Tamaño y Participación del Mercado de HBM para GPUs de IA - Tendencias de Crecimiento y Pronóstico (2026 - 2031)

Tendencias e Información del Mercado Global de HBM para GPUs de IA

Cuellos de Botella en el Ancho de Banda de Memoria de las GPUs de IA que Elevan las Tasas de Incorporación de HBM

El mercado de HBM para GPUs de IA está avanzando porque la inferencia de modelos de lenguaje de gran escala modernos a menudo está limitada por el movimiento de memoria más que por el rendimiento de cómputo bruto. NVIDIA declaró que el GB300 Blackwell Ultra integra ocho pilas HBM3e de 12 capas, ofreciendo 288 GB y 8 TB/s por GPU, lo que demuestra cómo la capacidad de memoria aumenta con cada nueva generación de acelerador.^{[1]NVIDIA Corporation, "NVIDIA H200 GPU," NVIDIA, nvidia.com} Ese cambio de diseño es importante porque es arquitectónico y no temporal, lo que significa que un mayor contenido de HBM permanece vinculado a cada nuevo ciclo de producto, incluso si los patrones de envío de unidades cambian en el mercado de HBM para GPUs de IA. Los contextos de razonamiento más largos también elevan los requisitos de caché de valores clave, por lo que las configuraciones de menor capacidad se vuelven menos adecuadas para la inferencia en producción a medida que las ventanas de contexto del modelo se amplían. Esto convierte los límites de ancho de banda en un impulsor de ingresos duradero para los proveedores, ya que el HBM se convierte en un elemento de diseño obligatorio en lugar de una opción premium en el mercado de GPUs de IA. El resultado es que la pila de memoria sigue ganando peso estratégico en la lista de materiales de los aceleradores a medida que el hardware de IA avanza hacia configuraciones de mayor capacidad y pilas más altas.

Rápida Adopción de HBM3e en Clústeres de Entrenamiento de Nueva Generación

HBM3e se posicionó rápidamente como líder porque ofrecía una clara ventaja de ancho de banda sobre HBM3 y se convirtió en el estándar en las plataformas de entrenamiento más avanzadas. NVIDIA presentó el H200 con 141 GB de HBM3e y 4,8 TB/s de ancho de banda de memoria, lo que ayudó a definir el nuevo umbral de rendimiento para los despliegues de entrenamiento a gran escala. Google también describió el TPU Ironwood con 192 GB de HBM3e y 7.300 GB/s, mientras que AWS presentó el Trainium3 con 144 GB de HBM3e y 4,9 TB/s, lo que demuestra que el silicio personalizado de los hiperescaladores está reforzando el mismo estándar de memoria en plataformas competidoras.^{[2]Amazon Web Services, "AI Accelerator, AWS Trainium," AWS, aws.amazon.com} Esto es importante para el mercado de HBM para GPUs de IA porque la demanda de HBM ya no depende únicamente de los envíos de NVIDIA y, en cambio, recibe apoyo de un conjunto más amplio de programas de aceleradores. SK hynix señaló que sus resultados récord del ejercicio fiscal 2025 fueron impulsados por la demanda de memoria para IA, lo que subraya la rapidez con que el despliegue de clústeres de entrenamiento se tradujo en expansión de ingresos por HBM. La implicación más amplia es que HBM3e se convirtió en la especificación mínima práctica para la infraestructura de IA de frontera en un solo ciclo, acelerando la utilización de los proveedores y manteniendo el mercado de HBM para GPUs de IA en una pronunciada trayectoria de crecimiento.

Expansión de la Capacidad de Empaquetado Avanzado que Desbloquea la Producción de HBM

El mercado de HBM para GPUs de IA no puede convertir la demanda en ingresos realizados a menos que las pilas de HBM se unan con los dados lógicos mediante flujos de empaquetado avanzado. Por eso la disponibilidad de CoWoS sigue siendo central: el suministro de memoria por sí solo no hace que un acelerador sea comercializable hasta que se asegure la capacidad de empaquetado. El material de entrada muestra que la expansión de capacidad en TSMC y los socios OSAT está ampliando la base de empaquetado, mejorando gradualmente la conversión de envíos y dando al mercado de HBM para GPUs de IA más margen para crecer. También muestra que los espacios de empaquetado se reservan con mucha antelación, por lo que el momento de las adiciones de capacidad sigue determinando la rapidez con que el suministro de memoria existente puede pasar a sistemas desplegados. Esa restricción impide que el empaquetado sea un proceso secundario, convirtiéndolo en una palanca de crecimiento directa para el HBM en el mercado de GPUs de IA. Como resultado, cada nueva línea de empaquetado o ruta subcontratada calificada tiene un impacto inmediato en la realización de ingresos, convirtiendo el inventario de memoria en hardware de IA instalable.

