Mercado de chips de computación en memoria (CIM) Tamaño y Compartir 2026-2035

Tamaño del mercado de chips de computación en memoria (CIM)

El mercado mundial de chips de computación en memoria (CIM) está valorado en 500 millones de USD en 2025 y se prevé que alcance los 687,7 millones de USD en 2026 y los 12,800 millones de USD en 2035, con una expansión a una TCAC aproximada del 38,4% durante 2026–2035.

La computación en memoria sitúa las operaciones de multiplicación y acumulación cerca de las matrices de memoria que almacenan los pesos de las redes neuronales o dentro de ellas. Esta arquitectura aborda la carga asociada al movimiento de datos que limita el rendimiento de la inferencia y la eficiencia energética en los diseños convencionales de procesadores y memoria.

La computación en memoria está pasando de ser una propuesta de diseño de circuitos a convertirse en un reto de cualificación de productos. La arquitectura de investigación NorthPole de IBM integró 192 MB de SRAM en un diseño 256-core, lo que demuestra cómo la memoria distribuida en el chip puede reducir la dependencia del movimiento de pesos fuera del chip para la inferencia neuronal . La oportunidad comercial es más sólida allí donde las cargas de trabajo de inferencia son lo bastante sostenidas como para que un menor consumo energético por operación y una menor latencia influyan en la adquisición de sistemas, incluidos los clústeres de inferencia en la nube, los sistemas de borde para automoción y aplicaciones industriales, y los dispositivos integrados con restricciones de batería. ^{[1]IBM Research, Analog AI: In-Memory Computing for Energy-Efficient Deep Learning, research.ibm.com. (research.ibm.com)}

La cadena de suministro combina diseño avanzado de memoria, acceso a nodos tecnológicos para lógica, conocimientos especializados en diseño de circuitos mixtos o digitales, soporte de compiladores, encapsulado e integración de sistemas. Esto hace que la adopción de la computación en memoria sea más compleja que sustituir una tarjeta aceleradora por otra. Los fabricantes de memoria pueden adaptar las hojas de ruta consolidadas de DRAM, SRAM o Flash para convertirlas en productos de procesamiento en memoria, mientras que los proveedores sin fábrica propia deben asegurarse capacidad en las fundiciones y demostrar que su pila de software permite la implementación, la conversión de modelos, la supervisión y la gestión del ciclo de vida. Por tanto, la capacidad de integrar matrices de computación en memoria con interfaces estándar y arquitecturas consolidadas de servidores o dispositivos de borde determinará la conversión de las adjudicaciones de diseño en mayor medida que la eficiencia computacional teórica por sí sola.

El argumento de inversión no se basa en una sustitución universal de las GPU o las CPU. La computación en memoria resulta especialmente atractiva cuando los modelos mueven repetidamente grandes conjuntos de pesos, cuando la disponibilidad energética limita el rendimiento o cuando los requisitos de latencia y consumo energético descartan los aceleradores convencionales. La ventaja de eficiencia demostrada por IBM para NorthPole en un nodo de proceso comparable respalda la premisa técnica, pero la conversión generalizada del mercado sigue dependiendo de la portabilidad del software, la validación de la fiabilidad y la economía de la integración . Por tanto, la expansión prevista hasta los 12,810 millones de USD en 2035 presupone que los proveedores convertirán la eficiencia centrada en la memoria en productos cualificados, en lugar de depender únicamente del rendimiento en las pruebas de referencia. ^{[2]Wiley, All-in-One Analog AI Hardware: On-Chip Training and Inference with Conductive-Metal-Oxide/HfOx ReRAM Devices, doi.org. (doi.org)}

Principales factores impulsores

La inferencia de IA está cada vez más limitada por el movimiento de datos que por el rendimiento aritmético. Durante la inferencia autorregresiva de modelos de lenguaje de gran tamaño, los pesos del modelo deben consultarse repetidamente para cada token generado. Esto convierte el acceso a la memoria en un factor determinante de la latencia, la utilización del acelerador y el consumo energético. ^{[3]Bowen, Patrick, et al., Analog, In-Memory Compute Architectures for Artificial Intelligence, arXiv, arxiv.org. (arxiv.org)} Un diseño de investigación de una TPU integrada con computación en memoria (CIM) notificó una mejora del rendimiento del 44,2% para la inferencia de modelos generativos y una reducción de 27,3× en el consumo energético de la unidad de multiplicación de matrices en comparación con su configuración de referencia TPUv4i citada. Estos resultados son relevantes desde el punto de vista comercial porque los operadores de la nube compran rendimiento utilizable y coste por inferencia, no operaciones máximas por segundo.

