2026-11-04 · Fuente:华尔街见闻全球·中继

El foco de la IA pasa de la generación pura a la llamada de herramientas, y el balance de cómputo para ejecutar lógica compleja se está reescribiendo. El procesador de propósito general vuelve a la mesa tras años de narrativa dominada por la GPU, aunque nadie sabe aún cuánta demanda nueva newSize representa.
La CPU, que durante mucho tiempo quedó eclipsada por el brillo de la GPU, está regresando con discreción al debate de la industria de la IA. Lo que la devuelve a la mesa esta vez no es un chip nuevo, sino el cambio en la propia forma de las aplicaciones de IA.
Durante los últimos años, la narrativa en torno al cómputo de IA estuvo dominada casi por completo por la GPU. La explosión del entrenamiento y la inferencia de grandes modelos relegó al procesador de propósito general a un papel secundario ante el público y los inversores, mientras la discusión industrial se centraba en la capacidad de memoria de vídeo, el ancho de banda de interconexión y la escala de los clústeres. Sin embargo, a medida que las aplicaciones de IA pasan del modo de generación pura —preguntar una vez, recibir un texto— a la forma agéntica, capaz de descomponer tareas por sí misma, invocar herramientas externas y ejecutar operaciones de varios pasos, el balance del cómputo se está reabriendo.
El reconocido analista de la industria de semiconductores Ian Cutress ofreció una explicación. En su opinión, la IA está evolucionando desde la generación con grandes modelos dependiente exclusivamente de la GPU hacia los llamados "flujos de trabajo agénticos" (Agentic workflow), que requieren la llamada a herramientas externas. Estos flujos deben procesar lógica compleja y ejecutar tareas reales más allá de la generación de contenido, por lo que el papel central de la CPU vuelve a destacar: tras años de narrativa centrada en la GPU, el procesador de propósito general recupera un lugar visible en la agenda del cómputo.
La lógica detrás de este diagnóstico no es complicada. Un agente, en tiempo de ejecución, debe hacer gran cantidad de trabajo para el que la GPU no está hecha: interpretar resultados estructurados devueltos por las herramientas, mantener el estado de contexto de conversaciones y tareas, orquestar el orden de ejecución de múltiples pasos y realizar conversiones y validaciones de formatos de datos. Son tareas esencialmente seriales, con densa ramificación y de cómputo general, que caen justo en el terreno de la CPU. Es decir, cuanto más grandes y lógicamente complejos son los agentes, mayor es la demanda implícita de procesadores de propósito general que esconden, aunque esta cuenta quedó oculta por el brillo de la GPU.
Pero surge entonces la pregunta: ¿cuán grande es exactamente esta demanda adicional de CPU?
Para Cutress, de momento la respuesta no existe. Dada la complejidad de los escenarios de aplicación y la rápida iteración de la forma agéntica, la industria todavía no ha podido definir con precisión qué nivel de capacidad de CPU exige este nuevo tipo de flujo de trabajo, y nadie puede ofrecer la proporción óptima entre CPU y GPU. La "receta" del cómputo agéntico sigue, por ahora, en blanco.
Este tipo de "vacío" no es infrecuente en la industria de semiconductores, pero el impacto es muy real. En los escenarios tradicionales de clústeres de entrenamiento y servicios de inferencia, tras años de práctica el sector ha consolidado hábitos de configuración y rangos de experiencia relativamente estables, sobre los cuales los compradores pueden planificar presupuestos y despliegues. El flujo de trabajo agéntico, en cambio, como forma aún en rápida iteración, tiene características de carga —cuántas llamadas a herramientas implica cada tarea, qué proporción del coste supone el mantenimiento de estado, qué competencia por recursos existe entre agentes concurrentes— que todavía no han sido medidas ni sometidas a benchmarks públicos. Sin benchmark no hay vara de medir; sin vara de medir, la planificación solo puede basarse en ensayo y error.
Para los compradores de cómputo, esto es un dilema de adquisición muy concreto: hasta que se establezcan benchmarks, tanto la elección de CPU como las decisiones de proporción CPU-GPU para flujos de trabajo agénticos carecen de un referente. ¿Cuánta capacidad de CPU necesita realmente un agente? Esa pregunta sin respuesta es, precisamente, la razón por la que la CPU vuelve a estar en boca de todos.
Para las empresas que planifican infraestructura relacionada con agentes, la estrategia razonable hoy quizá sea incorporar la propia incertidumbre a la decisión de compra: en el diseño de la solución, dejar margen para la expansión elástica del lado de la CPU y evitar fijar de una sola vez la proporción según la vieja experiencia de la inferencia generativa pura; tras el despliegue, monitorizar de forma continua la utilización de CPU y la latencia de orquestación de tareas, calibrando los benchmarks internos con datos de carga reales propios; y, al mismo tiempo, seguir los métodos de prueba y arquitecturas de referencia que fabricantes de semiconductores y analistas publiquen sobre cargas de trabajo agénticas, para poder contrastar de inmediato la economía de los despliegues existentes en cuanto aparezca un referente sectorial de proporciones. Mientras falten estándares, los datos de operación que el propio comprador acumule son la base más fiable para fijar precios y configuraciones.
Desde una perspectiva más macro, el regreso de la CPU también indica que el mercado de cómputo de IA está pasando de una "narrativa de GPU única" a una "narrativa de cooperación multichip". Si el agente se convierte en la forma dominante de las aplicaciones de IA, la curva de demanda de procesadores de propósito general podría seguir su propia trayectoria, independiente del ciclo de la GPU, y la proporción de valor entre CPU y GPU en los servidores completos, la orientación de diseño de los racks e incluso la estructura de precios de los productos de cómputo en la nube podrían ajustarse en consecuencia. Esta contabilidad recién comienza, y su resultado final se escribirá, partida a partida, con los datos de carga de agentes en operación real.
P: ¿Por qué los flujos de trabajo agénticos vuelven a impulsar la demanda de CPU?
R: Según el análisis de Ian Cutress, la IA está evolucionando desde la generación con grandes modelos dependiente solo de la GPU hacia los "flujos de trabajo agénticos" (Agentic workflow), que requieren la llamada a herramientas externas; estos flujos deben procesar lógica compleja y ejecutar tareas reales más allá de la generación de contenido, y por eso el papel central de la CPU vuelve a destacar.
P: ¿La industria ya ha determinado qué capacidad de CPU necesitan los agentes y cuál debe ser la proporción CPU-GPU?
R: No. Para Cutress, dada la complejidad de los escenarios de aplicación y la rápida iteración de la forma agéntica, la industria ni ha definido con precisión qué nivel de capacidad de CPU exige este nuevo flujo de trabajo ni nadie puede ofrecer la proporción óptima entre CPU y GPU: la "receta" del cómputo agéntico sigue, por ahora, en blanco.
FAQ_END_MARKER_CHECK
Etiquetas: Ian Cutress · CPU · GPU · Agentic Workflow · Data Center
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado