecutiva en 2013, durante su intervención en la International Solid-State Circuits Conference (ISSCC). En aquel momento, Su advirtió que seguir aumentando la potencia únicamente con CPUs comenzaba a chocar contra límites prácticos. El diagnóstico apuntaba a un claro cuello de botella: escalar el rendimiento no sería viable si el procesador central seguía asumiendo toda la carga de trabajo.
La solución, según explicó entonces, era la “computación heterogénea”: un diseño en el que la CPU, la GPU y los aceleradores especializados se reparten las tareas según aquello para lo que fueron optimizados. En ese momento, la entonces vicepresidenta sénior y directora general de unidades de negocio globales de AMD detalló que la idea no era simplemente sumar chips sin criterio, sino distribuir las cargas de forma eficiente y coordinar el sistema con memoria compartida, para que los distintos motores de cómputo trabajen en conjunto y reduzcan las fricciones internas.
Esa arquitectura, que en 2013 era solo una proyección, hoy define el corazón de la carrera por la infraestructura de inteligencia artificial.
Este enfoque se refleja en plataformas como la familia Instinct MI400 de AMD y en la Vera Rubin de Nvidia, concebidas como “superchips” diseñados para sostener el despliegue de modelos y servicios a gran escala. Como consecuencia, tanto en centros de datos como en dispositivos de consumo, las GPUs, NPUs y aceleradores ya no son periféricos, sino piezas centrales de un sistema pensado para cooperar.
¿Qué planteó Lisa Su? Una explicación sencilla
Lisa Su lo explicó de manera simple: antes, la computadora funcionaba como si una sola persona —la CPU— hiciera casi todo el trabajo. Eso servía cuando las tareas eran más parejas.
Pero hoy, muchas tareas —sobre todo las relacionadas con inteligencia artificial, gráficos y procesamiento masivo de datos— son demasiado pesadas o no conviene que las ejecute esa “persona” sola. Entonces, la solución es trabajar en equipo: la CPU hace una parte, la GPU hace otra —la que puede realizar más rápido— y otros chips especializados se encargan de tareas puntuales. A esa forma de armar las computadoras, con varios tipos de procesadores colaborando, se la llama computación heterogénea.
El rol de la CPU, GPU y chips especializados en la computación actual
La CPU, la GPU y los chips especializados se reparten el trabajo para ejecutar tareas de manera más rápida y eficiente. Cada uno cumple un rol distinto, y entender esa división ayuda a explicar por qué los equipos actuales combinan varios tipos de procesadores en lugar de apoyarse solo en la CPU.
La CPU (unidad central de procesamiento) funciona como el “director” del sistema. Ejecuta instrucciones generales, coordina el funcionamiento del sistema operativo, administra procesos y toma decisiones que requieren flexibilidad.
Está diseñada para resolver muchos tipos de problemas, pero no siempre es la opción más eficiente para tareas repetitivas y masivas.
La GPU (unidad de procesamiento gráfico) nació para generar imágenes, pero se volvió clave porque puede realizar miles de operaciones similares en paralelo. Esa capacidad la hace ideal para cargas como renderizado, simulaciones y entrenamiento o inferencia de modelos de inteligencia artificial, donde se repiten cálculos a gran escala.
Los chips especializados —como las NPUs u otros aceleradores— están optimizados para funciones concretas. Su objetivo es realizar una tarea específica con una mejor relación entre rendimiento y consumo energético que una CPU o una GPU. Pueden acelerar procesos de IA en el dispositivo, mejorar el procesamiento de audio e imagen o encargarse de seguridad y cifrado, según el diseño del sistema.
En conjunto, este esquema permite que cada componente haga lo que mejor sabe hacer: la CPU organiza, la GPU acelera lo paralelo y los chips especializados resuelven tareas puntuales con eficiencia.
Fuente: Infobae