--- title: "AMD plantea una infraestructura de IA adaptable y reduce la memoria del ray tracing" description: "AMD está planteando una estrategia de infraestructura de inteligencia artificial (IA) basada en tres principios: capacidad de adaptación, eficiencia económica y ecosistemas abiertos. Al mismo tiempo,..." url: https://revistacloud.com/amd-plantea-una-infraestructura-de-ia-adaptable-y-reduce-la-memoria-del-ray-tracing/ date: 2026-09-21 modified: 2026-09-21 author: "Nota de Prensa" image: https://revistacloud.com/wp-content/uploads/2026/09/amd-ray-tracing.jpg categories: ["Noticias", "Tecnología"] tags: ["AMD", "ray tracing"] type: post lang: es --- # AMD plantea una infraestructura de IA adaptable y reduce la memoria del ray tracing AMD está planteando una estrategia de infraestructura de inteligencia artificial (IA) basada en tres principios: capacidad de adaptación, eficiencia económica y ecosistemas abiertos. Al mismo tiempo, la compañía ha presentado una técnica de renderizado con jaulas tetraédricas que, según sus pruebas, reduce de forma drástica la memoria necesaria para representar geometría animada mediante trazado de rayos. **Las claves de AMD en 30 segundos** - AMD defiende diseñar la infraestructura de IA pensando en cargas que cambiarán durante los próximos años. - La compañía sitúa adaptación, eficiencia y apertura como tres propiedades para evitar arquitecturas demasiado rígidas. - Su propuesta combina CPU EPYC, GPU Instinct, Radeon y Ryzen AI bajo el software ROCm. - En gráficos, AMD presenta jaulas tetraédricas para animaciones con geometría compleja y trazado de rayos. - En una prueba con plantas animadas, la técnica utilizó unos 1,7 GB de memoria BVH frente a hasta 80 GB con geometría convencional. Las dos propuestas proceden de áreas diferentes de AMD, pero comparten una misma preocupación técnica: evitar que el crecimiento de las cargas de trabajo obligue a mantener estructuras demasiado pesadas. En infraestructura de IA, el problema está en cómo combinar cálculo, memoria, red, almacenamiento y software cuando las necesidades cambian. En gráficos, la investigación se centra en reducir la cantidad de información que hay que actualizar cuando una escena contiene grandes cantidades de geometría animada. Forrest Norrod, de AMD, expuso esta visión durante el AI Infra Summit. Su argumento parte de una incertidumbre difícil de evitar: resulta complicado saber qué arquitecturas de modelos dominarán dentro de cinco años, cuánto peso tendrá el entrenamiento frente a la inferencia o dónde se ejecutarán las cargas de IA. La consecuencia para los responsables de infraestructura, según AMD, es que una arquitectura no debería diseñarse únicamente alrededor de un acelerador o una red concreta. Debe poder cambiar cuando también cambien los trabajos que ejecuta. ## La infraestructura de IA cambia con las cargas de trabajo Durante los primeros años de expansión de la IA generativa, buena parte de la infraestructura se diseñó alrededor de grandes trabajos de entrenamiento ejecutados en clústeres. Ese tipo de carga continúa existiendo, pero ahora comparte recursos con la inferencia permanente, los sistemas de agentes y otras aplicaciones distribuidas. La inferencia introduce una variable distinta al entrenamiento. Cada petición tiene requisitos de latencia y coste, mientras que un sistema de IA agéntica puede convertir una única solicitud en una cadena de operaciones: recuperar información, utilizar herramientas, ejecutar código, coordinar otros agentes y mantener estado. Para AMD, ese cambio afecta a la arquitectura completa. No basta con añadir más capacidad de cálculo si el problema está en el equilibrio entre CPU, GPU, memoria, almacenamiento y red. La compañía resume su planteamiento en tres propiedades. La primera es la **adaptabilidad**. La infraestructura debería permitir utilizar diferentes configuraciones de hardware sin tener que cambiar necesariamente de proveedor o reconstruir todo el entorno de software. La segunda es la **eficiencia económica**. AMD distingue entre el coste de una operación de entrenamiento, que puede corresponder a una decisión de infraestructura tomada una vez, y el coste acumulado de la inferencia, que puede repetirse miles de millones de veces. Para los sistemas agénticos, la compañía propone prestar atención al coste de completar una tarea, no únicamente al coste de generar un token. La tercera es la **apertura**. AMD relaciona este concepto con estándares abiertos de interconexión y redes que permitan combinar componentes de diferentes proveedores. ## CPU, GPU y ROCm como una misma propuesta AMD utiliza su cartera de procesadores y aceleradores para ilustrar esta estrategia. En el extremo de propósito general aparecen los procesadores **AMD EPYC**, mientras que las plataformas **Radeon** y **Ryzen AI** cubren diferentes escenarios de IA local. Para inferencia de modelos de lenguaje y ajuste de modelos, la compañía dispone de aceleradores **AMD Instinct** en formato PCIe. Para cargas distribuidas plantea sistemas de ocho GPU Instinct y, en despliegues de mayor tamaño, su plataforma **AMD Helios**. La compañía sostiene que disponer de muchos productos no resulta suficiente si cada uno requiere una experiencia de software diferente. Por eso sitúa **ROCm** como capa común para trasladar cargas entre diferentes configuraciones de hardware. Este planteamiento es una posición estratégica