De la “potencia de cálculo” a la “capacidad de almacenamiento”: ¿Quién está siendo el obstáculo en la segunda mitad del camino del hardware de IA?
Hola a todos, soy vuestro periodista financiero y economista.
Recientemente, si habéis estado atentos al mundo de la tecnología o a la bolsa, quizás hayáis notado un fenómeno interesante: antes, cuando se hablaba de IA, todos miraban hacia las GPU (tarjetas gráficas) de Nvidia, considerándolas el “cerebro”, el núcleo de todo. Pero en la segunda mitad de 2025, la tendencia ha cambiado. Los dispositivos de almacenamiento, como la memoria RAM (DRAM), la memoria flash (NAND) y los discos duros, que antes eran considerados secundarios, de repente se han convertido en los protagonistas.
¿Por qué? Porque la capacidad de almacenamiento se ha convertido en el nuevo cuello de botella.
En pocas palabras, antes el problema era que no se calculaba lo suficientemente rápido; ahora, el problema es que no se puede almacenar ni leer lo suficiente. Es como un chef superdotado (la GPU): por más rápido que sea, si la velocidad a la que se sacan los ingredientes (los datos) del frigorífico (la memoria) no es suficiente, el chef no puede hacer nada.
Hoy, vamos a desglosar este informe detallado sobre el HBM (memoria de alta anchura de banda) en lenguaje sencillo, para entender qué es realmente esta revolución en la capacidad de almacenamiento y qué oportunidades comerciales y de inversión esconde.
---
1. ¿Por qué la IA consume tanta memoria de repente?
Muchas personas tienen la idea errónea de que la IA se trata solo de hacer cálculos y que no tiene nada que ver con el almacenamiento. Están completamente equivocadas. La demanda de memoria por parte de la IA no crece linealmente, sino que explota exponencialmente. Esto se debe principalmente a tres factores:
1. Los modelos se han vuelto más complejos (almacenamiento de parámetros)
Puedes imaginar un modelo de IA grande como un diccionario extremadamente complejo. Antes, ese diccionario tenía solo unos millones de entradas; ahora, tiene billones.
- Ejemplo: Desde la primera generación de Qwen hasta la última, Qwen3.8 Max, la cantidad de parámetros ha aumentado más de 30 veces.
- Consecuencia: Solo para almacenar este “diccionario” se necesita de 135GB a 2300GB (aproximadamente 2.3TB) de memoria. Y eso sin ni siquiera empezar a trabajar.
2. La memoria de conversación se ha vuelto más extensa (caché KV)
Este es el aspecto más fácil de ignorar, pero el que consume más memoria. Cuanto más hablas con la IA, más “contexto” necesita recordar.
- Metáfora: Es como hablar con un amigo: si habláis durante 100 páginas, él tiene que recordar todo ese contenido para poder continuar la conversación.
- Actualidad: Aunque la tecnología software ha mejorado y puede comprimir la memoria, los modelos de IA pueden manejar contextos de cientos de miles o incluso millones de palabras.
- Efecto acumulativo: Si 32 personas están conversando al mismo tiempo con la IA, solo la memoria de conversación necesaria ya representa 1.3TB. Sumado a los 2.3TB del modelo en sí, un solo instante de IA consume 3.6TB de memoria.
3. Las tareas adicionales de los agentes inteligentes (AI)
La IA no solo responde a preguntas; también puede escribir código, trabajar con Excel o enviar correos electrónicos. Los archivos temporales, los registros y los datos intermedios generados por estas acciones, aunque no requieran el nivel más avanzado de HBM, consumen mucho espacio en la memoria y la memoria flash.
En resumen: Antes, lo importante era calcular rápido; ahora, lo igual de importante, si no es que se pueda almacenar y leer lo suficientemente rápido.
---
2. ¿Por qué el HBM se ha convertido en el favorito? ¿No sirve la memoria común?
Siendo la memoria tan importante, ¿por qué no se utiliza la memoria DDR5 que tenemos en nuestros ordenadores en lugar del costoso HBM (memoria de alta anchura de banda)?
Aquí entran en juego dos indicadores clave: capacidad y velocidad.
1. **Límites físicos de la memoria común**
- Dificultades en la fabricación: Es difícil mejorar los procesos de fabricación de chips de memoria hasta los 2nm o 3nm como se hace con los CPU. Las leyes físicas impiden que los chips de memoria sean demasiado pequeños, lo que provoca errores en los datos. El proceso actual se ha estancado en los 11-12nm, y en los próximos años probablemente llegue a los 10nm.