Hoja de Ruta de HBM4 que Adelanta los Acuerdos de Calificación y Suministro

La transición a HBM4 se está moviendo más rápido que los cambios de generaciones anteriores porque la calificación y la planificación del suministro comenzaron mucho antes del lanzamiento comercial amplio. NVIDIA anunció una asociación tecnológica plurianual con SK hynix en junio de 2026 que abarca los supercomputadores de IA Vera Rubin, las CPUs NVIDIA Vera, los PCs RTX Spark y los sistemas Jetson Thor, lo que indica que las relaciones de memoria se están volviendo más profundas y duraderas. El material de entrada también indica que los 3 principales proveedores se calificaron para la plataforma Vera Rubin en 2026, marcando la primera vez que se produjo una certificación simultánea para una única plataforma de próxima generación de NVIDIA. Ese evento es importante porque comprimió los plazos de adquisición y empujó a los clientes hacia una planificación plurianual más temprana dentro del mercado de HBM para GPUs de IA. También subrayó el valor de la alineación de ingeniería temprana, porque los proveedores que se califican antes pueden asegurar mayor visibilidad en programas futuros y un papel más sólido en las decisiones de diseño de plataformas. El efecto neto es que la hoja de ruta de HBM4 no es solo un cambio de producto, sino también un cambio comercial hacia un codesarrollo más estrecho, una planificación de asignación más temprana y acuerdos de suministro más estructurados en todo el mercado de HBM para GPUs de IA.

Alto Costo de las Pilas de HBM y la Integración de Interpositor

El mercado de HBM para GPUs de IA aún enfrenta un freno significativo derivado del costo de la memoria apilada y el empaquetado avanzado necesario para hacerla utilizable en aceleradores de gama alta. El material de entrada deja claro que el HBM sigue siendo mucho más caro que la DRAM convencional, y que el costo aumenta aún más cuando se añaden varias pilas y un empaquetado de interpositor complejo a un solo chip. Esto tiene un efecto desigual en el mercado de HBM para GPUs de IA porque los hiperescaladores pueden absorber costos de adquisición más elevados con mayor facilidad que las empresas más pequeñas, los compradores académicos y los programas del sector público con presupuestos fijos. La presión también fluye a través de la cadena de suministro, ya que los mayores costos de memoria y empaquetado afectan al precio de los aceleradores antes de que los sistemas lleguen a los usuarios finales. Eso ralentiza la adopción fuera de las cargas de trabajo de mayor valor, incluso cuando la demanda técnica es clara y las ganancias de rendimiento son sólidas. Hasta que las curvas de costos mejoren, el mercado de HBM para GPUs de IA seguirá siendo más accesible para los compradores que puedan justificar sistemas premium mediante economías de entrenamiento a gran escala o inferencia en producción.

Capacidad Limitada de CoWoS y Otro Empaquetado Avanzado

La capacidad de empaquetado limitada sigue siendo una restricción directa porque el HBM no puede generar ingresos hasta que se ensambla en un acelerador de IA calificado. El material de entrada muestra que la demanda de CoWoS continuó superando la disponibilidad a corto plazo en 2025 y 2026, lo que indica que el suministro de memoria y la producción final de aceleradores no siempre aumentan al mismo ritmo. Esto es importante para el mercado de HBM en GPUs de IA porque una escasez en la etapa de empaquetado puede retrasar el despliegue incluso cuando los inicios de obleas de DRAM, la producción de pilas ya está en marcha y la demanda del cliente está en su lugar. También significa que las asignaciones de capacidad a menudo se deciden con mucha antelación, lo que reduce la flexibilidad para los compradores tardíos y mantiene elevados los plazos de entrega. El cumplimiento de las normas de exportación añade otra capa porque los módulos con empaquetado avanzado pueden estar sujetos a controles más estrictos en destinos restringidos, lo que alarga la planificación para los envíos afectados.^{[3]Bureau of Industry and Security, "Guidance Regarding Enforcement of License Requirements for Advanced Computing Items," U.S. Department of Commerce, bis.gov} Mientras el empaquetado siga siendo el principal cuello de botella de conversión, el mercado de HBM para GPUs de IA continuará creciendo por debajo de su techo de demanda total en el corto plazo.

