Las cargas de trabajo de IA obligan a replantear la capa de transporte

Las cargas de trabajo de IA están obligando a replantear la capa de red que conecta GPUs, almacenamiento y centros de datos. A medida que cada nuevo modelo exige más cómputo e intercambio de datos, la red de transporte —especialmente los enlaces entre clústeres e instalaciones, a veces descritos como «escala transversal»— está convirtiéndose en una parte estratégica de la infraestructura en lugar de una utilidad de fondo.

El equipo de Marketing de IP y Óptica de Ribbon Communications, escribiendo para TechRadar Pro Perspectives, sostiene que los sistemas de transporte deben evolucionar de simplemente mover paquetes a orquestar grandes flujos de datos con rendimiento determinista, baja latencia y capacidad escalable.

Por qué las cargas de trabajo de IA están presionando a las redes tradicionales

Los procesos de entrenamiento e inferencia de IA generan volúmenes enormes de tráfico este-oeste. Un único gran modelo de lenguaje puede requerir miles de GPUs intercambiando parámetros, gradientes y puntos de control de forma continua. Eso crea demanda de enlaces de ancho de banda ultraalto y baja latencia a través de campus, regiones y ubicaciones de edge.

Las arquitecturas de transporte tradicionales fueron diseñadas pensando en un tráfico empresarial y de entrega de contenido más predecible. Ahora están bajo la presión de:

• Un fuerte aumento del tráfico este-oeste
• Requisitos de mayor ancho de banda por nodo
• Objetivos de latencia que se acercan a la precisión de microsegundos
• Restricciones estrictas de energía y espacio en sitios metro y de borde

Según el equipo de Ribbon, simplemente escalar los sistemas ópticos no basta. La capa de transporte también debe volverse más ágil y eficiente, reasignando capacidad a medida que las cargas de trabajo se desplazan entre entrenamiento e inferencia.

Recomendado

Tres profesionales que prosperarán en la era de los agentes de IA

Diseñar una capa de transporte orientada a la IA

El ancho de banda es solo un requisito. El entrenamiento distribuido depende de una sincronización precisa entre miles de GPUs, lo que significa que el comportamiento consistente de la ruta óptica importa tanto como la latencia media. Incluso pequeñas variaciones temporales pueden reducir el rendimiento.

Por lo tanto, una capa de transporte preparada para IA necesita ofrecer:

• Capacidad ultraalta con latencia consistentemente baja
• Rutas ópticas deterministas para cargas de trabajo sincronizadas
• Asignación de capacidad automatizada y reconfiguración del tráfico
• Optimización de energía en tiempo real, incluida la capacidad de apagar canales redundantes
• Integración con sistemas de orquestación de alto nivel

La arquitectura propuesta se basa en tecnología óptica coherente capaz de escalar más allá de 400G y 800G. Eso permitiría a los operadores aumentar la capacidad sobre la infraestructura de fibra existente mientras se preserva la baja latencia requerida para el entrenamiento e inferencia distribuida de IA.

El control óptico definido por software es otro componente central. La telemetría en tiempo real, la automatización en bucle cerrado y la optimización predictiva podrían permitir que las redes identifiquen congestión inminente, redirijan el tráfico y mantengan la estabilidad a medida que cambian los patrones de carga. En este modelo, la capa óptica se vuelve adaptativa en lugar de pasiva.

La convergencia IP-óptica integraría el transporte de paquetes y el óptico bajo un marco compartido de control y gestión. Los beneficios esperados incluyen menos elementos de red, operaciones más sencillas, aprovisionamiento de servicios más rápido y un perfil de rendimiento más determinista para las interconexiones de centros de datos hiperescalables.

En sitios metro y de borde, los sistemas DCI modulares compactos podrían acercar la conectividad óptica de alta capacidad a los recursos de cómputo. Eso soportaría la inferencia en tiempo real, el análisis y la automatización donde la energía y el espacio físico son especialmente limitados, al tiempo que reduce la distancia entre la generación de datos y la toma de decisiones.

El 5G y la IA amplían los requisitos de transporte

La combinación de 5G e IA está ampliando estos requisitos más allá de los centros de datos. A medida que los operadores implementan núcleos 5G Standalone y computación distribuida en el edge, se necesita transporte determinista y de alto ancho de banda a través de sitios celulares, hubs de agregación y bordes metropolitanos.

La IA ya se está aplicando a la predicción de tráfico, gestión del espectro, autorrecuperación y orquestación en tiempo real en redes 5G. Esas funciones dependen de los mismos fundamentos que el entrenamiento de IA: movimiento de datos a gran escala, latencia ultra baja y enrutamiento inteligente.

Marcos de orquestación más abiertos y ricos en API podrían conectar la telemetría óptica directamente con los sistemas de gestión en la nube y de IA. Eso crea un bucle de retroalimentación entre aplicaciones e infraestructura, permitiendo que la red se adapte a los patrones de carga en tiempo real.

El equipo de Ribbon afirma que el resultado debería ser una capa de transporte que anticipe la demanda, se reconfigure dinámicamente y optimice el rendimiento de forma continua. La red óptica está pasando de ser un conducto pasivo a una base inteligente para la IA distribuida a través de centros de datos, la infraestructura 5G y el borde.