- Espacio limitado: Como no se pueden hacer chips más grandes, se intenta colocar más de ellos. Pero el espacio alrededor del chip de la GPU es muy valioso, no como en una placa base común.
2. **La ingeniería revolucionaria del HBM**: el “estacionamiento en altura”
Lo ingenioso del HBM es que no compite por el espacio en el plano con el CPU/GPU, sino que se apila verticalmente.
- Apilamiento vertical: Imagina una memoria común dispuesta en una casa a nivel del suelo; el HBM es como un “estacionamiento en altura” construido al lado del GPU. Coloca 12 o incluso 16 capas de chips de memoria una encima de la otra.
- Vías de silicio (TSV): Para conectar estas capas, los ingenieros hacen innumerables orificios verticales en los chips y los llenan de cobre para que la señal pueda transmitirse directamente de arriba abajo.
- Resultado: En el mismo área, el HBM puede almacenar varias veces más datos que la memoria común.
3. **Por qué es más rápido**:
- Anchura de bits mayor: La memoria común transmite 32 bits de datos a la vez, mientras que el HBM puede transmitir 1024 o incluso 2048 bits. Es como si una carretera común tuviera un solo carril, mientras que el HBM tuviera 1000.
- Distancia reducida: El HBM está directamente “pegado” al chip de la GPU (mediante un encapsulado de silicio intermedio). Los datos no tienen que recorrer largas distancias, por lo que la latencia es muy baja y la velocidad es extremadamente alta.
En resumen: El HBM es una versión especializada creada para resolver los problemas de espacio y velocidad.
---
3. ¿Por qué es tan difícil y caro fabricar el HBM?
Aunque el HBM es excelente, su fabricación es extremadamente compleja, lo que también explica por qué es varias veces más caro que la memoria DDR5. Hay tres principales desafíos:
1. **Proceso de apilamiento**: Es tan preciso como construir con bloques de construcción.
- Hacer orificios: Es difícil hacer miles de orificios verticales en un delgado chip de silicio de manera precisa, asegurando que no se desvíen y manteniendo la disipación de calor.
- Soldadura: ¿Cómo se unen estos 12 chips?
- SK Hynix utiliza el proceso MR-MUF (soldadura por inyección de metal líquido). Es como colocar todos los bloques de una vez y luego solidificarlos con resina. Ventajas: alta eficiencia, alta tasa de éxito y buena disipación de calor.
- Samsung/Micron utilizan el proceso TC-NCF (presión térmica + película no conductora). Es como presionar y pegar capa por capa. Desventajas: más pasos, mayor riesgo de errores y menor tasa de éxito.
- Competencia: SK Hynix tiene una ventaja en el proceso MR-MUF y, por lo tanto, lidera el mercado del HBM con mayores márgenes de beneficio. Samsung y Micron intentan superar esta barrera con la próxima generación de tecnologías de unión híbrida.
2. **Proceso de encapsulado**: El HBM debe combinarse con el GPU.
- Interfaz de silicio: El HBM no se vende por separado; debe ser encapsulado junto con el chip de la GPU en una placa de silicio especial.
- Precisión extrema: Las líneas en esta placa tienen solo 1 micrómetro de ancho (1/70 del grosor de un cabello), lo que es imposible de fabricar con placas de circuito impreso comunes; se necesita tecnología de semiconductores.
- Capacidad de producción: Este proceso depende en gran medida de la capacidad de TSMC (Taiwan Semiconductor Manufacturing Company). Es decir, la disponibilidad de HBM también depende de cuántos slots de encapsulado le proporcione TSMC.
3. **Capa base**: De “universal” a “personalizada”
- Antes: La capa base del HBM era simple y la fabricante de memoria la podía hacer por sí misma.
- Ahora (HBM4): La capa base es mucho más compleja y requiere procesos de 12nm o más avanzados; las fabricantes de memoria no pueden hacerla por sí mismas y necesitan que TSMC la produzca por encargo.
- Cambio importante: Los clientes clave como Nvidia y AMD personalizan el diseño de la capa base según sus necesidades.
- Por ejemplo, el NVHBM de Nvidia aumenta la anchura de banda un 30% y reduce el consumo de energía un 15%.
