La próxima limitación de la IA no siempre está en el modelo. A veces está en cómo viajan sus datos entre chips.
La carrera por más capacidad de IA está dejando una pista física: el cómputo puede crecer más rápido que la infraestructura que lo alimenta. El 20 de octubre, NTT anunció que NEDO había seleccionado una propuesta conjunta liderada por NTT Innovative Devices para desarrollar tecnologías de fabricación en volumen de chiplets ópticos destinados a la computación de IA y al procesamiento intensivo de datos. El objetivo declarado es multiplicar por más de diez la productividad frente a los procesos actuales de investigación y construir una línea piloto con vistas a su aplicación industrial.
La noticia no anuncia una fábrica comercial ya operativa ni demuestra una reducción concreta de la factura eléctrica de un centro de datos. Anuncia algo más temprano y, a la vez, decisivo: el intento de convertir una tecnología fotónica prometedora en una cadena de fabricación repetible.
Qué anunció Japón
El proyecto fue seleccionado dentro del programa de NEDO para desarrollar tecnologías avanzadas de fabricación de semiconductores. La propuesta está liderada técnicamente por NTT Innovative Devices. Participan Japan Semiconductor, Furukawa Electric y Shinko Electric Industries; NTT actuará como asesor para impulsar la colaboración industrial y la cadena de suministro.
Cada participante cubre una parte diferente del problema:
- NTT Innovative Devices: fabricación, pruebas y ensamblaje necesarios para producir chiplets ópticos.
- Japan Semiconductor: tecnologías de fabricación en volumen de fotónica de silicio aptas para integrar materiales distintos.
- Furukawa Electric: tecnologías de producción de dispositivos ópticos basados en semiconductores compuestos.
- Shinko Electric Industries: empaquetado de chiplets ópticos y procesos de producción con inspección dentro de la línea.
- NTT: coordinación industrial y desarrollo de la cadena de suministro como asesor.
El proyecto cubre desde la fabricación y la inspección del dispositivo fotónico hasta las conexiones ópticas y el empaquetado avanzado. El consorcio prevé construir y evaluar una línea piloto pensada para una futura producción comercial.
Fuente primaria: NTT: desarrollo de tecnologías de producción en volumen para dispositivos de convergencia fotónica-electrónica, publicado el 20 de octubre de 2026.
La resolución de NEDO confirma la selección de las cuatro empresas para el tema “Desarrollo de tecnologías de fabricación de dispositivos semiconductores mediante tecnología de implementación de chiplets fotónicos [GX]”. NEDO indica que el periodo del proyecto será, en principio, de hasta 60 meses desde el inicio de la investigación; el anuncio no fija por sí solo una fecha de disponibilidad comercial.
Fuente primaria: NEDO: decisión sobre la estructura de implementación del programa de semiconductores avanzados y lista oficial de participantes.
Qué es —y qué no es— un chiplet óptico
Un chiplet óptico combina un circuito integrado fotónico (PIC) con un circuito integrado electrónico (EIC) mediante un empaquetado de alta densidad. Su función no es ejecutar todo el modelo “con luz”. Su función central es sustituir parte de la comunicación eléctrica entre chips de cálculo por comunicación óptica.
La diferencia importa. En una plataforma de IA, las GPU, CPU, aceleradores y memoria intercambian enormes volúmenes de datos. A medida que aumentan el ancho de banda y la distancia de interconexión, las conexiones eléctricas consumen más energía y enfrentan límites de señal. Llevar la conversión electroóptica más cerca del procesador busca mover más datos con menos penalización energética y más capacidad.
NEDO describe para el trabajo de investigación relacionado con chiplets ópticos una arquitectura que integra dispositivos fotónicos de semiconductores compuestos con fotónica de silicio y que apunta a una densidad de ancho de banda de 1 Tbps/mm y una eficiencia energética de 2 pJ/bit. Son objetivos o prestaciones de la propuesta técnica de investigación, no resultados que el anuncio del 20 de octubre declare ya alcanzados en producción.