La disponibilidad de electricidad se ha convertido en una limitación de infraestructura para el despliegue de la IA. Los centros de datos estadounidenses consumieron 176 TWh en 2023, equivalentes al 4,4% del consumo nacional de electricidad, según el Lawrence Berkeley National Laboratory. A medida que aumenta el despliegue de servidores de IA, el suministro eléctrico, la refrigeración y la interconexión a la red pueden retrasar las ampliaciones de capacidad incluso cuando se dispone de capital. La computación en memoria (CIM) puede mejorar la justificación económica de la expansión de la inferencia al reducir las transferencias entre la memoria y la computación, aunque el beneficio materializado depende de las características de la carga de trabajo, los objetivos de precisión y la sobrecarga del sistema circundante. ^{[4]Lawrence Berkeley National Laboratory, In-Memory Computing and Energy-Efficient AI Hardware Research, eta-publications.lbl.gov.}

Los despliegues perimetrales amplían el mercado abordable más allá de la infraestructura a hiperescala. La percepción en automoción, la inspección industrial, las cámaras, los dispositivos ponibles y los sensores conectados requieren inferencia local cuando los intercambios de ida y vuelta con la nube generan desventajas de latencia, ancho de banda, privacidad o resiliencia. La computación en memoria basada en memoria flash y SRAM es especialmente relevante porque puede conservar localmente los pesos del modelo y, al mismo tiempo, reducir las transacciones con la memoria externa. Rain AI comenzó a enviar hardware de demostración para computación neuromórfica analógica de bajo consumo en octubre de 2024, lo que señaló la transición de los enfoques especializados de CIM perimetral hacia la evaluación por parte de clientes.

Las arquitecturas convencionales afrontan un problema de muro de memoria que no puede resolverse únicamente mediante una mayor densidad de computación. La memoria de alto ancho de banda mejora el suministro de datos a las GPU, pero no elimina el coste energético y de latencia asociado al movimiento de datos entre dominios de almacenamiento y procesamiento separados. La CIM modifica esta relación física al ejecutar determinadas operaciones allí donde residen los datos. El enfoque es especialmente relevante para las operaciones de matriz-vector y matriz-matriz utilizadas en la inferencia neuronal, aunque no resulta igualmente adecuado para todos los operadores de modelos ni para todos los requisitos de precisión.

Los avances en la tecnología de memoria están ampliando el conjunto de sustratos de CIM viables comercialmente. Samsung ha informado de mejoras en el rendimiento y el consumo energético gracias a HBM-PIM, LPDDR5-PIM y las configuraciones de procesamiento cercano a la memoria basadas en CXL para cargas de trabajo relacionadas con los LLM. SK hynix ha demostrado por separado su enfoque AiM para cargas de trabajo de IA. Estos programas son importantes porque las interfaces de memoria estandarizadas y las rutas de fabricación consolidadas pueden reducir el riesgo de adopción al que se enfrentan las arquitecturas de aceleradores completamente nuevas. Paralelamente, la investigación sobre CIM memristiva continúa demostrando el potencial de la inferencia en el borde con un consumo energético muy bajo, al tiempo que pone de manifiesto el trabajo de calibración y fiabilidad necesario antes de su implementación a gran escala.

Principales restricciones

El diseño de arquitecturas de CIM sigue siendo un problema de ingeniería a nivel de sistema. Las implementaciones digitales deben equilibrar la densidad de la SRAM, la precisión, el encaminamiento y la distribución de energía. Las implementaciones analógicas añaden variaciones de los dispositivos, deriva térmica, conversión de analógico a digital, calibración y gestión de errores basada en el modelo. Las revisiones sobre SRAM-CIM destacan que la arquitectura de la matriz y los circuitos periféricos influyen de forma significativa en la precisión, la densidad y el rendimiento energético, lo que impide transferir sin modificaciones un único diseño de macro entre distintos nodos de proceso o aplicaciones. La carga de verificación resultante eleva las necesidades de capital y prolonga el tiempo entre la fabricación del silicio de prototipo y la homologación por parte del cliente.

La ausencia de interfaces y plataformas de software ampliamente adoptadas añade un segundo punto de fricción. Los fabricantes de memoria están avanzando en la estandarización del procesamiento en memoria, pero el mercado de CIM incluye enfoques basados en SRAM, DRAM, Flash y memoria resistiva, así como enfoques analógicos, digitales e híbridos, con distintos requisitos de programación e implementación. Por tanto, los clientes se enfrentan a un riesgo de portabilidad: un modelo optimizado para una arquitectura puede requerir una recompilación, cuantificación o rediseño sustancial de los operadores para otra. Esto favorece a los proveedores que combinan el hardware con herramientas de compilación mantenidas, bibliotecas de modelos y asistencia para la integración.

Las limitaciones de precisión y resistencia de las soluciones analógicas restringen los casos de uso a corto plazo. Los diseños de CIM basados en Flash y memoria resistiva pueden lograr características atractivas de densidad y consumo energético, pero la variación física de los dispositivos, los efectos de retención y el error analógico acumulado complican la inferencia de alta precisión. Un estudio sobre CIM integrada en memoria NAND Flash identifica la variación de la tensión umbral y las no idealidades a nivel de matriz como factores que deben abordarse para preservar la precisión del modelo. En las aplicaciones de automoción, sanidad e industria, los requisitos de homologación pueden orientar la decisión de producto hacia arquitecturas digitales o híbridas, incluso cuando las soluciones analógicas ofrecen un valor nominal de energía por operación más bajo.

