WhiteFiber asegura haber conectado dos centros de datos separados por 83 kilómetros para que funcionen como un único clúster lógico de GPU. Las primeras pruebas de investigación y desarrollo alcanzaron un ancho de banda agregado de 111,2 Tbps sobre fibra oscura y una latencia de ida y vuelta de 0,9 milisegundos, según los datos publicados por la compañía.

El resultado apunta a una solución para uno de los principales límites de las grandes infraestructuras de inteligencia artificial: encontrar suficiente electricidad, refrigeración y espacio en un solo emplazamiento. Sin embargo, la empresa todavía no ha publicado los detalles técnicos y las pruebas de carga necesarios para comprobar cuánto de ese rendimiento óptico llega realmente a las aplicaciones de entrenamiento distribuido. El lanzamiento comercial está previsto para el tercer trimestre de 2026.

Las claves del clúster distribuido de WhiteFiber en 20 segundos

• La prueba conectó dos centros de datos situados a 83 kilómetros.
• WhiteFiber declara un ancho de banda agregado de 111,2 Tbps.
• La latencia garantizada de ida y vuelta fue de 0,9 milisegundos.
• La conexión utiliza fibra oscura y solo una parte de su espectro disponible.
• La compañía planea iluminar el espectro completo antes del lanzamiento.
• DriveNets aporta el tejido de red Ethernet entre los emplazamientos.
• WEKA NeuralMesh proporciona la capa de datos y memoria.
• WhiteFiber quiere operar ambos centros como un único clúster lógico de GPU.
• La disponibilidad comercial está prevista para el tercer trimestre de 2026.
• No se han divulgado el número de GPU, su modelo ni la eficiencia obtenida al entrenar.
• Tampoco hay resultados independientes que validen las afirmaciones.
• Las solicitudes de patente siguen pendientes y no garantizan su concesión.

Los 111,2 Tbps equivalen a un máximo teórico de unos 13,9 terabytes por segundo. Es una capacidad considerable para una interconexión metropolitana, aunque debe interpretarse como ancho de banda agregado de la infraestructura y no como la velocidad disponible para cada GPU ni como el rendimiento útil de una tarea de inteligencia artificial.

La distancia deja de ser un límite físico, pero no desaparece del software

WhiteFiber presenta su arquitectura como una forma de superar la frontera tradicional del centro de datos. En lugar de construir todo el clúster dentro de una única instalación, la empresa distribuye la computación entre dos emplazamientos y utiliza una red de alta capacidad para que ambos operen como un solo sistema.

La idea responde a una limitación cada vez más frecuente. Los grandes clústeres de IA no crecen únicamente en función de cuántas GPU puede comprar una empresa. También necesitan potencia eléctrica, transformadores, refrigeración, superficie, conectividad y permisos. Reunir todos esos recursos en un solo centro de datos puede requerir años o resultar imposible en una ubicación concreta.

Dividir la infraestructura permite aprovechar dos reservas de energía y ampliar la capacidad sin esperar a que un único emplazamiento pueda admitir más racks. También facilita separar dominios de fallo y mantener ciertos conjuntos de datos en la ubicación donde fueron generados.

La dificultad aparece cuando una misma tarea debe utilizar GPU de los dos centros. El entrenamiento distribuido intercambia gradientes, parámetros y estados con gran frecuencia. La velocidad de la fibra evita que el ancho de banda sea un cuello de botella evidente, pero la latencia continúa influyendo cada vez que los participantes deben sincronizarse.

El recorrido físico explica buena parte de los 0,9 milisegundos. La luz viaja por la fibra a unos 200.000 kilómetros por segundo. Cubrir 83 kilómetros, regresar y atravesar el equipamiento de red deja poco margen para reducir la cifra. WhiteFiber sostiene que su resultado se encuentra aproximadamente un 8 % por encima del límite físico correspondiente al trayecto.

Estar cerca de ese mínimo no significa que la distancia deje de tener consecuencias. Un retraso de 0,9 milisegundos equivale a unos 900 microsegundos, muy por encima de los tiempos habituales dentro de los tejidos locales de un centro de datos. En una operación colectiva repetida miles de veces, cada espera puede acumularse y mantener GPU costosas sin producir trabajo.

La investigación sobre entrenamiento entre centros de datos muestra que las redes de área extensa generan ciclos de inactividad incluso cuando se emplean técnicas específicas para compartir el ancho de banda y organizar la comunicación. Sistemas experimentales como ATLAS mejoran mucho los tiempos frente a configuraciones convencionales, pero necesitan adaptar la planificación del entrenamiento al comportamiento de la red.

