Superfábricas de IA distribuidas: cómo se estira la red entre campus

La electricidad, el suelo, el agua y los permisos —y no solo el silicio— deciden hoy hasta dónde puede crecer una fábrica de IA dentro de un único edificio. Cuando un emplazamiento ya no puede alojar los siguientes cien mil aceleradores, los operadores hacen lo que las redes eléctricas han hecho siempre: repartir la carga. El resultado es una nueva clase de red de IA multicampus, en la que los trabajos de entrenamiento y de inferencia desagregada tratan varias instalaciones como una sola máquina. Ese salto del scale-out de rack a rack a la conectividad entre edificios y entre áreas metropolitanas es lo que la industria llama cada vez más scale-across.

El scale-across no es un nuevo nombre para el viejo enlace de respaldo. La interconexión de centros de datos (DCI) tradicional movía réplicas, snapshots y tráfico cloud norte-sur. Un fabric scale-across moderno debe transportar operaciones colectivas entre GPU, fragmentos de caché KV y de activaciones, ráfagas de checkpoints y telemetría del plano de control, con la capacidad, la diversidad de rutas y el control de congestión suficientes para que un trabajo síncrono no acabe esperando a la red. Este artículo explica cómo funciona todo ello: la física de la distancia, la óptica coherente y Coherent-Lite, los sistemas de línea y el espectro C+L, el peering y la fibra oscura, el scale-across a nivel de paquete (incluido NVIDIA Spectrum-XGS), las estrategias de software para el entrenamiento multisede y lo que realmente midieron las pruebas de campo.

Del scale-up y el scale-out al scale-across

Dentro de una nave, las redes de IA ya se dividen en capas conocidas. El scale-up une los aceleradores dentro de un nodo o pod (NVLink y similares). El scale-out conecta los pods en un fabric GPU de back-end sin pérdidas, o casi, con InfiniBand o Ethernet RoCE. El Ethernet de front-end sigue encargándose de la ingesta de almacenamiento, las API y los usuarios. El informe de Cisco sobre scale-across de julio de 2026 recuerda esa separación y luego plantea la pregunta incómoda: ¿cuál de esos fabrics se puede extender cuando el siguiente rack con suministro eléctrico está en otro edificio o en otra ciudad?

La entrada de ingeniería de NVIDIA de septiembre de 2025 define el scale-across como una tercera dimensión de la conectividad de los fabrics de cómputo de IA, ortogonal al scale-up y al scale-out. Spectrum-XGS Ethernet, anunciado el 22 de agosto de 2025 en Hot Chips, es la concreción comercial de esa idea por parte de NVIDIA: algoritmos que adaptan el control de congestión y el enrutamiento adaptativo a la distancia entre instalaciones para que varios centros de datos se comporten como una única «superfábrica» de IA. NVIDIA posiciona la tecnología para enlaces de más de unos 500 metros, tanto entre edificios de un campus como en trayectos a escala de ciudad o de región. Según NVIDIA, en pruebas a 10 km se obtiene hasta 1,9 veces más ancho de banda en all-reduce de NCCL que con un Ethernet convencional, con las mayores ganancias en los mensajes grandes típicos del entrenamiento.

La distancia no es un sobrecoste opcional: es física. NVIDIA recuerda que la luz se propaga por la fibra a unos 5 nanosegundos por metro, así que 1 km cuesta unos 5 µs en un sentido. Es imperceptible para una persona y demoledor para un AllReduce estrechamente sincronizado. Los conmutadores de búfer profundo que las operadoras de telecomunicaciones usan como «amortiguadores» en los enlaces de larga distancia pueden ocultar pérdidas, pero añaden latencia y jitter, dos cosas que los trabajos de IA síncronos detestan. Por eso, los diseños de paquete scale-across intentan mantener búferes poco profundos y una gestión guiada por telemetría, sin dejar de absorber el producto ancho de banda-retardo del trayecto largo.

Por qué campus y regiones deben compartir un mismo trabajo

Tres fuerzas empujan a los operadores hacia diseños multisede.