Los requisitos regulatorios también afectan a las decisiones de comercialización. Las salvaguardas de la Ley CHIPS de EE. UU. imponen restricciones a determinadas operaciones en las que participan beneficiarios de incentivos federales, mientras que los controles de exportación pueden reducir los mercados finales accesibles para el hardware de IA de alto rendimiento. En Europa, las obligaciones basadas en el riesgo establecidas por la Ley de IA de la UE aumentan la importancia de la trazabilidad y la evaluación de la conformidad para las aplicaciones de alto riesgo. Estas medidas no regulan la CIM como una arquitectura diferenciada, pero influyen en los mercados en los que los proveedores pueden vender, en la forma de validar los sistemas y en las características de fiabilidad que los compradores priorizan.

La división competitiva inmediata se producirá entre los proveedores capaces de comercializar una plataforma fiable y aquellos que solo puedan demostrar una macro de alta eficiencia. El trabajo relacionado con el procesamiento dentro de la memoria de JEDEC, el desarrollo de productos por parte de los proveedores de memoria y el uso de interfaces de host estándar pueden reducir el riesgo para los compradores con el tiempo. Hasta que mejoren la interoperabilidad y la madurez del software, las decisiones de compra favorecerán las implementaciones que demuestren un rendimiento determinista, asistencia para la integración y una gestión del ciclo de vida creíble. La CIM analógica mantiene una sólida posición a largo plazo en cargas de trabajo periféricas sujetas a restricciones, pero su adopción se secuenciará en función de la validación, en lugar de estar determinada únicamente por la eficiencia energética.

Análisis del segmento del mercado de chips de computación en memoria (CIM)

Por tipo de tecnología de memoria

La CIM basada en SRAM es el mayor segmento de tecnología de memoria, con un valor de 203,22 millones de USD en 2025, y se prevé que alcance los 5,410 millones de USD en 2035, lo que representa una TCAC aproximada del 38,95 %. Su liderazgo refleja la familiaridad con su fabricación: las macros de SRAM pueden integrarse con lógica mediante procesos CMOS consolidados, lo que permite a los diseñadores desarrollar inferencia de alto ancho de banda y baja latencia sin depender del comportamiento de memorias no volátiles emergentes. La arquitectura NorthPole de IBM demuestra el valor estratégico de este enfoque al combinar SRAM distribuida con una matriz de computación densa para reducir la dependencia de la memoria externa.

El inconveniente de la SRAM es el coste en superficie. Las celdas de seis transistores ocupan una superficie del chip sustancialmente mayor por bit almacenado que la DRAM o la memoria Flash, por lo que la SRAM-CIM resulta más atractiva desde el punto de vista económico allí donde la baja latencia y el rendimiento predecible justifican un mayor coste de materiales del silicio. Esto alinea el segmento con la inferencia en la nube de gama alta, las redes, la visión industrial y los sistemas periféricos de mayor rendimiento. Su liderazgo de mercado no implica que la SRAM sea el sustrato universal para la CIM; indica que la fabricación consolidada y el comportamiento determinista siguen siendo especialmente valiosos durante la fase comercial inicial del mercado.

Se prevé que la CIM basada en Flash sea el tipo de tecnología de memoria de crecimiento más rápido, al pasar de 166,13 millones de USD en 2025 a 4,670 millones de USD en 2035, con una TCAC aproximada del 39,71 %. Su almacenamiento no volátil permite que los pesos neuronales permanezcan en el chip cuando se interrumpe la alimentación, una característica útil en dispositivos integrados que requieren inferencia local inmediata. Las investigaciones del IEEE sobre la computación dentro o cerca de la memoria Flash identifican funciones diferenciadas para los enfoques 3D NOR y 3D NAND en la computación digital de alto ancho de banda, las búsquedas y las operaciones analógicas de multiplicación y acumulación.

El valor comercial de la CIM basada en Flash es mayor allí donde los diseñadores deben gestionar conjuntamente la energía, la capacidad de memoria y el comportamiento en espera. Esto incluye nodos de sensores, cámaras, dispositivos portátiles y determinadas funciones de automoción.

Sin embargo, los proveedores de Flash-CIM deben demostrar que la resistencia, el control de la tensión umbral, la precisión de inferencia y la compatibilidad con las herramientas cumplen los requisitos específicos del producto. Por tanto, la rápida expansión prevista refleja el crecimiento de la demanda en el borde y un perfil favorable de coste por bit, no la eliminación de las compensaciones de ingeniería.