Por eso el dato decisivo no será únicamente la capacidad óptica. WhiteFiber tendrá que demostrar qué modelos puede entrenar entre ambos emplazamientos, qué paralelismo utiliza y cuánta eficiencia conserva frente a ejecutar la misma tarea dentro de un solo centro.

111,2 Tbps no prueban por sí solos un superclúster de GPU

La nota de WhiteFiber afirma que los dos centros funcionan como un único superclúster y no como dos entornos conectados. Esa diferencia es importante, pero todavía no está documentada con suficiente detalle.

La compañía no ha indicado cuántas GPU participaron en las pruebas, qué generaciones se utilizaron ni cómo estaban repartidas. Tampoco ha publicado resultados de operaciones colectivas como AllReduce, AllGather o All-to-All, esenciales para medir el comportamiento de un entrenamiento distribuido.

Faltan además datos sobre el rendimiento obtenido por las aplicaciones. Una prueba de transporte puede llenar los enlaces con tráfico sintético y alcanzar una cifra próxima a la capacidad nominal. Un modelo real introduce patrones de comunicación distintos, barreras de sincronización, transferencias de diferentes tamaños y periodos en los que el enlace no se utiliza por completo.

Entre los indicadores que permitirían evaluar la solución se encuentran la eficiencia de escalado, los tokens procesados por segundo, la utilización de las GPU, el tiempo de cada paso de entrenamiento y la diferencia frente a un clúster equivalente alojado en una única instalación.

También resultan necesarios los datos de estabilidad: variación de la latencia, pérdidas de paquetes, retransmisiones, comportamiento durante una avería de fibra y tiempo necesario para redirigir el tráfico. Una latencia media baja puede convivir con picos que afecten a las tareas síncronas.

WhiteFiber asegura que los dos emplazamientos transportan tráfico en producción al mismo tiempo y que, si uno falla, el otro continúa funcionando sin un periodo de conmutación. La red puede mantener disponible el segundo centro, pero conservar una tarea de entrenamiento depende también del software, los puntos de control y la capacidad para seguir trabajando con menos GPU.

Si una ejecución utiliza simultáneamente recursos de ambos lados y pierde uno de los centros, no basta con que la red restante siga activa. El sistema debe retirar los procesos desaparecidos, reconstruir los grupos de comunicación y recuperar el estado del modelo. Es una diferencia relevante entre la continuidad de la infraestructura y la continuidad de la aplicación.

DriveNets para la red y WEKA para mover los datos

WhiteFiber ha construido la solución junto con DriveNets y WEKA. DriveNets proporciona el tejido Ethernet de alto rendimiento encargado de conectar los centros de datos, mientras WEKA NeuralMesh aporta la infraestructura de datos y memoria utilizada por el clúster.

La elección de Ethernet refleja una tendencia más amplia dentro de las fábricas de IA. Los grandes operadores buscan tejidos abiertos que puedan crecer con equipos de distintos fabricantes y aprovechar tecnologías ópticas desarrolladas para redes de telecomunicaciones.

Ethernet debe ofrecer, aun así, un comportamiento mucho más predecible que el de una red empresarial convencional. Los entrenamientos distribuidos generan flujos simultáneos de gran tamaño y pueden sufrir congestión cuando numerosos servidores intentan comunicarse con los mismos destinos. El control de colas, el equilibrio de carga y la reacción ante enlaces degradados son tan importantes como la velocidad nominal.

La capa de almacenamiento tiene otra función esencial. Los dos centros deben acceder a datos, puntos de control y estados del entrenamiento sin crear un cuello de botella adicional. WhiteFiber habla de infraestructura de datos y memoria distribuida, aunque todavía no ha explicado qué información se replica, cómo mantiene la coherencia ni qué rendimiento obtiene al leer y escribir desde ambos emplazamientos.

La empresa sostiene que los datos sensibles pueden permanecer en su centro de origen y que solo los gradientes atraviesan el enlace. Esta organización puede ayudar a cumplir requisitos de localización, pero no garantiza por sí misma la privacidad ni la conformidad normativa.

Distintas investigaciones han demostrado que, bajo determinadas condiciones, los gradientes pueden revelar datos utilizados durante el entrenamiento, incluso reconstruir imágenes o fragmentos de texto. Para emplear esta arquitectura con información sanitaria o financiera serían necesarios controles adicionales, como cifrado, aislamiento, agregación segura, minimización de datos y una evaluación jurídica del flujo completo.

Tampoco basta con mantener los datos brutos en una ubicación para afirmar que se cumplen automáticamente normas como DORA o requisitos sectoriales. La conformidad depende de quién opera los sistemas, dónde se procesan los datos derivados, qué proveedores pueden acceder, cómo se audita la infraestructura y qué ocurre durante una recuperación.

