La muerte de la computación tal como la conocemos: esta fue la predicción de la CEO de AMD que hoy es realidad

La computación, tal como la conocemos, está muerta. Es decir, el modelo “tradicional”, centrado en una CPU que concentra la mayor parte del trabajo, dejó de ser suficiente para sostener el rendimiento que hoy exige la industria. Al menos eso vaticinó Lisa Su, CEO de AMD.

“La era de la computación tradicional está muerta”, dijo la ejecutiva en 2013, durante una presentación en la International Solid-State Circuits Conference (ISSCC). Su advirtió que sostener el aumento de potencia solo con CPUs empezaba a chocar contra límites prácticos.

Su diagnóstico apuntaba a un cuello de botella: seguir escalando rendimiento no sería viable si el procesador central continuaba cargando con todo el trabajo.

La salida, explicó entonces, era la “computación heterogénea”: un diseño en el que CPU, GPU y aceleradores especializados se reparten tareas según aquello para lo que fueron optimizados.

La entonces vicepresidenta sénior y directora general de unidades de negocio globales de AMD explicó que la idea no era sumar chips por sumar, sino distribuir cargas de forma eficiente y coordinar el sistema con memoria compartida, para que los distintos motores de cómputo trabajen en conjunto y reduzcan fricciones internas.

Esa arquitectura, que en 2013 era una proyección, hoy define el corazón de la carrera por la infraestructura de IA.

Este enfoque se refleja en plataformas como la familia Instinct MI400 de AMD y en la Vera Rubin de Nvidia, concebidas como “superchips” pensados para sostener el despliegue de modelos y servicios a gran escala.

En concecuencia, en los centros de datos como en dispositivos de consumo: GPUs, NPUs y aceleradores ya no son periféricos, sino piezas centrales de un sistema diseñado para cooperar.

Qué planteó Lisa Su: explicado de una forma más sencilla

Lisa Su planteó, de forma sencilla, esto:

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 inteligencia artificial, gráficos y procesamiento masivo de datos) son demasiado pesadas o no conviene que las haga esa “persona” sola. Entonces, la solución es trabajar en equipo: la CPU hace una parte, la GPU hace otra (la que puede hacer 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.

Cuál es el rol de la CPU, GPU y chips especializados en la computación

El CPU, GPU y 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 el 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 NPUs u otros aceleradores— están optimizados para funciones concretas. Su objetivo es hacer una tarea específica con 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.