La computación en memoria basada en DRAM está valorada en 78,54 millones de USD en 2025 y se prevé que alcance 1,920 millones de USD en 2035, con un crecimiento a una TCAC aproximada del 37,76 %. Este segmento se centra en enfoques de procesamiento en memoria y procesamiento cerca de la memoria que conservan las ventajas de capacidad de la DRAM, al tiempo que añaden capacidad de cálculo próxima a los almacenes de datos de gran ancho de banda. El trabajo de Samsung en HBM-PIM y LPDDR5-PIM, junto con el desarrollo de AiM de SK hynix, posiciona la computación en memoria basada en DRAM principalmente en aplicaciones de centros de datos de alto rendimiento y de inteligencia artificial centradas en la memoria , . ^{[5]IBM Research, In-Memory Computing: Non-Von Neumann Architectures for AI, doi.org.}

Otros sustratos, incluidos los basados en RRAM, PCM, MRAM y FeFET, representan 52,11 millones de USD en 2025 y se prevé que alcancen 794,39 millones de USD en 2035. Estas tecnologías ofrecen una valiosa no volatilidad o potencial para la computación analógica, pero siguen limitadas por los retos relacionados con el rendimiento de fabricación, la resistencia, la retención y la integración. Su menor TCAC, de aproximadamente el 31,21 %, refleja una vía de comercialización que probablemente seguirá siendo selectiva hasta que mejoren la uniformidad de fabricación y las pruebas de cualificación.

Por tipo de arquitectura

La computación digital en memoria es el mayor segmento de arquitectura, con una contribución de 217,53 millones de USD en 2025, y se prevé que alcance 5,740 millones de USD en 2035, con una TCAC aproximada del 38,81 %. Las implementaciones digitales conservan el cálculo discreto y, por lo general, se adaptan mejor a las aplicaciones que requieren resultados deterministas, formatos de modelos cuantizados conocidos y procesos de verificación más claros. Esto les confiere relevancia comercial para la inferencia en la nube y las aplicaciones periféricas reguladas, en las que un comportamiento predecible puede ser más importante que el máximo beneficio potencial en términos de eficiencia.

La plataforma Corsair de d-Matrix ilustra la propuesta de la computación digital en memoria para la inferencia de inteligencia artificial generativa: su arquitectura integra elementos de procesamiento en matrices de memoria para reducir el movimiento de datos, mientras que su posicionamiento comercial se centra en el despliegue en centros de datos, en lugar de en una métrica de circuito independiente . Los diseños digitales siguen requiriendo compiladores especializados y modelos de ejecución adaptados a la memoria, pero pueden reducir la carga de cualificación asociada a la variación analógica.

La computación analógica en memoria es el tipo de arquitectura que crece con mayor rapidez: pasa de 155,72 millones de USD en 2025 a 4,380 millones de USD en 2035, con una TCAC aproximada del 39,70 %. Realiza cálculos mediante propiedades físicas como la corriente, la carga o la conductancia, y puede ofrecer una eficiencia superior en términos de superficie y energía para la inferencia de precisión media. Las investigaciones sobre aceleradores analógicos de computación en memoria basados en SRAM demuestran el potencial de la arquitectura para lograr una elevada eficiencia energética, al tiempo que ponen de manifiesto la necesidad de calibración y de una gestión de la precisión a nivel de sistema .

La prima de crecimiento refleja la importancia de la energía por inferencia en los dispositivos de cliente y los sistemas integrados. La ronda de financiación de EnCharge AI de febrero de 2025 respalda la comercialización continua de la computación analógica en memoria para plataformas de cliente . Las perspectivas del segmento dependen de que los proveedores logren convertir el rendimiento de laboratorio en un comportamiento reproducible del silicio, flujos de trabajo de software sólidos y una precisión aceptable para los clientes.

La CIM híbrida representa el punto intermedio práctico, con unos ingresos de 126,74 millones de USD en 2025, y se prevé que alcance 2,690 millones de USD en 2035, con una TCAC aproximada del 35,79 %. Al combinar bloques de computación analógica con circuitos digitales de corrección o control, los diseños híbridos pueden conservar algunas ventajas de eficiencia y, al mismo tiempo, abordar las cuestiones relacionadas con la precisión y la fiabilidad. Su menor crecimiento previsto en comparación con los sistemas puramente analógicos refleja una mayor complejidad arquitectónica, pero este enfoque puede resultar atractivo cuando un diseño completamente analógico no puede cumplir los umbrales de validación específicos de la aplicación.

Por aplicación

Data Center & Cloud AI es el mayor segmento de aplicación, con un valor de 162,25 millones de USD en 2025, y se prevé que alcance 4,300 millones de USD en 2035, con una TCAC aproximada del 38,88 %. El segmento abarca sistemas de alto valor en los que el consumo energético, el ancho de banda de la memoria y la latencia de inferencia tienen implicaciones directas en los costes operativos. El CS-3 de Cerebras, basado en el motor de escala de oblea WSE-3, es un ejemplo de sistema diseñado para concentrar la computación y la memoria integrada en el chip para cargas de trabajo de IA. La escala y el nivel de utilización de las implementaciones en la nube permiten que las mejoras de eficiencia se acumulen en grandes flotas de servicio.