*Nuestras previsiones consideran los impactos de impulsores y restricciones como direccionales, no aditivos. Las previsiones de impacto reflejan el crecimiento base, los efectos de mezcla y las interacciones entre variables.

Análisis de Segmentos

Por Generación de HBM: HBM3e Ancla los Ingresos Mientras HBM4 Remodela el Próximo Ciclo de Suministro

HBM3e representó el 58,67% de los ingresos en 2025, convirtiéndose en la generación más grande en el mercado de HBM para GPUs de IA durante el ciclo de plataforma actual. Su liderazgo provino del amplio despliegue en la NVIDIA H200, Blackwell B200 y el TPU Google Ironwood, todos los cuales establecieron un umbral de memoria más alto para el hardware de IA competitivo. HBM3 aún mantuvo una demanda residual a través de la producción continua de H100, mientras que HBM2e permaneció vinculado a cargas de trabajo de HPC más antiguas y de computación científica sensibles al costo que ya no definen el centro de la industria de HBM para GPUs de IA. La estructura de este segmento también está moldeada por las reglas de calificación porque los estándares de interoperabilidad JEDEC crean un desfase entre las muestras de ingeniería y los ingresos de volumen significativos. Ese desfase aporta más previsibilidad a los traspasos generacionales que en muchas otras categorías de semiconductores porque los clientes se comprometen antes y los proveedores necesitan una ventana de validación más larga. Dentro de ese patrón, HBM3e se benefició de ser la primera generación ampliamente disponible que se alineó con las necesidades de memoria tanto de los grandes clústeres de entrenamiento como de los sistemas de inferencia más exigentes. Por lo tanto, sirvió tanto como ancla de ingresos de 2025 como de puente entre los despliegues heredados de HBM3 y las primeras rampas comerciales de HBM4. El resultado es que HBM3e no simplemente reemplazó a HBM3, sino que restableció la especificación de referencia en todo el mercado de GPUs de IA con HBM.

Se proyecta que HBM4 sea la generación de más rápido crecimiento hasta 2031, lo que lo convierte en el impulsor prospectivo más importante dentro de este segmento. El material de entrada indica que HBM4 entró en la combinación de ingresos en 2026 con envíos de volumen vinculados a NVIDIA Vera Rubin, después de que los 3 principales proveedores se calificaran para la plataforma en el mismo año. SK hynix también indicó que envió muestras de HBM4E de 12 capas en junio de 2026 antes de su cronograma anterior, mientras que Samsung suministró muestras de HBM4E a finales de mayo de 2026, lo que muestra la rapidez con que se están comprimiendo los ciclos de desarrollo. Esa velocidad importa porque el tamaño del mercado de HBM para GPUs de IA para la memoria de próxima generación está siendo moldeado por ventanas de recuperación más cortas para los costos de calificación de cada generación y por una migración más rápida hacia productos premium. El segmento también refleja un patrón de precios en el que las generaciones de memoria más nuevas mantienen precios de venta promedio elevados antes de que el aprendizaje de costos se extienda por la fabricación. HBM4 por lo tanto conlleva tanto potencial de crecimiento de volumen como de mejora de la combinación para los proveedores que se califican temprano y escalan eficientemente. Esto mantiene el mercado de GPUs de IA con HBM centrado en una escalera generacional rápida, donde el liderazgo depende del momento de calificación tanto como de la capacidad de fabricación bruta. También significa que los clientes están planificando cada vez más las adquisiciones en torno a hojas de ruta futuras en lugar de solo los ciclos de despliegue actuales.

