Anthropic y OpenAI buscan pequeños centros de datos de IA para acelerar el despliegue de 20 a 30 MW de capacidad de cómputo

TradingKey - Anthropic y OpenAI están buscando pequeños centros de datos con capacidades de entre 20 y 30 megavatios al margen de los grandes proyectos de infraestructura de IA con el fin de obtener capacidad de cómputo disponible más rápido y satisfacer la creciente demanda de inferencia de modelos.

Anthropic se ha puesto en contacto con proyectos relevantes en el Reino Unido y la región nórdica, mientras que OpenAI ya había explorado anteriormente oportunidades similares en los países nórdicos; además, ambas empresas también han sopesado capacidades equivalentes en Estados Unidos, según informó CNBC citando a personas familiarizadas con el asunto. En comparación con los acuerdos de cientos de megavatios o incluso a escala de gigavatios firmados por ambas partes durante el último año, estos proyectos son considerablemente más pequeños, pero por lo general se construyen y entregan con mayor rapidez.

OpenAI afirmó que está desarrollando una cartera de cómputo más diversificada para responder a la demanda mundial de IA. Dado que las distintas cargas de trabajo presentan requisitos variables en cuanto a rendimiento, fiabilidad, coste y plazos de entrega, la empresa colabora con múltiples tipos de socios, aunque no hace comentarios sobre negociaciones comerciales específicas.

Anthropic no respondió a las solicitudes de comentarios.

Esto no significa que las dos compañías vayan a abandonar los centros de datos a gran escala (hiperescala), sino más bien que están sumando fuentes de cómputo más flexibles junto a grandes proyectos a largo plazo. Anteriormente, Anthropic alcanzó una alianza de unos 45.000 millones de dólares con el proveedor de la nube británico Nscale para alquilar cerca de 460 megavatios de capacidad en su proyecto de Virginia Occidental. OpenAI también está impulsando varios proyectos de infraestructura a escala de gigavatios a través de Stargate y otros acuerdos de colaboración.

Aunque los megaproyectos resultan idóneos para el entrenamiento centralizado de modelos avanzados, a menudo conllevan dilatados ciclos de conexión a la red eléctrica, concesión de licencias y construcción. Algunos centros de datos en Estados Unidos afrontan la oposición de las comunidades locales, mientras que los mercados europeos tradicionales sufren limitaciones de espacio, energía y capacidad de transmisión. Conseguir decenas de megavatios en instalaciones energizadas ya existentes suele ser más práctico que esperar a que un único campus de gran tamaño esté plenamente operativo.

En el caso de las cargas de trabajo capaces de ejecutarse en distintas regiones, la acumulación de múltiples clústeres pequeños también permite alcanzar una escala de cómputo sustancial. Este planteamiento ayuda además a mitigar el impacto de los retrasos en proyectos individuales, lo que permite a las empresas de IA desplegar determinados servicios antes de que concluya la construcción de las grandes instalaciones.

El desplazamiento del cómputo de IA del entrenamiento hacia la inferencia es otra de las razones por las que los pequeños centros de datos están ganando protagonismo. El entrenamiento de grandes modelos suele requerir un enorme volumen de GPUs trabajando de forma conjunta a gran velocidad dentro de un mismo clúster, lo que exige una elevada densidad de chips y de interconexiones. La inferencia, por su parte, gestiona principalmente las peticiones de los usuarios; muchas tareas pueden dividirse en clústeres más pequeños situados en distintas ubicaciones sin necesidad de concentrar todos los chips en una sola instalación de hiperescala.

A medida que los chatbots, los agentes de IA y las aplicaciones empresariales se incorporan a entornos de producción, la demanda de inferencia se está convirtiendo en un motor clave del crecimiento de los centros de datos. JLL prevé que la capacidad global de los centros de datos destinada a la inferencia de IA superará a la de entrenamiento en 2027; para 2030, la cuota de las cargas de trabajo de inferencia podría elevarse hasta el 37% desde el 9% en 2025, mientras que la proporción correspondiente al entrenamiento caerá al 13% desde el 14% durante el mismo periodo.

Los proyectos más pequeños también se pueden ubicar más cerca de los usuarios y clientes corporativos, lo que contribuye a reducir la latencia de red y a cumplir los requisitos regionales de conformidad normativa de datos. El Reino Unido y la región nórdica no solo cuentan con abundantes recursos de centros de datos ya existentes, sino que también disponen de abundante energía limpia y menores costes de refrigeración, lo que crea condiciones favorables para los despliegues distribuidos de IA.

Por lo tanto, la búsqueda de proyectos de 20 a 30 megavatios por parte de Anthropic y OpenAI representa un complemento a sus estrategias de cómputo actuales en lugar de un recorte en la inversión en infraestructuras. Ambas compañías siguen necesitando grandes clústeres para entrenar modelos frontera, pero a medida que aumenta el tráfico de inferencia, es posible que las futuras infraestructuras de IA dejen de depender por completo de un número reducido de campus a escala de gigavatios.