¿Qué significa Meta Muse para GPU y CPU?

Con el lanzamiento de agentes de IA personales como Meta Muse, la inteligencia artificial está evolucionando de chatbots pasivos y reactivos hacia agentes inteligentes autónomos que operan las 24 horas, lo que podría aumentar significativamente el consumo de CPU, GPU, memoria y de las infraestructuras de red.

Según el último informe de investigación de Citi publicado el 6 de octubre, aplicaciones de agentes inteligentes como Meta Muse están llevando las expectativas del mercado de hardware de computación a nuevos máximos. El banco anticipa que, para 2030, el tamaño potencial total de mercado (TAM) global de CPU se expandirá de 29.000 millones de dólares en 2025 a 300.000 millones de dólares, con una tasa de crecimiento compuesta anual del 60%.

Por el lado de las GPU, los agentes inteligentes también generan una demanda incremental estructural. Según sus cálculos, si Meta Muse alcanza 100 millones de usuarios activos diarios, se requerirán entre 200.000 y 390.000 GPUs a nivel Blackwell, lo que podría significar entre 7.000 y 19.000 millones de dólares de ingresos únicos para Nvidia.

Esta tendencia beneficia directamente a los proveedores de potencia de cómputo centrales. El banco señala que, dado que Meta es uno de los mayores clientes del negocio de servidores de AMD, AMD será uno de los principales beneficiarios del resurgimiento de las CPU —su precio objetivo fue elevado a 800 dólares—. Al mismo tiempo, Nvidia también se verá beneficiada sostenidamente por el aumento en la demanda de GPU.

Ascenso de los agentes inteligentes: la CPU como nuevo cuello de botella

Antes del auge de la IA de agentes, las CPU estaban restringidas principalmente a cargas de trabajo tradicionales y a funcionar como nodo principal (Head Node) de aplicaciones de IA. En los nodos principales, la CPU sólo gestiona, enviando solicitudes de usuarios a la GPU y devolviendo los resultados, mientras que los trabajos pesados de multiplicación de matrices e inferencia eran realizados por la GPU.

Sin embargo, los agentes inteligentes han cambiado esta división del trabajo. Citi señala en su informe que “En comparación con los chatbots tradicionales, creemos que la IA de agentes es el principal impulsor de un crecimiento potencial de la demanda de cómputo en órdenes de magnitud.” Los agentes deben realizar orquestación, bucles de inferencia, procesamiento de datos y tareas de seguridad, lo que convierte a la CPU en el nuevo cuello de botella.

A medida que la IA evoluciona de entrenamiento de modelos hacia inferencia y, más adelante, hacia flujos de trabajo autónomos de agentes inteligentes, la proporción CPU:GPU está cambiando significativamente. Durante el entrenamiento de modelos, la relación era de 1:8; en la etapa de inferencia es 1:4; y en la IA de agentes inteligentes, está evolucionando hacia 1:1 o incluso niveles superiores. El banco prevé que, para 2030, las CPU dedicadas a agentes inteligentes crecerán a una tasa compuesta anual del 247%, representando el 52% de todo el mercado de CPUs.

El “libro contable” de la potencia GPU para Meta Muse

Meta Muse es el primer agente de IA orientado al consumidor lanzado a la escala de una verdadera red social, y su huella de cómputo es una de las variables más importantes en la infraestructura actual de IA. A diferencia de los chatbots estándar, Muse, como agente autónomo, opera de manera continua y su lógica subyacente requiere un mayor consumo de GPU.

Citi elaboró un modelo de demanda de GPU “de abajo hacia arriba”. En el escenario base, se asume que un usuario típico realiza 4 solicitudes simples y 12 tareas de agente al día (como buscar un restaurante, revisar el calendario y redactar una invitación), y cada tarea de agente implica unas 8 llamadas al modelo. Dado que el modelo no conserva memoria entre llamadas, debe releer cada vez el contexto creciente de la conversación.

Sobre esta base, el banco calcula que cada usuario de Muse requiere aproximadamente 0,0020 GPUs de nivel GB200. En otras palabras, cada GPU solo puede servir a unos 500 usuarios. El banco enfatiza: “A nivel estructural, los agentes representan una carga de inferencia mucho más pesada que los chatbots.” Bajo el mismo marco de referencia, la capacidad de GPU requerida por un usuario de chatbot es solo el 12,5%-25% de la de un usuario agente.

Reacción en cadena en memoria y red

Los flujos de trabajo de agentes no solo exigen más a los chips lógicos, sino que asimismo generan una reacción en cadena que impacta la memoria y los sistemas de red. En cuanto a memoria, las CPU requieren altos ratios de acople con LP, DDR y SSD. Micron señaló recientemente que los flujos de trabajo de agentes inteligentes, representados por Meta Muse, están permitiendo que los consumidores obtengan mayor valor, mientras que la CPU representa una mayor limitación para la DRAM.

En el extremo de red, la IA de agentes incrementa de manera sustancial el tráfico de red. Directivos de Nvidia comunicaron a Citi: “Un agente puede operar durante horas o de manera ininterrumpida... lo que impulsa la generación de muchos más tokens en cargas de trabajo tanto de consumidores como empresariales.”

Esta operación continua implica que, cada vez más, quienes acceden a las infraestructuras son agentes y no humanos. Esto impulsa el incremento del tráfico “norte-sur” dentro de los centros de datos (como el acceso al almacenamiento, servicios de seguridad, configuración, etc.), lo que crea nuevas oportunidades de aceleración para DPU (como BlueField 4) y Ethernet Spectrum-X.