La propia NTT formula el problema con más prudencia: la adopción de IA generativa está elevando la demanda de procesamiento en centros de datos y sistemas HPC, mientras que el consumo asociado a la comunicación entre chips se vuelve una dificultad creciente. La fotónica puede aliviar una parte de esa presión; no reemplaza por sí sola al cómputo, la memoria, la refrigeración ni la energía del centro de datos.
La lectura Olbrite: la ventaja se desplaza del chip aislado al sistema de conexión
Durante años, la conversación sobre infraestructura de IA se concentró en quién tenía el acelerador más potente. El anuncio de NTT señala otro campo de batalla: quién puede conectar más aceleradores, memoria y recursos de forma eficiente, fabricable y mantenible.
La tesis es sencilla: cuando el movimiento de datos se convierte en el coste dominante, el rendimiento de un modelo depende tanto de la arquitectura de interconexión como de sus operaciones matemáticas. Un acelerador más rápido puede quedar infrautilizado si espera datos; una red con más ancho de banda puede no ser útil si el empaquetado no alcanza el rendimiento, el rendimiento de fabricación o la fiabilidad que exige un centro de datos.
Por eso el verbo importante de la noticia no es “demostrar”. Es fabricar. La investigación puede probar que un dispositivo funciona. Una empresa necesita además que el dispositivo:
- se produzca con una tasa de unidades buenas predecible;
- pueda inspeccionarse sin convertir cada pieza en un proyecto artesanal;
- se integre con paquetes, placas y sistemas de distintos proveedores;
- tenga un coste y un calendario de suministro defendibles;
- mantenga sus prestaciones bajo temperatura, vibración y operación continua.
El objetivo de multiplicar por más de diez la productividad está expresado frente a procesos de investigación actuales. No significa que una GPU vaya a ser diez veces más rápida, que el centro de datos consuma diez veces menos o que la capacidad de IA se multiplique automáticamente. Es un objetivo de proceso productivo. Esa diferencia evita convertir una cifra llamativa en una promesa que el anuncio no hace.
Qué cambia para las empresas
1. Operaciones: la interconexión entra en la hoja de ruta de capacidad
Hasta ahora, muchos equipos podían tratar el enlace entre aceleradores como una decisión del proveedor de infraestructura. Con la escala de los modelos actuales, conviene mapearlo como una restricción operativa: ancho de banda efectivo, latencia, consumo por transferencia, memoria disponible y utilización real del acelerador.
Una empresa que planifica IA para producción debería medir qué parte del tiempo de ejecución se pierde moviendo datos. Sin esa línea base, es imposible saber si una mejora de cómputo o una nueva interconexión resuelve el cuello de botella real.
2. Costes: el precio del chip no cuenta toda la historia
La comparación relevante no es solo el precio de una GPU o el alquiler de un servidor. También incluye la energía para mover datos, la refrigeración, el espacio, el cableado, las pérdidas por espera y el coste de rediseñar el sistema cuando una interfaz deja de escalar.
La fotónica puede mejorar ese balance, pero el empaquetado avanzado, la inspección y la fabricación de dispositivos heterogéneos también introducen complejidad. El ahorro debe demostrarse en el sistema completo, no inferirse de una cifra de eficiencia aislada.
3. Producto: más densidad de IA no equivale automáticamente a más valor
Una infraestructura capaz de conectar más recursos puede reducir la latencia de inferencia, acelerar el entrenamiento o permitir modelos que hoy resultan demasiado costosos. Pero la oportunidad de producto aparece solo cuando esa capacidad se traduce en una experiencia, una decisión o un proceso que el cliente valore.
La pregunta útil no es “¿podemos tener más ancho de banda?”. Es “¿qué trabajo empresarial deja de esperar si lo tenemos?”.
4. Personas: cambia el perfil de la ingeniería de infraestructura
La adopción de sistemas fotónicos exige coordinar arquitectura de IA, diseño de paquetes, firmware, redes, pruebas térmicas, observabilidad y operaciones de centros de datos. El reto no se resuelve incorporando una única especialidad: necesita una interfaz común entre equipos que históricamente trabajaron por separado.
5. Riesgo: la cadena de suministro se vuelve parte de la arquitectura
El consorcio japonés reúne fotónica de silicio, semiconductores compuestos, empaquetado e inspección. Esa composición deja claro que el riesgo no está únicamente en el diseño del dispositivo. También está en conseguir materiales, herramientas, capacidades de empaquetado y proveedores capaces de mantener calidad a escala.