Por Capacidad de Memoria: Las Configuraciones de Alta Capacidad se Convierten en el Nuevo Centro Competitivo

El nivel de 64-128 GB mantuvo una participación de ingresos del 48,34% en 2025, lo que lo situó en el centro del tamaño del mercado de HBM para GPUs de IA durante el año base. Esa posición fue respaldada por sistemas como el H200 con 141 GB y por plataformas cercanas al límite de la siguiente banda de capacidad, lo que mantuvo este rango comercialmente amplio. El segmento de hasta 32 GB continuó perdiendo importancia a medida que los diseños más antiguos de HBM2e cedieron paso a sucesores más densos, mientras que el rango de 32-64 GB siguió siendo relevante para casos de uso de inferencia de nivel medio y HPC en el borde que aún no requerían grupos de memoria de gama alta. La fuerza principal en este segmento es que los requisitos de alojamiento de modelos y entrenamiento están empujando constantemente a los compradores hacia configuraciones más grandes. En términos prácticos, una mayor capacidad de memoria ya no es solo una característica premium; se está convirtiendo en un requisito de referencia para un rendimiento sólido en modelos más grandes. Ese cambio ya ha influido en los ciclos de reemplazo, ya que los operadores de nube han utilizado las actualizaciones de H200 para mejorar la latencia de inferencia y la capacidad en comparación con los nodos basados en H100. También cambió el perfil de demanda en el mercado de HBM para GPUs de IA, ya que la capacidad de memoria ahora se correlaciona directamente con la utilidad comercial del cómputo desplegado. Por esa razón, la segmentación por capacidad refleja cada vez más la complejidad de la carga de trabajo en lugar de solo los rangos de precios.

Se espera que la banda superior a 128 GB registre el crecimiento más rápido hasta 2031 y se está convirtiendo en el nivel de capacidad más estratégico en el mercado de HBM para GPUs de IA. NVIDIA describió el GB300 Blackwell Ultra con 288 GB por GPU, mientras que Google presentó el TPU 8t en torno a la misma clase de 288 GB, confirmando que los principales proveedores están convergiendo en el mismo segmento de alta capacidad. NVIDIA también destacó el GB300 NVL72 con 37 TB de HBM3e total en 72 GPUs, lo que muestra cómo el diseño a escala de bastidor ahora se construye en torno a grupos de memoria agregada muy grandes. Esto importa porque la participación del mercado de HBM para GPUs de IA se está desplazando hacia configuraciones más densas que tienen un mayor contenido de memoria por sistema y un mayor poder de fijación de precios. El paso a pilas de 12 capas también respalda ese cambio de combinación porque estas construcciones son más complejas y mantienen el valor concentrado en hardware de mayor capacidad. Los ingresos, por lo tanto, crecen más rápido que el volumen de unidades cuando la demanda migra hacia la cima de la escalera de capacidad. Esto refuerza el extremo premium del mercado de GPUs de IA con HBM y aumenta la importancia de los proveedores que pueden mantener rendimientos en pilas más altas. También apoya una pista más larga para los precios premium a medida que la base instalada se mueve hacia sistemas de inferencia y entrenamiento con uso intensivo de memoria.

Por Aplicación: El Entrenamiento Sigue Liderando los Ingresos Mientras la Inferencia Amplía la Base Direccionable

Las GPUs de entrenamiento representaron el 74,28% de los ingresos en 2025, convirtiéndolas en el grupo de aplicaciones más grande en el mercado de HBM para GPUs de IA. Su liderazgo reflejó la demanda de cómputo pesada y sostenida del preentrenamiento de modelos de frontera, donde el ancho de banda de memoria afecta fuertemente la utilización y la eficiencia total del entrenamiento. El HBM sigue siendo especialmente importante en este segmento porque las cargas de trabajo de entrenamiento se ejecutan durante largos períodos a alta intensidad y recompensan cualquier reducción en los cuellos de botella de memoria. El HPC y la IA científica también mantuvieron un papel estable a través de programas de supercomputación donde se aplican requisitos de ancho de banda similares, mientras que la IA en el borde siguió siendo pequeña porque los costos y las demandas de energía del HBM siguen siendo difíciles de justificar fuera de los entornos centrales de centros de datos. Esta combinación de aplicaciones muestra que la industria de HBM para GPUs de IA todavía depende en gran medida de la infraestructura centralizada e intensiva en capital en lugar de un despliegue amplio de bajo costo. También explica por qué los clústeres de entrenamiento generaron patrones de pedidos estables y visibles para los proveedores en 2025. El segmento, por lo tanto, ancló el mercado de HBM para GPUs de IA incluso cuando otros tipos de aplicaciones comenzaron a ganar terreno. En términos de ingresos, el entrenamiento siguió siendo la expresión más clara de por qué el HBM se ha convertido en una arquitectura de memoria necesaria para los sistemas de IA de primer nivel.

