UpDown: el chip manycore 100x más rápido en grafos

¿Por qué las CPUs y GPUs tradicionales fallan con grafos y datos irregulares?

El mercado de chips para IA superó los 100.000 millones de dólares en 2025 y sigue creciendo a un ritmo del 30% anual, con NVIDIA controlando cerca del 80% de cuota. Pero hay un problema que el paradigma GPU/CPU no resuelve bien: las cargas de trabajo irregulares, como el procesamiento de grafos o las matrices dispersas que usan modelos de recomendación, detección de fraude o análisis de redes sociales. Si tu startup entrena modelos con datos en forma de grafo, ya has notado la ineficiencia.

El núcleo del problema es estructural. Las CPUs multicore están optimizadas para flujos de datos regulares y predecibles. Las GPUs son brillantes en operaciones SIMD (mismo dato, muchas operaciones), pero se atascan cuando los accesos a memoria son impredecibles. Para aplicaciones como graph neural networks (GNNs) o álgebra lineal dispersa —dos de las bases del HPC moderno— la utilización real de los núcleos cae por debajo del 20%.

Qué es UpDown y cómo reinventa la arquitectura de procesadores

UpDown es una arquitectura manycore desarrollada por investigadores de la Universidad de Chicago liderados por Andrew A. Chien, publicada en ICS 2026. Su premisa: en lugar de forzar el hardware existente a hacer cosas para las que no fue diseñado, rediseñar desde cero un chip optimizado para many-threading (miles de hilos simultáneos) y paralelismo de memoria escalable.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

El proyecto recibió financiamiento de IARPA (la agencia de investigación avanzada del gobierno de EE. UU.) dentro del programa AGILE, con una inversión inicial de 9,2 millones de dólares. No es un experimento académico menor: detrás hay colaboración con Purdue University y Tactical Computing Labs para llevar el diseño a implementación real.

La arquitectura se apoya en tres innovaciones que trabajan en conjunto:

Event-Driven Scheduling (EDS): El planificador no espera que un hilo termine para lanzar otro. Reacciona a eventos de memoria y cómputo en tiempo real, eliminando el tiempo muerto que destruye la utilización en cargas irregulares.
Software-controlled Lightweight Threading (SCLT): Miles de hilos ultra-ligeros por núcleo, gestionados por software. Esto permite que cuando un hilo espera datos de memoria, otro ocupe el núcleo de inmediato. La latencia de memoria deja de ser un cuello de botella.
Split-transaction Memory Access con sincronización por software: Los accesos a memoria se dividen en transacciones independientes. No hay bloqueos globales esperando confirmación; el software gestiona la sincronización de forma granular, maximizando el ancho de banda efectivo.

¿Cuánto más rápido es UpDown frente a CPUs, GPUs y otras manycore?

Los resultados presentados en el paper apuntan a mejoras de rendimiento de hasta 100x en analíticas de grafos frente a arquitecturas convencionales. Pero los números crudos no cuentan toda la historia.

La diferencia real está en eficiencia por vatio. Las CPUs de Intel o AMD consumen cientos de vatios en cargas HPC con utilización limitada. Las GPUs de NVIDIA son eficientes en matrices densas pero ineficientes en grafos irregulares. UpDown está diseñado para mantener alta utilización de núcleos incluso con patrones de acceso impredecibles, lo que se traduce en mejor rendimiento por vatio en ese tipo de carga.

Una comparativa simplificada:

CPUs multicore (Intel/AMD): Rendimiento bajo en grafos, overhead alto de sincronización, escalabilidad limitada más allá de ~128 núcleos.
GPUs (NVIDIA): Excelentes en operaciones densas regulares, débiles en acceso irregular a memoria, alto consumo energético.
UpDown manycore: Diseñado específicamente para irregularidad, miles de hilos por chip, acceso a memoria distribuido y software-defined.

UDWeave: el lenguaje de programación diseñado para este chip

UDWeave es el lenguaje de programación creado específicamente para UpDown. Su propósito es expresar los patrones de many-threading ligero, el scheduling impulsado por eventos y los accesos split-transaction de forma que el compilador pueda mapearlos directamente a las capacidades del hardware.

Conceptualmente, UDWeave funciona como una capa de abstracción que convierte lógica de alto nivel en instrucciones que aprovechan al máximo el paralelismo de memoria del chip. Para un desarrollador de sistemas, la analogía más cercana sería CUDA para NVIDIA: un lenguaje que expone primitivas del hardware específico para extraer su rendimiento máximo.

