Trainium3 frente a NVL72: la convergencia acelera el datacenter de IA
La semana pasada, AWS anunció sus sistemas Trainium3 UltraServer y, en la lectura de Trainium3 frente a NVL72, quedó patente la convergencia en arquitectura de racks para IA a gran escala. El anuncio sincroniza a AWS con Nvidia y AMD, con impacto inmediato en costos, tiempos de despliegue y disponibilidad en datacenters.
La cuarta ola del boom de la IA empuja a una estética y función comunes: chasis modulares, blades intercambiables y redes de alta velocidad. Trainium3 frente a NVL72 es hoy el termómetro de esa tendencia en la nube de alto rendimiento.
Impacto inmediato: Trainium3 frente a NVL72 en racks de IA
La similitud visual con Nvidia GB200 NVL72 no es casual; apunta a una base común de diseño que favorece la estandarización. Además, AWS opera grandes despliegues de racks GB200 y GB300 NVL72 y no sería extraño que porciones de rack se compartan entre plataformas.
Con Trainium4, AWS dejó entrever que sus blades podrían encajar en el chasis MGX utilizado por las GPUs de Nvidia, empujando una arquitectura modular única. Trainium3 frente a NVL72, por lo tanto, se convierte en el eje de decisión para compras y logística a hiperescala.
Detalles técnicos y componentes
AWS presentó una blade de cómputo Trainium3 que combina un CPU Graviton con cuatro aceleradores Trainium3 y dos unidades Nitro para offload de red y seguridad; hasta ahora, sus sistemas Trainium habían recurrido a CPUs x86 de Intel. Sin embargo, la interconexión marca diferencias: AWS emplea NeuronSwitch, AMD apuesta por UALink sobre Ethernet y Nvidia utiliza NVLink/NVSwitch.
Se avanzó que Trainium4 podría combinar UALink con NVLink Fusion para ampliar el ancho de banda y la flexibilidad. Además, la adopción de MGX facilitaría ciclos de actualización sin reemplazar el chasis completo.
Arquitectura y escalado: Trainium3 frente a NVL72
Las topologías en disputa van de torus 2D/3D a redes con switch. Nvidia NVL72 se apoya en NVLink/NVSwitch; AMD avanza su propuesta Helios; Google explora circuitos ópticos para TPU. AWS y Nvidia, sin embargo, han optado por cables y switches para escalar más allá de 144 aceleradores.
Antes del siguiente salto, Trainium3 frente a NVL72 define el equilibrio entre latencia, ancho de banda y coste por vatio en el rack, con efectos directos en entrenamiento y despliegue de modelos fundacionales.
Puntos clave del anuncio
- Blade Trainium3: CPU Graviton + 4 aceleradores Trainium3 + 2 DPUs Nitro (desacople de red/seguridad).
- Interconexión: NeuronSwitch (AWS), UALink sobre Ethernet (AMD), NVLink/NVSwitch (Nvidia).
- Modularidad: compatibilidad prevista con chasis MGX para simplificar actualizaciones.
- Topologías: torus 2D/3D frente a redes con switch; objetivo, escalar más allá de 144 aceleradores.
- Operación: grandes despliegues de racks GB200 y GB300 NVL72 en Amazon.
- Documentación oficial: AWS Trainium y Nvidia NVL72.
Rumbo del mercado: Trainium3 frente a NVL72 como referencia
La industria se alinea en un diseño de rack único para múltiples chips que reduce piezas únicas y simplifica proveedores. Además, la convergencia acelera roadmaps y abarata el TCO, a la vez que exige compatibilidad entre interconexiones heterogéneas.
En el corto plazo, la carrera por la eficiencia se decidirá en la malla de interconexión, protocolos y capacidad de escalar sin penalizar latencia. Con la llegada de Trainium4 y la maduración de NVLink Fusion/UALink, las comparativas de Trainium3 frente a NVL72 seguirán marcando el pulso del datacenter de IA.