La oferta de inferencia basada en LPU de Groq representa una vía comercial diferente: el hardware de inferencia determinista puede monetizarse mediante el acceso a API en la nube, en lugar de depender únicamente de la venta directa de hardware. Estos modelos de negocio orientan la evaluación de los compradores hacia los tokens por dólar, la capacidad disponible, la latencia y la fiabilidad del servicio. Los proveedores de CIM que se dirijan a este segmento necesitan algo más que rendimiento del chip; requieren integración de software, asistencia al cliente, experiencia en la implementación en centros de datos y una vía creíble para alcanzar escala.

Edge AI es el segmento de aplicación de mayor crecimiento, con una expansión desde 121,49 millones de USD en 2025 hasta 3,420 millones de USD en 2035, a una TCAC aproximada del 39,71 %. Las implementaciones en el edge favorecen las arquitecturas que reducen el tráfico de memoria, ya que el consumo energético, la capacidad de la batería, el diseño térmico y el tiempo de respuesta están estrechamente relacionados. Las aplicaciones de percepción para automóviles, visión industrial y cámaras inteligentes pueden generar oportunidades especialmente atractivas, pero solo cuando la solución cumple los requisitos de seguridad, fiabilidad y larga vida útil.

Las aplicaciones de IoT y sistemas embebidos representan 88,54 millones de USD en 2025 y se prevé que alcancen 2,170 millones de USD en 2035. La inferencia local de bajo consumo y el almacenamiento no volátil de pesos favorecen las soluciones de CIM basadas en memoria Flash y memorias emergentes, pero la economía unitaria depende más del volumen que en los centros de datos. Los proveedores deben demostrar que el beneficio energético supera el coste adicional y el esfuerzo de integración en comparación con los microcontroladores, las NPU o las arquitecturas asistidas por la nube.

HPC y automatización industrial representan 72,31 millones de USD en 2025 y se prevé que alcancen 1,690 millones de USD en 2035. Los compradores de este segmento valoran la respuesta determinista, el tiempo de actividad, la integración con los sistemas de control existentes y la disponibilidad a largo plazo. Otros segmentos, como la Administración pública, la defensa, las ciudades inteligentes y las primeras implementaciones de imagen médica, representan 55,41 millones de USD en 2025 y se prevé que alcancen 1,210 millones de USD en 2035. Estas aplicaciones pueden respaldar programas iniciales de cualificación, pero a menudo requieren ciclos de adquisición más largos y una validación rigurosa.

Por sector del usuario final

TI y telecomunicaciones es el principal sector usuario final en 2025 e incluye a los operadores de la nube, la infraestructura empresarial de IA y las cargas de trabajo de las redes de telecomunicaciones. El sector está en condiciones de adoptar la CIM cuando los operadores puedan validar un menor consumo energético y un mayor ancho de banda efectivo de memoria a escala de producción.

La automoción es estratégicamente importante porque los sistemas ADAS y la IA integrada en los vehículos requieren procesamiento local con unas condiciones térmicas y energéticas fijas. El segmento favorecerá las arquitecturas capaces de cumplir los requisitos de seguridad funcional y fiabilidad, lo que hace especialmente relevante la CIM digital e híbrida durante las primeras fases de implementación.La electrónica de consumo ofrece un potencial de volumen para los sistemas analógicos de bajo consumo y Flash-CIM, mientras que la adopción en el sector sanitario dependerá de la validación de los dispositivos, la trazabilidad y los requisitos de gestión de los datos de los pacientes. Los usuarios industriales priorizan un comportamiento determinista y un soporte durante ciclos de vida prolongados, lo que puede ralentizar la adopción, pero también crear oportunidades duraderas para los proveedores que superen las barreras de cualificación.

La combinación de tecnologías sigue el mismo patrón de dos velocidades. SRAM y la CIM digital lideran porque reducen los riesgos de cualificación y software en implementaciones sensibles al rendimiento. Flash y la CIM analógica crecen más rápido porque el almacenamiento no volátil y el menor consumo energético por inferencia se adaptan mejor a dispositivos con alimentación intermitente y limitaciones térmicas. Los proveedores que presenten estas arquitecturas como sustitutas pasarán por alto la realidad comercial: la oportunidad más duradera consiste en adaptar las opciones de sustrato y arquitectura a las restricciones de precisión, consumo energético, vida útil e integración de cada clase de implementación.

Análisis regional del mercado de chips de computación en memoria (CIM)

América del Norte

El mercado de América del Norte está valorado en 157,08 millones de USD en 2025 y se prevé que alcance los 3,840 millones de USD en 2035, con una TCAC aproximada del 37,76 %. Estados Unidos sustenta la demanda regional mediante la infraestructura de inteligencia artificial a hiperescala, la avanzada actividad de diseño de chips y la concentración de empresas orientadas a la CIM, entre ellas Cerebras, Groq, d-Matrix, EnCharge AI, Mythic, Lightmatter, IBM y Micron. Canadá contribuye mediante su actividad de ingeniería y hardware de inteligencia artificial, incluidas Untether AI, con sede en Toronto, y las operaciones de d-Matrix.