Una respuesta al problema energético de los grandes clústeres

La propuesta de WhiteFiber resulta especialmente interesante por el contexto en el que llega. La demanda de infraestructura para IA está creciendo más rápido que la capacidad eléctrica disponible en algunos mercados. Agregar varios centros mediante fibra permite construir una capacidad lógica mayor sin concentrar toda la potencia en un único punto.

Este modelo puede aprovechar instalaciones que tienen energía disponible, pero no suficiente escala para competir por separado. También ofrece una vía para ampliar clústeres sin reconstruir el emplazamiento original o esperar durante años una nueva conexión a la red eléctrica.

Las operadoras de telecomunicaciones podrían beneficiarse de esta evolución. Disponen de fibra metropolitana, emplazamientos distribuidos y experiencia en redes ópticas. Si la computación puede agregarse con una pérdida asumible de rendimiento, algunos activos diseñados para prestar servicios de red podrían reutilizarse como nodos de infraestructura de IA.

El planteamiento también encaja con proyectos de soberanía tecnológica. Una organización podría conservar conjuntos de datos en distintas regiones y colaborar en un entrenamiento común sin trasladar los archivos originales. La arquitectura no resuelve por sí sola las obligaciones jurídicas, pero ofrece más opciones que centralizar toda la información en una instalación.

La resiliencia es otro argumento. Dos centros reducen la dependencia de una única subestación, sistema de refrigeración o edificio. Sin embargo, la interconexión puede convertirse en un nuevo punto crítico si no existen rutas ópticas independientes y equipos redundantes.

WhiteFiber no ha especificado cuántos caminos físicos utiliza, si los 83 kilómetros corresponden a una única ruta o cómo se comportaría el clúster tras un corte simultáneo. Esa información será necesaria para valorar las afirmaciones sobre continuidad y ausencia de capacidad ociosa.

El lanzamiento comercial tendrá que aportar pruebas más completas

WhiteFiber planea utilizar el espectro completo de la fibra antes de llevar la solución al mercado durante el tercer trimestre de 2026. También prevé publicar entonces información sobre arquitectura, disponibilidad y precios.

La prueba inicial demuestra que es posible transportar más de 100 Tbps entre dos centros separados por decenas de kilómetros con una latencia cercana al límite físico. Es un resultado de red relevante, pero la afirmación de que ambos forman un superclúster comercial necesita una evaluación adicional.

Para confirmarla harán falta ejecuciones reales con GPU, comparaciones frente a un centro único y detalles sobre los protocolos utilizados. También será importante conocer el coste de la óptica, la fibra, los equipos de red y la capacidad de reserva necesaria para mantener la resiliencia.

La economía puede ser tan determinante como el rendimiento. Iluminar fibra oscura con decenas o cientos de canales requiere transceptores, amplificación, mantenimiento y personal especializado. La solución tendrá sentido cuando resulte más barata o rápida que ampliar una sola instalación, no únicamente cuando sea técnicamente posible.

La cifra de 111,2 Tbps muestra que el transporte óptico puede dejar de ser la barrera principal en distancias metropolitanas. La pregunta pendiente es si el software de entrenamiento, la capa de datos y la operación diaria pueden aprovecharlo sin perder una parte excesiva del rendimiento de las GPU.

WhiteFiber ha presentado una dirección creíble para ampliar las fábricas de IA más allá de un edificio. El lanzamiento de Q3 deberá demostrar que esa arquitectura funciona con cargas reales y no solo como una interconexión de laboratorio de gran capacidad.

Preguntas frecuentes

¿Qué ha conseguido WhiteFiber en sus pruebas?
La compañía declara 111,2 Tbps de ancho de banda agregado y 0,9 milisegundos de latencia de ida y vuelta entre dos centros de datos separados por 83 kilómetros.

¿Los dos centros ya funcionan como un único superclúster comercial?
WhiteFiber afirma haber validado la arquitectura en pruebas de I+D, pero el servicio no estará disponible comercialmente hasta el tercer trimestre de 2026.

¿La cifra de 111,2 Tbps es la velocidad de cada GPU?
No. Es el ancho de banda agregado de la interconexión óptica. El rendimiento que recibe cada GPU depende del número de equipos, la red interna y el tipo de carga.

¿Mantener los datos en cada centro garantiza su privacidad?
No. La localización ayuda, pero los gradientes y otros datos derivados también pueden contener información sensible. Son necesarios controles técnicos, organizativos y jurídicos adicionales.