La existencia de UDWeave es también una señal de madurez del proyecto: ya no es solo diseño de hardware, hay un stack de software que hace el chip programable para investigadores y, potencialmente, para productización futura.

El ecosistema manycore: UpDown no está solo en esta carrera

La apuesta de Chicago no surge en el vacío. Hay todo un ecosistema de empresas y proyectos empujando en la misma dirección, con distintos enfoques:

Cerebras Systems: Su Wafer-Scale Engine concentra cientos de miles de núcleos en un único wafer de silicio. Enfocado en training de modelos grandes de ML.
Graphcore: Su IPU (Intelligence Processing Unit) fue diseñado específicamente para grafos e IA irregular, con un modelo de memoria distribuida que se parece conceptualmente a UpDown.
Tenstorrent: Con sus chips Wormhole, apuesta por una arquitectura manycore escalable para inferencia y training de IA. Cuenta con el respaldo de Jim Keller, uno de los arquitectos de procesadores más influyentes del sector.
Intel y AMD: Siguen iterando en sus líneas HPC (Intel Xeon con AMX, AMD Instinct MI-series) pero dentro del paradigma convencional.

La diferencia de UpDown respecto a estos actores es su foco específico en cargas irregulares como grafos y matrices dispersas mediante movimiento inteligente de datos definido por software, algo que los chips comerciales no priorizan.

¿Qué significa esto para tu startup?

Puede que construir tu propio chip esté fuera del presupuesto de tu ronda seed (y del series B). Pero las tendencias de arquitectura de hardware siempre terminan afectando qué infraestructura cloud estará disponible, a qué coste y con qué capacidades. Aquí hay tres implicaciones concretas:

Si tu producto usa GNNs o analítica de grafos: Los próximos 2-3 años verán chips especializados llegar a entornos cloud. AWS, Google y Azure ya están explorando silicon propio (Trainium, TPU, Maia). El acceso a hardware manycore optimizado para grafos reducirá drásticamente tus costes de inferencia. Mantén un ojo en las ofertas de HPC especializado.
Si estás en HPC o computación científica: El diseño software-defined de UpDown sugiere que la próxima generación de supercomputadoras será más programable y menos dependiente de GPUs genéricas. Arquitecturas como UpDown o Graphcore IPU podrían convertirse en el hardware de referencia para simulaciones y álgebra lineal dispersa. Vale la pena que tu equipo de ingeniería se familiarice con estos paradigmas ahora.
Si evalúas infraestructura para tu stack de IA: No asumas que las GPUs de NVIDIA son siempre la opción óptima. Para cargas irregulares, alternativas como chips manycore o FPGAs pueden ofrecer mejor relación rendimiento/coste. Haz benchmarks con tus cargas reales antes de comprometerte con un proveedor de cómputo.

A nivel más amplio, la investigación de UpDown es una señal de que el sector académico y gubernamental de EE. UU. está apostando por reinventar la arquitectura de procesadores desde los fundamentos, no por iterar sobre el paradigma existente. Para founders que construyen en los próximos 5-10 años, entender estas tendencias es parte de tomar decisiones de infraestructura con criterio.

Por qué el fin del escalado tradicional hace urgente este tipo de investigación

Durante décadas, la industria se benefició de la Ley de Moore y el Dennard Scaling: cada generación de chips era más rápida y eficiente energéticamente de forma casi automática. Ambas tendencias se han agotado. La frecuencia de reloj de los procesadores lleva más de una década estancada por encima de los 3-5 GHz; añadir más transistores ya no se traduce automáticamente en más rendimiento útil.

La respuesta del sector ha sido el paralelismo: más núcleos, más hilos, más aceleradores. Pero el paralelismo de propósito general tiene límites de escalabilidad, especialmente para cargas irregulares. La promesa de arquitecturas como UpDown es que el paralelismo específico de dominio —diseñado desde cero para un tipo de carga— puede romper esos límites donde el hardware genérico fracasa.

Con el TOP500 de supercomputadoras mostrando que los chips manycore y wafer-scale representan ya más del 20% de las instalaciones en 2025, y el mercado de chips para IA creciendo sin freno, las decisiones de arquitectura de hardware que se toman hoy en laboratorios como el de Chicago definirán los datos centers de 2030.