Un centro de datos es un edificio equipado para operar ordenadores permanentemente. La inteligencia artificial moviliza procesadores, memoria y redes rápidas, tanto para aprender como para responder a los usuarios. Detrás de una conversación en un teléfono, necesitamos alimentar estas máquinas, mover datos y evacuar el calor. Esto es lo que realmente sucede entre una pregunta y su respuesta.
Cuando un usuario pide una AI para resumir un documento, su teléfono puede servir principalmente como pantalla y punto de acceso. En un servicio remoto alojado, la solicitud se une a los servidores. Ellos ejecutan el modelo, luego devuelven el resultado. Estos servidores están ubicados en uno o más centros de datos, generalmente denominados « datacenter ».
El edificio cuenta tanto como las computadoras que alberga. Un potente chip se vuelve inutilizable si carece de energía, sobrecalentamiento o espera información sobre una red saturada. Por lo tanto, la capacidad real de un centro de datos depende de toda la cadena. La acumulación de aceleradores costosos no es suficiente para producir un servicio rápido y fiable.
Un centro de datos reúne cálculo, almacenamiento y red
Dentro, los servidores a menudo toman la forma de recintos apilados en armarios llamados bahías, o racks. Cada máquina combina procesadores, interfaces de memoria y red. Algunas aplicaciones de ejecución, otras administran bases de datos o guardan archivos. El equipo de almacenamiento mantiene documentos, imágenes, software y copias de seguridad.
Los interruptores y routers circulan información entre estas máquinas y hacia fuera. Las fibras ópticas conectan el centro a las redes de operadores. En una aplicación de comercio en línea, varios servidores pueden intervenir para mostrar un catálogo, identificar al cliente y registrar un pedido. El centro de datos existía mucho antes de los asistentes de conversación.
Un centro puede pertenecer a una empresa que lo utiliza para sus propias necesidades. En la ubicación conjunta, un proveedor proporciona espacio, potencia, refrigeración y conectividad; el cliente instala su equipo allí. Con la nube, el usuario alquila recursos informáticos o un servicio, sin elegir cada máquina. Por lo tanto, el « cloud » se basa en instalaciones físicas, operadas y mantenidas en algún lugar.
Por qué IIA utiliza GPU
El procesador central, o CPU, sigue siendo necesario para impulsar programas y muchas operaciones generales. Pero las redes neuronales hacen cálculos masivos en tablas de números. Las GPU, originalmente desarrolladas para gráficos, pueden realizar un gran número de operaciones en paralelo. Son especialmente adecuados para estos tratamientos repetitivos. Otros aceleradores especializados, como las TPU de Google, también realizan esta función.
Esta especialización cambia el diseño de las habitaciones. Nvidia describe, por ejemplo, su sistema GB200 NVL72 como una bahía de 72 GPU Blackwell y 36 CPU Grace. Los componentes se comunican a través de una interconexión rápida, y el ensamblaje utiliza el enfriamiento líquido. Este producto ilustra el nivel de integración alcanzado por algunos de los equipos de IA. No representa todos los centros de datos, muchos de los cuales todavía albergan servidores tradicionales.
La memoria es otra limitación. Los parámetros del modelo, estos números ajustados durante el aprendizaje, deben estar disponibles para el cálculo. También deben mantenerse los resultados intermedios. Un modelo puede exceder la capacidad de memoria de un solo acelerador: el trabajo se distribuye en varias fichas. El flujo del comercio se vuelve tan importante como el poder de cada uno.
Formación de un modelo: máquinas de trabajo juntas
La capacitación crea capacidades modelo de datos. Para un modelo de lenguaje, una tarea clásica es predecir la continuación de un texto. El sistema produce una estimación, mide su error y luego ajusta sus parámetros. Él repite este proceso en muchos ejemplos. Por lo tanto, el aprendizaje implica cálculos, pero también lectura y preparación de datos.
