Rendimiento por debajo de las soluciones dedicadas

Los datos gráficos revisados muestran que las plataformas híbridas que integran funciones de CPU y GPU en un mismo diseño continuan lejos del rendimiento que ofrecen los aceleradores y tarjetas gráficas dedicadas en tareas de inteligencia artificial. La brecha afecta tanto al entrenamiento de grandes modelos de lenguaje (LLM) como a la inferencia, donde la memoria y el ancho de banda son determinantes.

Sin anuncios de cambio a corto plazo

Ningún fabricante relevante del ecosistema coreano —ni Samsung Electronics, ni SK hynix, ni los principales diseñadores de GPU— ha presentado de forma confirmada una hoja de ruta que cierre esta brecha con arquitecturas híbridas. Las fuentes primarias consultadas, once en total, no recogen compromisos concretos ni fechas al respecto, por lo que cualquier previsión futura debe tomarse con cautela.

Implicaciones para el mercado

Mientras la situación no cambie, las cargas de IA exigentes seguirán requiriendo hardware dedicado, con las consecuencias que ello tiene para los precios y para la cadena de suministro de semiconductores. El sector mantiene la atención en los próximos lanzamientos, aunque por ahora el statu quo prevalece.

El balance de la evidencia disponible indica que la afirmación encaja con la realidad del mercado: Verdict: Mayormente verdadero