Electricidad y suelo. El ensayo de Lumentum sobre scale-across de septiembre de 2026 lo resume con un eslogan: a menudo es más fácil mover gigabytes que gigavatios. Los clústeres de IA concentran cargas eléctricas y térmicas enormes; cuando las conexiones a la red, los transformadores y el terreno no dan abasto en una misma dirección, el cómputo tiene que repartirse allí donde antes haya capacidad disponible.

Fungibilidad de las instalaciones. NVIDIA sostiene que una arquitectura Ethernet unificada de scale-out y scale-across permite reasignar los mismos conmutadores Spectrum-X y SuperNIC ConnectX-8 entre funciones dentro de una sede y entre sedes, lo que mejora el retorno de la inversión en capacidad infrautilizada. Por ese motivo, CoreWeave se comprometió públicamente desde el principio con despliegues de Spectrum-XGS.

Geografía de las cargas de trabajo. STL Socios describe un ciclo de vida de la IA en el que se entrena en una región, se hace el ajuste fino en otra y se sirve la inferencia desde muchas ciudades, lo que genera flujos DCI multidireccionales y a ráfagas. Su investigación afirma que cada megavatio de cómputo de IA puede generar hasta el doble de tráfico DCI que la capacidad cloud tradicional: una cifra de analista, pero coherente con la carrera del sector hacia más longitudes de onda y rutas en malla.

Nada de esto significa que todo entrenamiento deba repartirse por un continente. Significa que la arquitectura de red tiene que estar lista cuando el mapa eléctrico y el tamaño de los modelos lo impongan.

Redes ópticas para IA: coherente, Coherent-Lite y C+L

En cuanto el trayecto sale del edificio, el cobre y la óptica IM-DD de corto alcance dejan de bastar. A escala de campus y metropolitana, las redes ópticas para IA pasan cada vez más por módulos coherentes enchufables conectados a routers y conmutadores DCI, junto con sistemas de línea abiertos que iluminan muchas longitudes de onda sobre una fibra compartida.

Estándares: 400ZR, 800ZR y el camino hacia 1,6T

El Optical Internetworking Forum (OIF) hizo viable la DCI coherente multifabricante con el 400ZR, publicado por primera vez en marzo de 2020 y al que se atribuye en buena medida el impulso de las arquitecturas de centros de datos distribuidos gracias a módulos coherentes en formato cliente. El 30 de octubre de 2024, el OIF publicó el Implementation Agreement 800ZR para enlaces DWDM amplificados de un solo vano de 80 a 120 km orientados a DCI, que transporta clientes Ethernet desde 100GE hasta 800G agregados sobre una sola línea coherente, con módulos enchufables de bajo consumo aptos para alta densidad. El OIF también actualizó el 400ZR (IA 3.0) y sigue trabajando en variantes 1600ZR / Coherent-Lite para alcances más largos y más cortos relevantes para la IA, según resumen los materiales de sus talleres hasta 2026.

El planteamiento del panel de óptica coherente de Marvell en OFC 2026 sirve como taxonomía (es la presentación de un fabricante, pero está alineada con las clases de alcance del OIF): Coherent-Lite / campus para unos 2 a 20 km en fibra oscura de banda O de baja latencia o vanos optimizados; clase ZR para unos 20 a 120 km en DWDM C/L; y ZR+ y modos PCS más largos para trayectos regionales y troncales de más de 1.000 km, con una hoja de ruta comercial de módulos enchufables de 400G a 800G y 1,6T.

Scale-across cercano y lejano

La entrada del blog de Ciena sobre scale-across de febrero de 2026, firmada por su director de producto y tecnología, divide la demanda de los clientes en arquitecturas cercanas y lejanas.

El scale-across cercano se dirige a huellas metropolitanas o regionales con el mínimo de emplazamientos de amplificación intermedios. Los hiperescaladores pidieron el máximo alcance sin casetas ILA «a toda costa». La respuesta de Ciena combina módulos coherentes enchufables en bandas C y L (incluido el WaveLogic 6 Nano 800G tanto en banda L como en banda C) con una configuración compacta del sistema de línea RLS C+L —unos 6U para un terminal con protección óptica—, además de amplificación Raman para estirar vanos únicos y conmutación de protección óptica integrada en el espectro C o L. Lo que está en juego comercialmente es extremo: hay clientes que hablan de decenas de Pb/s de tráfico entre sedes y de decenas de miles de conexiones activadas en plazos muy ajustados.