Se proyecta que las GPUs de inferencia sean el segmento de aplicaciones de más rápido crecimiento hasta 2031, y esto cambia el perfil de demanda del mercado de GPUs de IA con HBM de manera importante. Broadcom informó en su Perspectiva de Nube Privada 2026 que el 56% de las empresas ejecutan o planean inferencia de IA en producción en nube privada, en comparación con el 41% en nube pública, lo que sugiere una base de compradores de hardware más amplia más allá de los hiperescaladores. Google también introdujo el TPU 8i como un diseño orientado a la inferencia con 288 GB de HBM y 8.601 GB/s por chip, lo que muestra que el silicio de inferencia se está moviendo hacia especificaciones de memoria antes asociadas principalmente con el hardware de entrenamiento. Esto significa que la brecha histórica en el contenido de memoria entre entrenamiento e inferencia se está reduciendo dentro del mercado de HBM para GPUs de IA. El razonamiento de contexto más largo y el despliegue en producción a escala están empujando la inferencia hacia una intensidad de ancho de banda similar a la del entrenamiento. A medida que eso sucede, la demanda de HBM se extiende a un conjunto más amplio de casos de uso operativos y modelos de adquisición. El segmento, por lo tanto, amplía el mercado direccionable en lugar de simplemente redistribuir la demanda entre los compradores existentes. También añade un flujo de ingresos más duradero, ya que los sistemas de inferencia en producción tienden a crecer con el uso en lugar de terminar después de un único ciclo de entrenamiento de modelos.

Por Usuario Final: El Gasto de los Hiperescaladores Domina Hoy Mientras la Adopción Empresarial Profundiza la Demanda Futura

Los hiperescaladores y proveedores de servicios en la nube comandaron una participación de ingresos del 68-73% en 2025, lo que los convirtió en el ancla de ingresos clara del mercado de HBM para GPUs de IA. Su gasto reflejó la escala de los programas de infraestructura de IA en Amazon, Microsoft, Alphabet y Meta, donde los grandes clústeres de GPU siguen siendo esenciales tanto para el entrenamiento de modelos como para los servicios en producción. Los centros de investigación y supercomputación también mantuvieron una posición estable porque los programas nacionales de cómputo continúan favoreciendo los sistemas de aceleradores ricos en memoria para cargas de trabajo científicas y de IA. Los compradores gubernamentales y de defensa se mantuvieron con una participación menor, pero representan una parte estable de la demanda porque las prioridades de adquisición a menudo se extienden a lo largo de los ciclos y se alinean con los objetivos de cómputo doméstico. Esta estructura de usuarios finales muestra por qué el mercado de GPUs de IA con HBM fue inicialmente moldeado por un pequeño número de compradores muy grandes con necesidades técnicas claras y horizontes de planificación largos. También explica por qué la calificación y asignación de proveedores importó tanto, porque ganar algunos programas de hiperescaladores podía cambiar materialmente la combinación de ingresos. En la fase actual, la demanda de los hiperescaladores sigue proporcionando la carga base más sólida para los envíos y los precios en todo el mercado de GPUs de IA con HBM. Esa concentración da visibilidad a los proveedores, pero también mantiene el mercado sensible al momento de la plataforma y el presupuesto en un conjunto reducido de cuentas.

Se espera que los despliegues de IA empresarial sean el segmento de usuarios finales de más rápido crecimiento hasta 2031, lo que amplía gradualmente la base comercial del mercado de HBM para GPUs de IA. Broadcom citó datos de Deloitte que muestran un aumento del 50% interanual en el acceso de los trabajadores a herramientas de IA en 2025, lo que señala que el uso empresarial está pasando de la actividad piloto a la infraestructura de producción. La misma encuesta de Broadcom también apuntó a un cambio más fuerte hacia la inferencia en nube privada, lo que respalda la adquisición directa de sistemas equipados con HBM por parte de las empresas en lugar de la dependencia exclusiva de la capacidad de nube pública. Esto es importante porque añade demanda de compradores que son más pequeños que los hiperescaladores pero mucho más numerosos. A medida que crece la inferencia empresarial, el mercado de HBM para GPUs de IA queda menos expuesto a un único ciclo de gasto de capital y gana una base instalada más amplia en todas las industrias. Eso no elimina la importancia de los hiperescaladores, pero sí hace que la demanda sea más equilibrada con el tiempo. El segmento también sugiere que la infraestructura rica en memoria se está volviendo relevante para el despliegue empresarial convencional en lugar de permanecer limitada a los laboratorios de IA de frontera. En ese sentido, el crecimiento empresarial amplía tanto la base de demanda como la resiliencia a largo plazo del mercado de GPUs de IA con HBM.

