Marvell mostró su Photonic Fabric Memory Module, una tecnología que usa conexiones ópticas para compartir hasta 32 TB de memoria DDR5 y 1.152 GB de HBM3e entre un máximo de 16 hosts. La propuesta busca ampliar la memoria disponible para cargas de inteligencia artificial sin tener que comprar más GPU por su capacidad, aunque el diseño sigue en fase previa al silicio y apunta a pruebas con clientes en 2027.
Cómo funciona el sistema de memoria compartida de Marvell
La cifra de 32 TB corresponde al sistema completo, denominado Photonic Fabric Memory Appliance, no a un módulo individual. El appliance agrupa 16 módulos y puede conectar hasta 16 hosts, que podrían ser servidores completos o aceleradores individuales. Por eso, la referencia a 16 GPU describe una posible configuración, pero no implica que cada una obtenga todo el ancho de banda disponible.
Cada módulo combina 72 GB de HBM3e, ocho ranuras para módulos DDR5, un ASIC Photonic Fabric y 7,2 Tbps de entrada y salida óptica, de acuerdo con información técnica presentada por Marvell. Con ocho módulos RDIMM de 256 GB en cada unidad, los 16 módulos sumarían 32 TB de DDR5. La HBM3e del conjunto alcanzaría 1.152 GB, que la empresa redondea a aproximadamente 1 TB.
En este diseño, la HBM3e funciona como una caché de escritura más rápida delante de la memoria DDR5. Los módulos se enlazan mediante fibra en una arquitectura de conexión completa entre pares, sin un conmutador eléctrico central. El uso de luz permite trasladar la memoria a un equipo separado del procesador y compartirla entre distintos nodos.
La caché KV es el principal objetivo
Marvell apunta a la caché KV de los modelos de lenguaje: la memoria temporal que conserva información de una conversación para generar respuestas y que crece con contextos extensos o sesiones de agentes de IA. Cuando esa caché supera la HBM local y la memoria del servidor, los sistemas pueden tener que descartar información y recalcularla o recuperarla desde almacenamiento más lento.
Una memoria compartida podría permitir que un acelerador reutilice el contexto calculado previamente por otro, incluso si ambos están en nodos distintos. Esto puede reducir trabajo repetido y ayudar a mantener contextos grandes disponibles. Para las empresas que operan centros de datos, el atractivo económico consiste en adquirir memoria por separado, en lugar de comprar aceleradores costosos solo para sumar capacidad.
Sin embargo, Marvell todavía no ha publicado cifras verificables de ahorro de capital, coste por gigabyte o rendimiento en hardware real. La capacidad de 32 TB no significa que todas las GPU accedan a la memoria con la velocidad de su HBM integrada: la latencia, el ancho de banda efectivo por host y el comportamiento bajo cargas reales serán factores decisivos.
Disponibilidad y desafíos pendientes
La tecnología aún no está a la venta. Marvell tiene como objetivo comenzar el muestreo con clientes en 2027, y antes deberá demostrar el funcionamiento del silicio, el rendimiento medido y la integración con sistemas de clientes. La arquitectura ya había sido presentada por Celestial AI en 2025; la novedad actual es que Marvell mostró un módulo físico y comunicó un calendario de muestreo.
También hay una tensión en la promesa de memoria potencialmente más económica: el appliance requiere 128 módulos RDIMM de 256 GB para alcanzar los 32 TB de DDR5, y el precio de esa memoria puede afectar el coste total. La propuesta solo reducirá el gasto si el precio del sistema y sus ventajas operativas compensan la inversión en memoria, conectividad óptica y equipos adicionales.
Nvidia también compite por la memoria de IA
Nvidia trabaja en distintas soluciones para el mismo problema. Entre ellas está BlueField-4 STX, una capa de almacenamiento basada en flash para la caché KV, además de tecnología de agrupación de memoria de Enfabrica y una hoja de ruta de óptica integrada. Según TechRadar, Nvidia invirtió 2.000 millones de dólares en Marvell en 2026 y su acuerdo contempla NVLink Fusion y fotónica de silicio.
La inversión no convierte la propuesta de Marvell en un producto de Nvidia ni garantiza que la compañía adopte este appliance. Sí muestra que la memoria y la interconexión son campos estratégicos para la infraestructura de IA. Para los operadores, la decisión dependerá de pruebas independientes de latencia, rendimiento, fiabilidad y coste total frente a alternativas basadas en GPU, memoria local y almacenamiento.
En resumen
- El appliance de Marvell puede reunir 32 TB de DDR5 y 1.152 GB de HBM3e.
- El sistema combina 16 módulos y puede compartir memoria entre hasta 16 hosts.
- La conexión óptica busca ampliar la memoria disponible sin añadir GPU solo por capacidad.
- La caché KV de los modelos de IA es el principal caso de uso previsto.
- El diseño sigue en fase previa al silicio y el muestreo con clientes se espera para 2027.
- Marvell aún no ha demostrado ahorros de CAPEX ni rendimiento en hardware real.