de AMD, no una garantía de que cualquier aplicación pueda trasladarse entre todos esos productos sin modificaciones. La propia compañía vincula la flexibilidad a la existencia de una base de software común y a la utilización de estándares abiertos. Norrod también plantea que una infraestructura diseñada para cinco o siete años debe asumir desde el principio que las cargas de trabajo cambiarán durante ese periodo. La propuesta, por tanto, se centra menos en anticipar qué tecnología dominará y más en mantener abiertas diferentes opciones de configuración. ## AMD reduce el coste de memoria del ray tracing con jaulas tetraédricas La segunda investigación de AMD aborda un problema diferente, pero también relacionado con la eficiencia de los recursos. En una demostración de gran escala, la compañía representa unas **25.000 plantas animadas de forma independiente** mediante trazado de rayos. En el nivel máximo de detalle, la escena contiene unos 2.800 millones de triángulos. Después de aplicar la selección de nivel de detalle, aproximadamente 500 millones de triángulos animados se someten a trazado de rayos en cada fotograma. La prueba se realizó sobre una **Radeon RX 9070 XT** a 1080p y, según AMD, alcanzó más de 60 fotogramas por segundo utilizando rayos primarios y de sombra. Sin embargo, la cifra que AMD destaca no es el número de triángulos, sino la memoria utilizada para las estructuras de aceleración del trazado de rayos. Con su técnica basada en **jaulas tetraédricas**, AMD indica que la escena necesita unos **1,7 GB de memoria para las estructuras BVH** y aproximadamente 3,3 milisegundos para actualizar todas esas estructuras en cada fotograma. Con una representación convencional basada en objetos de triángulos densos, la compañía calcula que serían necesarios hasta **80 GB de memoria de GPU** y más de 300 milisegundos por fotograma para las actualizaciones de BVH. La diferencia procede de cómo se representa la animación. ### En lugar de mover millones de vértices, se mueve una jaula En un sistema convencional, cada objeto animado puede necesitar sus propias posiciones de vértices y estructuras de aceleración. Cuando la geometría cambia, esas estructuras deben actualizarse. La técnica de AMD rodea la geometría densa con una estructura mucho más pequeña formada por tetraedros. La geometría original y su estructura BVH pueden permanecer estáticas y reutilizarse. Durante la animación solo se modifica la jaula. Los rayos se transforman después hacia el sistema de referencia estático antes de comprobar las intersecciones con los triángulos. El resultado es que el coste de la animación depende de la complejidad de la jaula y no del número total de triángulos. El método tiene una limitación: se pierde la posibilidad de controlar individualmente cada vértice de la geometría. AMD señala que esa restricción puede ser aceptable para determinados tipos de animaciones. La compañía también compara esta técnica con las estructuras de aceleración a nivel de clúster. Estas últimas pueden reducir la memoria y acelerar las actualizaciones de geometría dinámica, pero siguen necesitando almacenar estructuras específicas para la geometría que se deforma. Las jaulas tetraédricas van un paso más allá al mantener estática la estructura densa y animar únicamente una representación mucho más pequeña. La investigación está orientada especialmente a escenas con grandes cantidades de objetos animados. Un entorno con vegetación que responde individualmente a un campo de viento es uno de los ejemplos utilizados por AMD. La técnica puede combinarse con **Microsoft DirectX Raytracing (DXR)**, según la documentación técnica publicada por la compañía. AMD también ha presentado la investigación en High-Performance Graphics 2026. Las dos iniciativas muestran dos problemas distintos de la computación moderna: en IA, el reto está en construir sistemas capaces de adaptarse a cargas que todavía están evolucionando; en gráficos, en evitar que el coste de representar una escena crezca al mismo ritmo que su geometría. En ambos casos, AMD está poniendo el foco en la arquitectura completa y en reducir recursos que no necesitan crecer al mismo ritmo que el trabajo útil. ## Preguntas frecuentes ### ¿Qué propone AMD para la infraestructura de IA? AMD plantea diseñar sistemas alrededor de tres propiedades: adaptabilidad, eficiencia económica y apertura. Su propuesta combina diferentes tipos de procesadores y aceleradores mediante una base de software común basada en ROCm. ### ¿Qué son las jaulas tetraédricas? Son estructuras formadas por tetraedros que rodean una geometría más compleja. En la técnica presentada por AMD, la jaula se anima mientras la geometría densa y sus estructuras BVH permanecen estáticas. ### ¿Cuánta memoria ahorra la técnica de AMD? En la prueba publicada por AMD, la representación con jaulas tetraédricas utilizó unos 1,7 GB de memoria BVH, frente a hasta 80 GB para actualizar estructuras de geometría densa convencional. ### ¿La técnica sirve para cualquier animación? No necesariamente. AMD señala que las jaulas tetraédricas sacrifican el control individual de cada vértice, por lo que su utilidad depende del tipo de animación y de los requisitos de calidad de cada escena. vía: [newsroom.amd](https://newsroom.amd.com/news/building-infrastructure-ai-world/) y [gpuopen](https://gpuopen.com/learn/how-tetrahedral-cages-significantly-reduce-bvh-memory-usage/)