La política estadounidense refuerza el ecosistema regional de diseño y fabricación. La Ley CHIPS y de Ciencia autorizó importantes incentivos para los semiconductores y las salvaguardas asociadas, configurando tanto las decisiones nacionales sobre la cadena de suministro como las alianzas comerciales. Los proveedores norteamericanos se benefician de compradores sofisticados de servicios en la nube y empresas, pero los controles de exportación y la concentración de clientes pueden limitar la escala mundial. El éxito en la región dependerá de convertir la diferenciación técnica en implementaciones de producción con un soporte de software y una fiabilidad operativa suficientes. ^{[6]The Conference Board, Artificial Intelligence Computing Infrastructure and Energy Demand, conference-board.org.}

Europa

Europa representa 87,78 millones de USD en 2025 y se prevé que alcance los 1,920 millones de USD en 2035, con una TCAC aproximada del 36,24 %. Alemania, el Reino Unido, Francia, España, Italia, Rusia y el resto de Europa contribuyen mediante la demanda de los sectores automovilístico e industrial, así como de los ámbitos de investigación y la inteligencia artificial empresarial. La Ley Europea de Chips entró en vigor en septiembre de 2023 y estableció un marco destinado a reforzar la capacidad y la resiliencia de los semiconductores.

La oportunidad de Europa está más concentrada en implementaciones industriales cualificadas y reguladas que en el volumen de aceleradores para hiperescalado. El marco basado en el riesgo de la Ley de IA de la UE hace que la trazabilidad y la validación sean cada vez más relevantes para el hardware utilizado en sistemas de IA de alto riesgo. El Tribunal de Cuentas Europeo también ha destacado el riesgo de ejecución de la estrategia europea de semiconductores, al señalar que los objetivos de fabricación declarados se enfrentan a retos prácticos de implementación. En consecuencia, es probable que la adopción europea de la computación en memoria (CIM) favorezca a los proveedores que combinen rendimiento técnico con documentación de cumplimiento normativo, homologación para el sector de la automoción y capacidad de integración local.

La adquisición de Graphcore por SoftBank en julio de 2024 ilustra la dificultad de ampliar la escala de los proveedores europeos independientes de procesadores de IA frente a ecosistemas de GPU consolidados. El enfoque de Graphcore basado en unidades de procesamiento inteligente (IPU), que vincula estrechamente una memoria integrada en el chip de gran capacidad con la computación, sigue siendo relevante para la tendencia más amplia hacia la computación centrada en la memoria, pero la operación demuestra que la calidad de la arquitectura por sí sola no garantiza una escala comercial.

Asia-Pacífico

Asia-Pacífico es el mercado regional más grande y de más rápido crecimiento, y pasará de 201,90 millones de USD en 2025 a 6,020 millones de USD en 2035, con una TCAC aproximada del 40,52 %. Su posición se sustenta en la concentración de la fabricación de memoria, la inversión en semiconductores, la demanda interna de IA y el talento regional en diseño. China, India, Japón, Corea del Sur, Australia y el resto de Asia-Pacífico aportan capacidades diferenciadas en fabricación, tecnología de memoria, electrónica integrada, infraestructura soberana de IA y demanda del sector de la automoción.

Corea del Sur ofrece la base comercial más sólida de la región para la CIM aplicada a la memoria, a través de Samsung y SK hynix. Sus programas de procesamiento en memoria vinculan el desarrollo de la CIM con ecosistemas consolidados de DRAM, HBM y memoria móvil. China aporta una amplia base nacional de investigación y patentes, junto con inversión en semiconductores respaldada por el Estado. La actividad patentaria relacionada con Hangzhou Zhicun Technology, también conocida como WitMem, demuestra el desarrollo continuo de configuraciones de procesamiento en memoria con múltiples chips. ^{[7]ServeTheHome, In-Memory Computing and Emerging AI Accelerator Technologies, servethehome.com.}

Japón está reforzando el apoyo a los semiconductores avanzados y a las tecnologías de IA. El Ministerio de Economía, Comercio e Industria de Japón impulsó medidas legislativas en febrero de 2025 para respaldar la inversión en tecnologías relacionadas con los semiconductores y la IA. La IndiaAI Mission y las iniciativas de política de semiconductores de India amplían la base de demanda potencial de la región para la IA soberana, los dispositivos móviles, la electrónica de automoción y el diseño local de chips. El crecimiento regional estará condicionado por la exposición a los controles de exportación, el acceso a nodos avanzados y HBM, y la capacidad de los proveedores locales para integrar el hardware con ecosistemas de software viables.