El scale-across lejano acepta amplificadores de línea intermedios, pero exige una densificación radical. Los chasis ILA tradicionales, que terminan un par de fibras por chasis, no pueden soportar de forma rentable cientos de pares de fibra para una IA multirregional. Ciena presenta su configuración RLS Hyper-Rail como un aumento de un orden de magnitud en la densidad de fibra dentro del espacio de rack existente, para evitar que proliferen las casetas de amplificación.

La página de soluciones de Ciena describe explícitamente ese continuo: DCI de campus con Coherent-Lite; DCI metropolitana con 400ZR/800ZR; scale-across dedicado con módulos C&L de ultrabajo consumo y sistemas de línea con rutas diversas; y, por último, troncal y submarino para las distancias más largas (con las cifras de WaveLogic 6 para redes de clase 1,6 Tb/s).

Peering, fibra oscura y rutas en malla

La óptica solo sirve si existen trayectos de fibra con la diversidad y las condiciones comerciales adecuadas. STL Socios sostiene que las ráfagas multidireccionales de la IA rompen la DCI clásica en estrella: el tráfico debe ir por rutas directas en malla entre instalaciones en lugar de dar rodeos por un único núcleo. Los operadores consideran cada vez más obligatoria la redundancia multirruta —con un mismo proveedor o con varios— y buscan fibra oscura que pueda iluminarse o ampliarse rápidamente cuando una campaña de entrenamiento se dispara.

El documento de Nokia sobre MOFN (managed optical fiber network) describe el menú comercial que los hiperescaladores negocian de verdad: longitudes de onda de ancho de banda gestionado contratadas a una operadora (CSP); construcciones privadas sobre fibra oscura alquilada o propia, en las que el hiperescalador es dueño del sistema de línea y del equipamiento coherente; y modelos MOFN híbridos en los que el cliente influye en el diseño mientras la operadora explota la planta. Para una IA a escala continental, los trayectos suelen atravesar varias redes de operadoras, con una CSP principal que une los segmentos de sus socios: peering en sentido óptico y comercial, no solo BGP en un punto neutro de Internet.

Las variables de diseño de Cisco para el scale-across son tajantes: la distancia es lo que más degrada el RDMA; los fabrics GPU de back-end deben mantener una sobresuscripción menor que los de front-end; el búfer profundo depende del caso, no es un dogma; y la óptica debe ajustarse al vano (FR/DR/LR frente a ZR/ZR+ coherente), verificada con pruebas y no con el optimismo de las fichas técnicas. La metodología de su Zeus AI Lab mide el rendimiento RDMA con PerfTest, las operaciones colectivas NCCL y las métricas de trabajos MLPerf en topologías de extensión de front-end y back-end, desde 100 metros hasta cientos de kilómetros.

En resumen, una red de IA multicampus es tanto una estrategia de fibra y peering como una estrategia de ASIC de conmutación: rutas diversas, óptica controlable y espectro de reserva suficiente para que un conducto cortado o una tormenta repentina de AllReduce no dejen tirado un entrenamiento de mil millones de dólares.

Entrenamiento síncrono entre sedes: lo que muestran los datos

¿Se puede entrenar de verdad un único modelo en varios campus sin entregar a la WAN la mayor parte de los FLOPs? Los datos públicos recientes dicen que sí, con el paralelismo y el transporte adecuados.

Software: ocultar el RTT

La documentación de NVIDIA NeMo Framework 25.02 / Megatron-Core 0.11.0 (entrada técnica de mayo de 2025) describe cuatro técnicas para el entrenamiento de LLM en varios centros de datos: una orquestación adaptativa de recursos que, a través de la WAN, prefiere el paralelismo de datos y de pipeline, tolerante a la latencia, frente a los patrones de tensor/experto, muy intensivos en comunicación; un AllReduce jerárquico que reduce dentro de cada sede, hace el AllReduce entre sedes y luego reúne localmente; un optimizador distribuido que fragmenta el estado dentro de cada sede y sincroniza los gradientes una sola vez entre sedes; y transferencias entre sedes por bloques, solapadas con el cómputo. En un entrenamiento de Nemotron-4 340B entre sedes de Oracle Cloud en Chicago y Ashburn —a unos 1.000 km de distancia y con un RTT medido de 21 ms—, NVIDIA informa de que 3.072 GPU (1.536 por sede) alcanzaron más del 96 % del rendimiento de una sola sede, con una utilización de FLOPS del modelo que solo pasó del 51 % al 49 %.