Una arquitectura que depende de un componente difícil de fabricar puede ser técnicamente superior y operativamente frágil. La resiliencia requiere evaluar sustitutos, estándares, plazos de calificación y concentración geográfica desde el primer diseño.
6. Estrategia: la eficiencia energética se convierte en capacidad disponible
Cada mejora en el movimiento de datos puede liberar margen para ejecutar más inferencia o entrenamiento dentro del mismo límite energético. Pero conviene hablar de capacidad utilizable, no solo de eficiencia por bit: el resultado depende de cuánto se transmite, cómo se empaqueta, qué porcentaje de aceleradores se mantiene ocupado y qué otros sistemas consumen energía.
En otras palabras, la fotónica no es una decoración de sostenibilidad. Puede ser una palanca de capacidad. Su valor estratégico aparece cuando la empresa conecta el dato técnico con una decisión de expansión, coste o servicio.
Qué hacer esta semana
- Construir un mapa de movimiento de datos. Para las dos cargas de IA más importantes, medir ancho de banda, latencia, utilización de aceleradores y energía asociada a comunicación si los instrumentos lo permiten.
- Separar cómputo de interconexión en las comparativas. No evaluar una nueva plataforma solo por tokens por segundo o FLOPS; incluir rendimiento por vatio, memoria, espera y escalabilidad entre dispositivos.
- Preguntar por la manufacturabilidad. En conversaciones con proveedores, pedir datos sobre rendimiento de fabricación, inspección, tolerancias, empaquetado, disponibilidad y plan de soporte; una demostración de laboratorio no basta.
- Diseñar una prueba reversible. Elegir un workload representativo y definir antes de probarlo qué umbrales justificarían cambiar de arquitectura: coste total, latencia, energía, utilización y tiempo de integración.
- Añadir la cadena de suministro al registro de riesgos. Identificar qué componentes de la interconexión son de fuente única, cuánto tardaría su sustitución y qué estándares permitirían evitar un bloqueo.
Qué observar ahora
- Si la línea piloto alcanza una mejora de productividad comparable entre lotes y no solo en una demostración puntual.
- Cómo se comportan el rendimiento y la fiabilidad del empaquetado cuando se combinan materiales fotónicos y electrónicos.
- Qué estándares de interconexión y empaquetado permiten integrar los chiplets con aceleradores y memoria de distintos fabricantes.
- Si los objetivos de ancho de banda y eficiencia se mantienen a escala de sistema, con refrigeración, pruebas y operación continua.
- Cuándo aparecerán muestras para clientes y qué datos públicos acompañarán esa transición; el anuncio del 20 de octubre no garantiza una fecha comercial.
La señal de NTT y NEDO no es que la computación óptica haya resuelto la infraestructura de IA. Es que el siguiente salto puede depender menos de inventar otro modelo y más de fabricar una ruta eficiente para que los modelos, la memoria y los aceleradores trabajen juntos.
La IA no se detiene solo por falta de inteligencia. También se detiene cuando los datos llegan tarde, caros o calientes.
Fuentes consultadas
- NTT — Accelerating Development of Mass-Production Technologies for Photonics-Electronics Convergence Devices to Support Next-Generation AI Computing (20 de octubre de 2026).
- NEDO — decisión del programa de fabricación de semiconductores avanzados (20 de octubre de 2026).
- NEDO — ficha técnica del desarrollo de tecnología de fabricación de semiconductores avanzados (documento oficial del programa).
- NEDO — lista de participantes seleccionados para el tema de chiplets ópticos (documento oficial).
Para seguir leyendo en Olbrite
- TorchNeuron reduce la fricción para llevar código de IA a otros chips: la portabilidad del software como forma de comparar aceleradores sin convertir cada prueba en una migración completa.
- La IA puede tener modelos de sobra y aun así quedarse sin energía: el límite físico de la electricidad y la disponibilidad de infraestructura para expandir la IA.
- La IA física empieza en el silicio: cómo el diseño del silicio condiciona latencia, consumo y decisiones fuera de la nube.
