--- title: "d-Matrix presenta 3DIMC: la memoria 3D apilada que quiere destronar a HBM en la inferencia de IA" description: "La startup asegura que su tecnología será hasta 10 veces más rápida y eficiente que la memoria HBM en cargas de inferencia, un cambio de paradigma en la relación entre cómputo y memoria. La memoria de..." url: https://revistacloud.com/d-matrix-presenta-3dimc-la-memoria-3d-apilada-que-quiere-destronar-a-hbm-en-la-inferencia-de-ia/ date: 2025-09-04 modified: 2025-09-04 author: "Nota de Prensa" image: https://revistacloud.com/wp-content/uploads/2025/09/pavehawk-3dimc-optimized.jpg categories: ["Empresas", "Noticias"] tags: ["d-matrix", "HBM", "memoria 3D"] type: post lang: es --- # d-Matrix presenta 3DIMC: la memoria 3D apilada que quiere destronar a HBM en la inferencia de IA **La startup asegura que su tecnología será hasta 10 veces más rápida y eficiente que la memoria HBM en cargas de inferencia, un cambio de paradigma en la relación entre cómputo y memoria.** La memoria de gran ancho de banda (HBM) se ha convertido en el estándar de facto para la inteligencia artificial y la computación de alto rendimiento. Utilizada por gigantes como NVIDIA, AMD o Intel, su diseño de módulos apilados permite alcanzar cifras de ancho de banda impensables con memorias convencionales. Pero quizá no sea la solución definitiva para todas las tareas. La startup **d-Matrix** cree haber encontrado un sustituto más adecuado para uno de los cuellos de botella actuales de la IA: la **inferencia**. Su propuesta, bautizada como **3D Digital In-Memory Compute (3DIMC)**, promete ser hasta **10 veces más rápida y 10 veces más eficiente** que HBM en este tipo de cargas de trabajo. ## De entrenar modelos a ejecutarlos: un desafío distinto Mientras que HBM es crítica para el **entrenamiento de modelos de IA**, donde se requieren enormes cantidades de memoria y ancho de banda, la inferencia —la fase en la que los modelos ya entrenados procesan datos en tiempo real— tiene necesidades diferentes. Según d-Matrix, la inferencia está “**estrangulada por la memoria**”, más que por la potencia bruta de cálculo (FLOPs). “Los modelos crecen a una velocidad increíble, y los sistemas HBM tradicionales son cada vez más costosos, intensivos en energía y limitados en ancho de banda”, explicó **Sid Sheth**, fundador y CEO de la compañía. La solución: acercar el cómputo a la memoria y ejecutar operaciones directamente en ella. ## Cómo funciona 3DIMC En su chip **Pavehawk**, actualmente en pruebas de laboratorio, d-Matrix combina memorias LPDDR5 con **chiplets DIMC apilados en 3D** a través de un interposer. Estos chiplets incorporan lógica especializada en multiplicación matriz-vector, una operación recurrente en modelos de IA basados en transformadores. La clave está en que las operaciones se realizan **dentro de la memoria misma**, reduciendo drásticamente la latencia, aumentando el ancho de banda y, en teoría, mejorando la eficiencia energética hasta en un **90% respecto a HBM**. La compañía ya trabaja en la siguiente generación, llamada **Raptor**, que buscará superar definitivamente a HBM en cargas de inferencia. ## Implicaciones económicas y estratégicas HBM es actualmente un recurso limitado y caro. Solo tres fabricantes dominan el mercado: **SK hynix, Samsung y Micron**, y se espera que su precio siga aumentando. SK hynix estima un crecimiento anual del **30% en el mercado HBM hasta 2030**, lo que significa una presión creciente para los centros de datos y proveedores cloud que dependen de estas memorias. En este contexto, una alternativa como 3DIMC resulta atractiva. Un diseño **especializado para inferencia** podría abaratar costes y liberar a los grandes clientes —hiperescalares y empresas de IA— de la dependencia de unos pocos proveedores. Sin embargo, algunos analistas advierten que esta especialización podría ser “demasiado estrecha” y arriesgada, en un sector que ya muestra síntomas de **sobreinversión o “burbuja” tecnológica**. ## ¿Revolución o nicho? La apuesta de d-Matrix se enmarca en una tendencia más amplia: diseñar **hardware específico para cada fase del ciclo de vida de la IA**. Si el entrenamiento y la inferencia tienen perfiles tan distintos, ¿por qué forzar a una misma tecnología de memoria a cubrir ambas necesidades? La respuesta llegará en los próximos años, a medida que hyperscalers como Google, Microsoft o Amazon evalúen si merece la pena incorporar un ecosistema paralelo de memorias para la inferencia. Por ahora, d-Matrix busca demostrar que su propuesta no es solo un prototipo de laboratorio, sino una alternativa viable en el mercado real. --- ### Preguntas frecuentes (FAQ) **¿Qué diferencia a 3DIMC de la memoria HBM?** Mientras HBM se limita a transferir datos rápidamente entre memoria y procesador, 3DIMC realiza cálculos dentro de la memoria, reduciendo la necesidad de mover datos y mejorando la eficiencia en tareas de inferencia. **¿Es 3DIMC un sustituto directo de HBM?** No en todos los casos. Está orientada a **inferencias de IA**, no al entrenamiento de modelos, donde HBM sigue siendo más adecuada. **¿Qué ventajas económicas ofrece 3DIMC?** Podría reducir la dependencia de los grandes fabricantes de HBM y abaratar los costes de infraestructura, sobre todo en centros de datos que procesan grandes volúmenes de inferencia. **Cuándo podría estar disponible comercialmente?** Por ahora, d-Matrix solo tiene Pavehawk funcionando en laboratorio. El próximo chip, Raptor, será el que busque validación real frente a HBM en los próximos años. vía: [d-matrix.ai](https://www.d-matrix.ai/scaling-ai-inference-with-3dimc/)