América Latina

América Latina está valorada en 25,93 millones de USD en 2025 y se prevé que alcance 461,26 millones de USD en 2035, lo que supone una TCAC aproximada del 33,44 %. Brasil lidera la demanda regional gracias a su economía digital, la expansión de la nube y las iniciativas tecnológicas del sector público. La base manufacturera de productos electrónicos de México y su proximidad a las cadenas de suministro norteamericanas del sector de la automoción generan una oportunidad más limitada, pero relevante, para la adopción de la CIM en la computación en el borde y los sistemas embebidos.

El perfil de crecimiento de la región está determinado por la sensibilidad a los costes y por una menor intensidad de infraestructura de IA a corto plazo que en América del Norte o Asia-Pacífico. Es probable que los compradores prioricen el coste total de propiedad, el soporte local y la integración con sistemas híbridos de nube y edge. Esto favorece las soluciones con ventajas claras en consumo energético, latencia o coste de los dispositivos, en lugar de arquitecturas premium que requieran una inversión considerable en el ecosistema.

Oriente Medio y África

El mercado de Oriente Medio y África está valorado en 27,32 millones de USD en 2025 y se prevé que alcance los 563,76 millones de USD en 2035, con una expansión a una TCAC aproximada del 35,15 %. Arabia Saudí y los Emiratos Árabes Unidos son los principales centros regionales de demanda, respaldados por programas soberanos de inteligencia artificial y el desarrollo de centros de datos. La financiación de Groq en 2025 y sus compromisos con las infraestructuras regionales reflejan el papel de los compradores soberanos en la creación de capacidad de inferencia.

Arabia Saudí, los Emiratos Árabes Unidos, Sudáfrica y el resto de Oriente Medio y África presentan condiciones de adopción diferentes. Los mercados del Golfo pueden respaldar adquisiciones concentradas de computación de alto valor, mientras que es más probable que la demanda africana general se desarrolle a través de las telecomunicaciones, los servicios digitales públicos y las aplicaciones móviles de inteligencia artificial. La logística, la integración local de sistemas, la exposición cambiaria y la disponibilidad de socios cualificados para la implementación influirán en la velocidad a la que el hardware CIM especializado pase de los programas piloto a las infraestructuras operativas.

Norteamérica mantendrá su influencia comercial porque combina fabricantes especializados de chips con adquisiciones de capacidad de inferencia a gran escala. Es probable que la trayectoria de Europa esté más orientada a la cualificación, especialmente en aplicaciones de automoción, industriales y reguladas. América Latina y Oriente Medio y África ofrecen bolsas de demanda selectivas, en lugar de una adopción inicial generalizada. Por tanto, los proveedores deberán diferenciar en su estrategia regional entre los mercados capaces de validar sistemas de alto rendimiento a escala y aquellos en los que la economía localizada de los dispositivos periféricos, las adquisiciones soberanas o los requisitos de cumplimiento determinen las primeras oportunidades comerciales viables.

Cuota de mercado y panorama competitivo de los chips de computación en memoria (CIM)

El mercado de chips CIM está fragmentado porque los proveedores abordan el reto de combinar memoria y computación desde distintos puntos de partida: sistemas a escala de oblea, productos de memoria, procesadores de inferencia en la nube, aceleradores analógicos para dispositivos periféricos, interconexiones fotónicas y arquitecturas de computación cercana a la memoria. Se estima que Cerebras Systems registra una cuota de mercado del 18,2 % en 2025, seguida de Samsung Electronics, con aproximadamente un 12,2 %, SK hynix, con un 8,1 %, Intel, con un 7,9 %, y Groq, con un 6,8 %. El resto de los proveedores, incluidos Mythic, d-Matrix, EnCharge AI, Rain AI, Lightmatter, IBM, Micron, Untether AI y Graphcore, representan aproximadamente el 46,8 %.

Cerebras Systems lidera el mercado mediante sistemas de inteligencia artificial a escala de oblea basados en su arquitectura WSE. El sistema CS-3 incorpora el WSE-3, que, según Cerebras, contiene 4 billones de transistores y 40 GB de SRAM integrada en el chip. Su ventaja competitiva reside en la integración a escala de sistema y el potencial de inferencia de baja latencia; sus factores de exposición son la intensidad de capital necesaria para ampliar los sistemas, la concentración de clientes y la necesidad de mantener un entorno de software capaz de competir con las plataformas de GPU consolidadas.

Samsung Electronics aporta integración vertical en memoria, servicios de fabricación y semiconductores para sistemas. Su trabajo en HBM-PIM, LPDDR5-PIM y procesamiento cercano a la memoria ofrece una vía consolidada para integrar funciones de computación con tecnologías de memoria de gran volumen. La principal ventaja de Samsung es su capacidad para coordinar el desarrollo de arquitecturas con las hojas de ruta de fabricación y memoria. Su reto comercial consiste en convertir las demostraciones técnicas y la actividad de normalización en productos interoperables adoptados por los fabricantes de equipos originales de sistemas y los clientes de la nube.