Para acelerar el trabajo, varias máquinas pueden procesar diferentes porciones de un conjunto de datos. Luego deben compartir la información necesaria para actualizar el modelo. Otro método distribuye directamente un modelo demasiado grande entre varios aceleradores. Estos enfoques pueden combinarse. Las herramientas de cálculo distribuidas, incluyendo PyTorch, organizan esta cooperación y sincronización de resultados.
Por lo tanto, la red interna no sólo se utiliza para recibir preguntas del público. Permite a las máquinas construir el modelo juntos. Si pasan demasiado tiempo esperando a sus vecinos, algunos de los equipos siguen subutilizados. El almacenamiento también debe mantener el ritmo: las GPU sin datos no funcionan más porque son más recientes.
El operador mantiene regularmente estados intermedios de formación. Estas copias de seguridad le permiten reanudar después de un desglose sin repetir todo el cálculo. También debe comprobar la calidad del modelo: una infraestructura más grande aumenta los medios disponibles, pero no garantiza buenos datos o respuestas justas.
Inferencia, el trabajo realizado en cada uso
Una vez entrenada, se puede utilizar el modelo: esta fase se llama inferencia. Reconociendo un objeto sobre una imagen, transcribiendo una frase o escribiendo una respuesta son ejemplos de inferencia. El uso ordinario de un modelo no cambia automáticamente sus parámetros. Una posible explotación futura de los intercambios para una nueva formación es un proceso y reglas de servicio separados.
Para un asistente de texto, la solicitud se convierte en unidades llamadas fichas. Una ficha puede corresponder a una palabra, un fragmento de palabra o un signo. El modelo procesa el contexto y calcula gradualmente la respuesta. En los modelos de lenguaje autoregresivo, las fichas ya producidas se utilizan para determinar lo siguiente. Por lo tanto, una respuesta larga requiere más pasos que una respuesta corta, todas las demás cosas siendo iguales.
El software mantiene algunas representaciones intermedias en un caché para evitar repetir los mismos cálculos. Esta ganancia de velocidad utiliza memoria. A medida que aumenta el contexto y el número de conversaciones simultáneas, este recurso cuenta. Los operadores también reservan solicitudes para ocupar mejor los aceleradores, al tiempo que limitan las expectativas de cada usuario.
El entrenamiento es una operación centrada en la construcción de un modelo. La inferencia se repite para cada uso. Una solicitud individual moviliza mucho menos cálculo que la capacitación completa, pero millones de solicitudes son una actividad permanente. Un servicio ampliamente utilizado debe tener capacidad para los picos, no sólo para un promedio diario.
Una respuesta no es necesariamente una búsqueda de Internet
Una plantilla puede generar texto desde sus parámetros y el contexto proporcionado, sin consultar la Web. Cuando un asistente busca información reciente, se utilizan otros componentes: buscador, bases documentales, herramientas de recuperación y programas de verificación. Los documentos obtenidos se remiten al modelo en su contexto. Este mecanismo no significa que todo el sistema se vuelva a entrenar inmediatamente.
El camino de una aplicación puede combinar varios pasos: comprobar los derechos de acceso, encontrar un documento, ejecutar el modelo y guardar el resultado. Estas operaciones no tienen lugar necesariamente en la misma máquina o en el mismo edificio. Un fallo puede afectar a uno de estos pasos sin que se detenga a todos los servidores.
También hay una AI local, ejecutada en un equipo informático, telefónico o industrial. Puede funcionar sin enviar cada dato a un centro remoto, dependiendo de la aplicación. El tamaño del modelo, la memoria disponible y el tiempo de respuesta buscado determinan la elección. Por lo tanto, los grandes centros de datos no son indispensables para todos los usos de la IA, pero permiten compartir un poder considerable.