Ese resultado no pretende ofrecer la latencia de un InfiniBand dentro de una nave a mil kilómetros. Demuestra que la topología de software puede mantener ocupadas las GPU cuando el enlace de larga distancia transporta fases colectivas elegidas con cuidado.

Prueba de campo óptica: 120 km, 800G C+L

En OFC 2025, el China Telecom Research Institute presentó una prueba de campo de entrenamiento de un LLM de 175.000 millones de parámetros en 1.024 GPU repartidas entre dos centros de datos separados por 120 km, sobre una red de transporte óptico WDM C+L de 800 Gbit/s de alta fiabilidad. La eficiencia del entrenamiento llegó al 99,41 % con paralelismo de pipeline y al 98,95 % con paralelismo de datos. Es una de las pruebas públicas más claras de que una OTN metropolitana, combinada con la estrategia de paralelismo adecuada, puede mantener la eficiencia multisede cerca de la de una sola sede.

Scale-across de paquetes: Spectrum-XGS a 10 km

La comparación NCCL de NVIDIA a 10 km entre Spectrum-XGS y un Ethernet convencional (según NVIDIA, hasta 1,9 veces más ancho de banda en all-reduce) aborda otra parte del problema: cuando el trayecto largo sigue siendo un «fabric Ethernet de IA» y no un circuito OTN clásico, el control de congestión y el enrutamiento adaptativo deben tener en cuenta la distancia o los mensajes grandes del entrenamiento salen perjudicados. Spectrum-XGS comparte hardware con Spectrum-X, de modo que scale-out y scale-across forman un único dominio operativo con telemetría de extremo a extremo, un contraste importante frente a añadir un equipo DCI de búfer profundo a un fabric de IA que, por lo demás, tiene búferes poco profundos.

Línea de investigación: RDMA sin pérdidas sobre DC-OTN

La investigación académica e industrial sigue atacando los modos de fallo que quedan en el RDMA de larga distancia: bucles de ACK alargados, presión sobre los búferes de destino y escalas temporales de congestión que mezclan tráfico dentro y entre centros de datos. GeoPipe (arXiv, octubre de 2025) demuestra un paralelismo de pipeline mejorado sobre una red de transporte óptico de centros de datos con RDMA sin pérdidas entre tres sedes, con fuertes reducciones de la proporción de «burbujas» de cómputo cuando la comunicación entre centros de datos se solapa con el cálculo. Otras propuestas de RDMA consciente de la OTN (por ejemplo, el ajuste de velocidad al estilo MatchRDMA) apuntan a las patologías de ACK y de búfer del RoCE geodistribuido. Son trabajos incipientes, pero refuerzan una conclusión compartida: para el entrenamiento, las redes ópticas para IA son un problema de pila completa; DSP, FEC, búferes OTN, control de velocidad de las NIC y paralelismo del modelo deben diseñarse de forma conjunta.

Diseñar el estiramiento: una guía práctica

Los operadores que construyen una superfábrica distribuida pueden abordar el problema como una serie de contratos por capas.

1. Clasificar el vano. Campus (de cientos de metros a pocos kilómetros), metropolitano (decenas de kilómetros) o regional (cientos de kilómetros), según la terminología de niveles de Cisco. La óptica, la amplificación y la posibilidad de extender el propio fabric de back-end cambian con cada nivel.

2. Decidir qué cruza la fibra. Extender el front-end para almacenamiento y orquestación es más fácil que extender el back-end sin pérdidas. Muchos diseños mantienen las operaciones colectivas de back-end mayoritariamente en local y solo envían entre sedes etapas de pipeline, reducciones jerárquicas o fragmentos de inferencia desagregada: exactamente la filosofía de orquestación de NeMo.

3. Asegurar espectro y diversidad antes que las GPU. Duplicar con C+L, vanos únicos asistidos por Raman, una densidad ILA de clase Hyper-Rail y una malla con doble conducto son decisiones ópticas que llevan más tiempo que instalar servidores. Las recomendaciones de STL Socios sobre malla y fibra oscura deben estar en la ruta crítica del plan de un campus de IA, no en un ticket posterior.