- Esto significa que el HBM ya no es un producto estándar, sino un componente semipersonalizado.
---
4. Gran cambio en la cadena de suministro: las fabricantes de memoria ya no dominan
Esta revolución del HBM ha cambiado completamente la estructura de poder en la industria de la memoria.
1. **Menor independencia de las fabricantes de memoria**
Antes, las fabricantes de memoria (como Samsung, SK Hynix y Micron) tenían el control total, desde el diseño hasta la producción.
Ahora, la cadena de producción del HBM es la siguiente:
- Fabricantes de memoria: se encargan de fabricar los chips de memoria y su apilamiento.
- TSMC: fabrica la capa base y el encapsulado final (CoWoS).
- Clientes finales (como Nvidia): participan en el diseño de la capa base y determinan los especificaciones.
Consecuencia: El poder de las fabricantes de memoria se ha reducido. Si Nvidia cambia de proveedor o TSMC no tiene suficiente capacidad de producción, incluso las empresas más destacadas no pueden enviar productos.
2. **Riqueza compartida o transferencia de valor**:
- A corto plazo: Debido al aumento de la demanda de IA, todos ganan mucho dinero: las acciones de SK Hynix y Micron han aumentado diez veces en los últimos seis meses.
- A largo plazo: A medida que la personalización se profundice, las fabricantes de memoria podrían convertirse en simples fabricantes de componentes, y el valor central se desplazará hacia los proveedores de tecnología (como TSMC) y los clientes que definen los estándares (como Nvidia). Los márgenes de beneficio de las fabricantes de memoria podrían verse reducidos.
3. **Cambio en la lógica de inversión**:
- Antes: Al comprar acciones de memoria, se miraba el ciclo (aumento/disminución de precios).
- Ahora: Se analiza la barrara tecnológica (¿quién tiene la mejor tecnología de apilamiento? ¿Quién tiene una relación más estrecha con Nvidia?) y la cooperación en la producción (¿quién puede obtener slots de encapsulado de TSMC?).
- SK Hynix: Con su ventaja en el proceso MR-MUF y su estrecha relación con Nvidia, es el mayor beneficiario actualmente.
- Samsung/Micron: Están intentando alcanzar el nivel de SK Hynix, pero enfrentan desafíos en términos de tecnología y patentes.
- TSMC: Como proveedor de encapsulado y capa base, su posición es muy sólida y es un eslabón clave en la cadena de suministro del HBM.
---
5. ¿Cuál es el próximo paso para el HBM?
El artículo menciona varias tendencias importantes:
1. Aumento en el número de capas: De 12 a 16 capas, e incluso más. Esto aumentará aún más la capacidad, pero también elevará la complejidad y el costo.
2. Personalización como tendencia: El HBM se convertirá cada vez más en algo similar a un chip en lugar de una simple memoria.
- Diferentes clientes (Nvidia, AMD, Huawei, etc.) tendrán versiones personalizadas del HBM.
3. Juego entre costo y rendimiento: El precio elevado del HBM limita la difusión de la IA. En el futuro, se buscará un equilibrio entre el HBM y la más económica memoria DDR5, o se intentará reducir los costos mediante mejoras tecnológicas (como la unión híbrida).
4. Oportunidades para la memoria flash NAND (discos duros): Aunque el artículo se centra en el HBM, también se menciona que los precios de la memoria flash NAND están aumentando drásticamente. Con el aumento de los datos de IA, la memoria flash NAND (como los SSD de nivel empresarial) también experimentará una gran demanda.
Conclusión
En la segunda mitad de 2025, lo que estamos presenciando no es solo un aumento en los precios de la memoria, sino una reestructuración fundamental en la arquitectura del hardware de IA.
La “potencia de cálculo” es el motor; la “capacidad de almacenamiento” es el tanque de combustible y las tuberías de suministro. Cuando el motor es cada vez más potente, si las tuberías no son lo suficientemente gruesas o rápidas, todo el sistema se detiene. El HBM es esa tubería crucial y costosa.
Para inversores y profesionales, entender los desafíos tecnológicos y la división del trabajo en la cadena de suministro es más importante que simplemente observar las fluctuaciones de precios. Porque en este juego, quien domine los procesos más complejos y cuente con los clientes más importantes (como Nvidia) tendrá el control del futuro.
Este ciclo de mejora en la capacidad de almacenamiento acaba de empezar.