SK hynix compite mediante sus capacidades en AiM, HBM y memoria móvil. Sus programas GDDR6-AiM y AiMX-xPU indican un enfoque centrado en situar la computación cerca de la memoria para cargas de trabajo de IA. Como proveedor líder de HBM, SK hynix también participa en la cadena de valor convencional de la memoria para IA que CIM pretende transformar. Esta doble exposición proporciona conocimiento del mercado y escala de fabricación, pero exige a la empresa gestionar el posicionamiento de sus productos tanto en la memoria convencional de gran ancho de banda como en la computación en memoria.

Intel participa mediante aceleradores de IA, ecosistemas de memoria compatibles con CXL y vías de computación cercana a la memoria. Gaudi 3 combina memoria de gran ancho de banda con computación especializada para IA y refleja el esfuerzo de Intel por ofrecer alternativas en la infraestructura de IA generativa empresarial. La participación de Intel en CXL puede favorecer enfoques más estandarizados para conectar memoria inteligente o dispositivos cercanos a la memoria, aunque por sí sola no resuelve las diferencias arquitectónicas y de software entre las implementaciones de CIM.

Groq ha desarrollado su arquitectura LPU en torno a la ejecución determinista de inferencias y un alto rendimiento en tokens. Su ronda de financiación de agosto de 2024 puso de relieve el interés de los inversores por el hardware alternativo para la inferencia de IA. El modelo competitivo de Groq va más allá de la venta de chips mediante el acceso a inferencias basadas en la nube, lo que permite a los clientes evaluar el rendimiento a través de métricas de servicio como el tiempo de respuesta, el rendimiento y la disponibilidad. Este modelo puede acelerar el acceso de los clientes, pero también aumenta las exigencias operativas asociadas a la creación y el mantenimiento de una infraestructura de inferencia.

Los competidores especializados buscan oportunidades más concretas. d-Matrix aborda la inferencia en centros de datos mediante computación digital en memoria y captó 275 millones de USD en noviembre de 2025 para respaldar su expansión comercial. EnCharge AI se dirige a la informática de cliente y embebida con tecnología analógica en memoria. Mythic combina memoria Flash embebida con computación analógica y anunció una ronda de financiación de 125 millones de USD en diciembre de 2025. Rain AI desarrolla enfoques neuromórficos analógicos de bajo consumo para su implementación en el perímetro. Estos proveedores pueden beneficiarse de un ajuste específico entre producto y mercado, pero deben superar las mismas barreras de homologación, acceso a fundiciones y ecosistema de software que protegen a los operadores establecidos. ^{[8]Rain AI, Digital In-Memory Compute for AI Training and Inference, rain.ai. (rain.ai)}

Los proveedores de interconexión y encapsulado son cada vez más importantes para el despliegue escalable de CIM. Passage M1000, de Lightmatter, anunciado en marzo de 2025, ofrece una plataforma de interconexión fotónica con hasta 114 Tbps de ancho de banda óptico. La tecnología no constituye por sí misma un procesamiento CIM, pero puede abordar las limitaciones de comunicación a nivel de clúster que surgen cuando se despliegan conjuntamente varios aceleradores centrados en la memoria. Su colaboración con Amkor Technology para desarrollar un encapsulado fotónico 3D de gran tamaño ilustra asimismo cómo el encapsulado avanzado se está convirtiendo en parte de la arquitectura competitiva del sistema.

La actividad en materia de patentes añade una dimensión estratégica a la competencia. La OMPI informó de 3,7 millones de solicitudes de patentes en todo el mundo en 2024, de las cuales la tecnología informática representó el 13,2%. En CIM, la propiedad intelectual diferenciada puede abarcar estructuras de celdas de memoria, calibración analógica, flujo de datos, métodos de compilación, encapsulado e integración de sistemas. Los proveedores con patentes sólidas y conocimientos demostrables de fabricación estarán mejor posicionados para obtener ingresos por licencias, establecer alianzas con fundiciones y asegurar programas de clientes a largo plazo.

Evolución reciente del sector

• Febrero de 2025 - EnCharge AI cerró una ronda de financiación Serie B con una demanda superior a la oferta, por un importe de más de 100 millones de USD. La financiación se destinó a comercializar soluciones de computación analógica en memoria para aplicaciones de informática de cliente.
• Marzo de 2025 - Lightmatter presentó el interposer fotónico Passage M1000. La plataforma proporciona hasta 114 Tbps de ancho de banda óptico para grandes sistemas de IA y aborda los requisitos de interconexión que pueden limitar la escalabilidad con múltiples aceleradores.
• Noviembre de 2025: d-Matrix obtuvo 275 millones de USD en financiación de serie C. La empresa declaró que los fondos se destinarían a respaldar la comercialización de su plataforma de computación digital en memoria para la inferencia de IA.
• Diciembre de 2025: Mythic anunció una ronda de financiación de 125 millones de USD. La financiación respalda el desarrollo continuo de su arquitectura analógica CIM basada en Flash y del ecosistema de software asociado.