4. Medir el jitter, no solo los bits. El éxito del scale-across es un tiempo de finalización predecible. Mida las métricas de NCCL y de los trabajos sobre la planta de fibra real; los alcances ZR que anuncian los fabricantes son necesarios, pero no suficientes.

5. Dejar el peering comercial por escrito. Tanto si compra longitudes de onda gestionadas, MOFN o fibra oscura que ilumina usted mismo, incluya en el contrato la diversidad, los presupuestos de latencia y los derechos de ampliación ante ráfagas. Lo puntiagudo del tráfico de IA convierte la tarificación estática por percentil 95 en un falso ahorro si una oleada de entrenamiento necesita de repente un trago de clase Pb/s entre naves.

Inferencia, desagregación y camino de vuelta

El entrenamiento se lleva los titulares, pero los fabrics multicampus transportan cada vez más tráfico de inferencia y de servicio desagregado. El prefill puede ejecutarse donde la electricidad es más barata; el decode puede situarse más cerca de los usuarios; los fragmentos de caché KV y de expertos pueden ir y venir entre naves sobre longitudes de onda coherentes que se iluminaron en su día para el AllReduce. Ese camino de vuelta tiene otras cuentas —mensajes más pequeños, latencia de cola más estricta, ciclo de trabajo más continuo—, pero depende del mismo sustrato óptico y de peering. Los operadores que optimizan la interconexión solo para el entrenamiento síncrono corren el riesgo de quedarse cortos con la malla de inferencia, que es la que de verdad rentabiliza las GPU entre campañas de entrenamiento.

El lema de Lumentum, «gigabytes, no gigavatios», también se aplica aquí: mover activaciones y estado de caché entre campus suele ser más barato que duplicar cada grupo de aceleradores en cada ciudad. Con un Ethernet consciente de la distancia al estilo Spectrum-XGS para los tramos metropolitanos cortos y óptica coherente ZR/ZR+ para la DCI más larga, la planta de la fábrica se convierte en un grafo programable de naves en lugar de una única dirección. La disciplina de ingeniería es la misma que en el entrenamiento: medir SLO de tiempo de finalización sobre la planta de fibra real, dejar la diversidad explícita en los contratos y no tratar nunca la WAN como algo secundario una vez llenos los racks.

Perspectivas: la red se convierte en la planta de la fábrica

A finales de 2026, el panorama estratégico está claro. El scale-out dentro de una nave sigue siendo esencial, pero el techo de las fábricas de IA lo marca cada vez más la interconexión de centros de datos de IA —módulos coherentes enchufables, sistemas de línea abiertos, fibra oscura y fabrics Ethernet conscientes de la distancia—, junto con software de entrenamiento que respete la geografía. El 800ZR del OIF y los trabajos incipientes sobre 1,6T industrializan la capa óptica; Ciena, Marvell, Lumentum y sus competidores densifican las plantas C+L; NVIDIA Spectrum-XGS y pilas de paquetes scale-across similares intentan mantener a raya las operaciones colectivas sin el jitter del búfer profundo; y la comunicación jerárquica al estilo NeMo y las pruebas de campo de OFC muestran que el entrenamiento síncrono multisede puede conservar la mayor parte de la eficiencia de una sola sede cuando el paralelismo se ajusta al RTT.

Los ganadores no serán quienes simplemente alquilen más longitudes de onda. Serán quienes traten la red de IA multicampus como parte del propio complejo de aceleradores: planificada con el mapa eléctrico, iluminada con espectro coherente diverso, interconectada para soportar ráfagas y fallos, y programada para que las GPU esperen a los algoritmos, no a la luz que todavía viaja entre campus.

Lecturas relacionadas

• InfiniBand frente a Ethernet en clústeres de IA: la guerra de fabrics dentro de la fábrica de IA
• Microsoft Fairwater y el auge de la superfábrica de IA distribuida
• Entrenar modelos de billones de parámetros: lo que debe ofrecer la próxima generación de silicio

Imágenes: ilustraciones originales creadas para AndBeyond.Tech; no aparecen logotipos ni personas reales.