La electricidad se convierte en una condición operativa
El equipo recibe energía a través de transformadores, paneles eléctricos y sistemas de distribución. Los inversores aseguran la continuidad durante ciertas perturbaciones. Los dispositivos de emergencia se apoderan según la arquitectura del sitio. El enfriamiento también debe permanecer operativo: mantener los servidores alimentados sin quitar su calor no es suficiente.
En su informe de 2026, el Organismo Internacional de Energía estima el consumo mundial de electricidad de los centros de datos en 2025 a 485 horas de terawatt. Se proyectan alrededor de 950 horas de terawat en 2030, alrededor del 3% de la demanda global de electricidad. La segunda figura es una proyección, no un consumo ya observado. El primero abarca todos los centros de datos, no sólo AI.
También es necesario distinguir el poder y la energía. Un proyecto anunciado en 100 megavatios describe una capacidad o necesidad de energía, cuyo perímetro debe ser especificado. Para fines de cálculo, una carga constante de 100 megavatios durante 24 horas consumiría 2.400 megavatios horas. Esto no prueba que un sitio anunciado a este tamaño ya funciona, ni utiliza toda su capacidad permanentemente.
Chips frescos sin confuso circuito y consumo de agua
La mayor parte de la electricidad consumida por el equipo informático termina en calor. Las instalaciones deben transferirlo al exterior. En un sistema de aire, los ventiladores circulan aire alrededor de los servidores. El diseño separa flujos fríos y calientes para evitar el enfriamiento innecesario de una mezcla de los dos.
Con chips muy densos, un líquido puede capturar el calor cerca de componentes a través de placas de refrigeración. Este calor se une a los intercambiadores y el sistema de construcción. « enfriamiento líquido » no significa que el agua sea liberada sistemáticamente después de cada paso. El circuito interno puede funcionar en un bucle cerrado, mientras que el dispositivo externo utiliza evaporación o no.
Las torres evaporativas consumen agua para disipar el calor. Otros sistemas se centran en las limitaciones de aire, clima y equipo externos. Para comparar dos proyectos, es necesario examinar su consumo real de agua, su fuente de suministro y la temporada. El único número de GPU no calcula este impacto.
Lo que la UE mide y lo que deja atrás
Un indicador común, el EUP, informa de la energía total consumida por el centro al de su equipo informático. Un PUE de 1.2 significa que, por cada 100 unidades de energía utilizadas por estos equipos, el sitio consume un total de 120. Las 20 unidades adicionales incluyen refrigeración y pérdidas eléctricas. Este es un ejemplo de cálculo, no un promedio universal.
La EUP mide la eficacia de la infraestructura de apoyo. No dice si los servidores realizan trabajos útiles, si el modelo es eficiente o si la electricidad es baja en carbono. Un centro eficaz puede consumir más en total si aumenta significativamente su actividad. Para juzgar un servicio de IA, también debe mirar el trabajo producido, el material utilizado y la fuente de la corriente.
El coste depende del uso, no sólo del edificio
El propietario financia terreno, edificio, conexiones, equipo eléctrico y maquinaria. Para la operación añadir energía, red, mantenimiento y equipos. El equipo especializado representa capital capital y debe utilizarse lo suficiente para hacer viable el servicio económicamente. La velocidad de ejecución no resuelve este problema solo.
Para el cliente, la factura puede cubrir un período de alquiler de máquinas, un volumen de almacenamiento o el uso de una API. En este último caso, un proveedor puede cobrar fichas y productos procesados. Esta tarifa comercial no proporciona directamente el consumo de electricidad de la demanda. El modelo elegido, la longitud del contexto, las herramientas solicitadas y los cálculos adicionales varían el trabajo real.
Esto aumenta la necesidad de cálculo, pero principalmente requiere que los operadores coordinen varios recursos. Una nueva habitación no entra en servicio simplemente porque sus servidores han sido entregados. Las pruebas de conexión eléctrica, red, refrigeración y operación deben estar listas al mismo tiempo.
Comentarios