Análisis Geográfico

América del Norte representó el 52,43% del mercado de HBM para GPUs de IA en 2025, convirtiéndola en el mayor contribuyente regional por ingresos. La región se beneficia de la concentración de los mayores hiperescaladores, el principal diseñador de GPUs de IA y muchos de los desarrolladores de modelos más avanzados en los Estados Unidos. Esa combinación crea un vínculo estrecho entre el diseño de hardware, el despliegue en la nube y la demanda final, lo que mantiene la base regional sólida en todo el mercado de GPUs de IA basadas en HBM. La política de exportación de EE. UU. también moldeó los patrones de demanda regional en 2026, ya que la Oficina de Industria y Seguridad confirmó que los requisitos de licencia para artículos de computación avanzada se extienden a entidades con sede en el Grupo de Países D:5, incluso cuando se encuentran fuera de China. Esto redujo el grupo de clientes accesibles para los sistemas más avanzados y empujó más oportunidades de envío conformes hacia la demanda doméstica y de países aliados. NVIDIA también declaró que Microsoft, Oracle Cloud Infrastructure y CoreWeave están desplegando sistemas GB300 NVL72, lo que respalda la visibilidad de envíos a corto plazo vinculada a las plataformas Blackwell Ultra. La región, por lo tanto, sigue siendo central no solo porque compra grandes volúmenes, sino también porque da forma al momento de la adopción de plataformas en el resto del mercado de HBM para GPUs de IA.

Se proyecta que Asia-Pacífico sea la región de más rápido crecimiento durante 2026-2031, impulsada por una combinación de liderazgo en suministro y creciente inversión regional en cómputo. La región ya se sitúa cerca del núcleo de producción del mercado de HBM para GPUs de IA porque Corea del Sur sigue siendo la principal base de fabricación de HBM, y Taiwán sigue siendo esencial en los flujos de empaquetado avanzado. Esa posición de suministro importa porque las empresas regionales influyen en el ritmo de calificación, las decisiones de asignación y el momento de la rampa generacional en todo el mercado. Al mismo tiempo, el material de entrada muestra una creciente actividad de infraestructura de IA soberana y respaldada por hiperescaladores en Corea del Sur, Japón e India, lo que añade demanda local además del suministro orientado a la exportación. Esta combinación hace que Asia-Pacífico sea diferente de América del Norte porque participa fuertemente en ambos lados del mercado de HBM para GPUs de IA, como ancla de fabricación y como destino de despliegue en auge. También significa que la política regional, el gasto de capital y las hojas de ruta tecnológicas pueden afectar simultáneamente tanto a la disponibilidad de volumen como a la absorción del mercado final. Por esa razón, el perfil de crecimiento de Asia-Pacífico es más amplio que una simple historia de recuperación y refleja su papel como base operativa central para la cadena global de HBM.

Europa mantuvo una participación significativa pero menor en 2025, con Alemania, el Reino Unido y Francia sirviendo como los principales centros regionales para el despliegue de infraestructura de IA en el material de entrada. La región avanzó más lentamente porque los ciclos de adquisición son más largos y las prioridades de cumplimiento a menudo han precedido a las grandes rampas de hardware, lo que mantuvo el crecimiento por debajo de América del Norte y Asia-Pacífico en el mercado de HBM para GPUs de IA. América del Sur, Oriente Medio y África siguieron siendo contribuyentes en etapa temprana, aunque los programas de cómputo soberano en Oriente Medio sugieren que estos mercados podrían ganar mayor peso más adelante en el período de pronóstico. La combinación geográfica, por lo tanto, sigue siendo desigual, con el tamaño del mercado de HBM para GPUs de IA aún concentrado en regiones que combinan demanda de cómputo de gama alta, acceso a plataformas y fuertes vínculos con la cadena de suministro de semiconductores.