Cuando un modelo de inteligencia artificial procesa grandes colecciones de documentos, genera imágenes o responde simultáneamente a numerosos usuarios, el trabajo no ocurre en una computadora convencional. Se ejecuta dentro de instalaciones que concentran aceleradores, servidores, redes de alta velocidad, almacenamiento y sistemas eléctricos y térmicos capaces de operar de forma continua.
Los centros de datos para inteligencia artificial deben soportar cargas más densas y variables que numerosos entornos informáticos tradicionales. Su diseño no consiste solamente en instalar más servidores: requiere coordinar capacidad de cómputo, suministro eléctrico, refrigeración, conectividad, seguridad y posibilidades de ampliación. Comprender estos elementos permite evaluar con mayor precisión la infraestructura que hace posible entrenar y utilizar modelos de IA.
Respalda la formación en nuevas tecnologías
El Instituto Internacional de Ingeniería (3i) permite que organizaciones e instructores que ya imparten capacitación emitan certificados verificables y evalúen si la plataforma se adapta a sus programas técnicos.
Qué distingue a estos centros
Un centro de datos convencional puede alojar aplicaciones empresariales, bases de datos, sitios web y sistemas de almacenamiento. Un centro orientado a IA también realiza estas funciones, pero incorpora infraestructura acelerada para ejecutar grandes cantidades de operaciones matemáticas en paralelo. La Agencia Internacional de Energía explica que el entrenamiento y el despliegue de modelos se realizan principalmente en centros que reúnen servidores, almacenamiento, equipos de red y sistemas auxiliares.
Durante el entrenamiento, numerosos aceleradores procesan fragmentos de un conjunto de datos y comparten resultados para actualizar los parámetros del modelo. En la inferencia, la infraestructura utiliza el modelo ya entrenado para generar una respuesta, clasificar información o realizar una predicción. Ambas tareas requieren cómputo, aunque sus patrones de uso, latencia y consumo pueden ser diferentes.
La concentración de aceleradores eleva la potencia demandada por cada rack y aumenta el calor que debe retirarse. Por eso, el diseño físico del edificio, la distribución eléctrica y el sistema de refrigeración forman parte del rendimiento operativo: una limitación en cualquiera de estas capas puede reducir la capacidad efectiva de los equipos instalados.
Componentes de la infraestructura
El núcleo de cómputo suele combinar CPU con GPU u otros aceleradores especializados. Las CPU coordinan procesos generales, mientras que los aceleradores ejecutan en paralelo numerosas operaciones utilizadas por las redes neuronales. Plataformas como NVIDIA HGX integran GPU, interconexiones y componentes destinados a cargas de inteligencia artificial y computación de alto rendimiento.
La red merece atención especial. Cuando una GPU termina una parte del cálculo, puede necesitar intercambiar información con otras antes de continuar. Una red congestionada deja aceleradores esperando datos y reduce el aprovechamiento del conjunto. La documentación de redes de NVIDIA presenta soluciones orientadas a proporcionar conectividad de alto rendimiento para cargas distribuidas de IA.
Energía y refrigeración
La electricidad condiciona tanto la ubicación como el tamaño de un proyecto. El informe Key Questions on Energy and AI de la Agencia Internacional de Energía señala un fuerte crecimiento reciente del consumo eléctrico de los centros de datos. La AIE proyecta que este consumo mundial podría aproximarse a 950 TWh en 2030. También identifica restricciones relacionadas con la infraestructura eléctrica y las cadenas de suministro que pueden afectar el ritmo de ampliación de nuevas instalaciones.
La refrigeración por aire continúa siendo útil en determinadas configuraciones, pero puede resultar insuficiente cuando aumenta la densidad térmica. Las alternativas incluyen placas frías conectadas a componentes, intercambiadores instalados en la parte posterior del rack y sistemas de inmersión. El proyecto de soluciones avanzadas de refrigeración de Open Compute Project reúne grupos de trabajo sobre placas frías, intercambiadores de puerta e inmersión para desarrollar especificaciones y criterios de integración.
La refrigeración líquida no elimina la necesidad de ingeniería térmica. Deben evaluarse la calidad del fluido, la compatibilidad de materiales, las conexiones, el riesgo de fugas, las unidades de distribución y la transferencia final del calor. El AI Data Center Energy Performance Framework de ASHRAE presenta criterios para considerar el desempeño energético, la resiliencia, la refrigeración y otras variables durante la planificación, el diseño, la operación y la modernización de estas instalaciones.
Cómo medir la eficiencia
Una métrica utilizada para observar la eficiencia de la infraestructura es el PUE, sigla de Power Usage Effectiveness. Compara la energía total consumida por el centro de datos con la energía utilizada por los equipos informáticos.
Si una instalación consume 12 MWh durante un periodo y 9 MWh se utilizan en servidores, redes y almacenamiento, el cálculo hipotético es el siguiente:
El resultado indica que, por cada unidad de energía utilizada por los equipos TI, se consumen aproximadamente 0,33 unidades adicionales en refrigeración, distribución eléctrica y otros servicios. Un valor más próximo a 1 representa una menor proporción de consumo auxiliar, pero no mide por sí solo el rendimiento de los modelos, el aprovechamiento del hardware, el consumo de agua ni la disponibilidad. The Green Grid explica que cuestiones como la disponibilidad de los equipos y la productividad del centro requieren métricas y análisis diferentes.
Criterios para planificar capacidad
La planificación debe comenzar por la carga de trabajo, no por una lista de equipos. Entrenar un modelo desde cero, ajustar un modelo existente y operar un servicio de inferencia presentan necesidades distintas. Es necesario estimar el número de usuarios, el tamaño de los modelos, la duración de los procesos, la latencia esperada, el volumen de datos y los periodos de máxima demanda.
Sobredimensionar genera capacidad ociosa y costos que no producen resultados. Subdimensionar provoca saturación, tiempos de espera y equipos que no alcanzan el rendimiento previsto. La arquitectura debe permitir incorporar capacidad por etapas y verificar, mediante mediciones, qué componente limita cada carga.
Conclusión
Un centro de datos para inteligencia artificial funciona como un sistema integrado: los aceleradores necesitan datos, la red debe moverlos sin demoras excesivas, la instalación debe suministrar electricidad estable y la refrigeración debe retirar la carga térmica generada. La decisión técnica más útil no es buscar únicamente el mayor número de GPU, sino diseñar una infraestructura equilibrada, medible y ampliable de acuerdo con las cargas que realmente se ejecutarán.
Emite credenciales para programas técnicos
Convierte los certificados de tus capacitaciones en credenciales verificables mediante QR, enlace o código, manteniendo la gestión de tus programas y la relación con tus alumnos.
Fuentes consultadas
Agencia Internacional de Energía. Key Questions on Energy and AI. 2026.
Agencia Internacional de Energía. Energy Demand from AI. 2025.
ASHRAE. AI Data Center Energy Performance Framework.
Open Compute Project. Advanced Cooling Solutions.
NVIDIA. NVIDIA HGX Platform.
NVIDIA. Networking Solutions for the Era of AI.
The Green Grid. PUE: A Comprehensive Examination of the Metric. 2014.
