⏱️ Lectura: 12 min
Un chip Intel corrió el mismo benchmark que usan las supercomputadoras del Top500 y superó en eficiencia energética a una laptop con Apple Silicon: 6.21 contra 5.38 Gflops por vatio. La prueba la hizo el ingeniero y youtuber Jeff Geerling con una Dell XPS 13 y un MacBook, y publicó los resultados completos en GitHub para que cualquiera los repita.
📑 En este artículo
Durante casi seis años, desde que Apple lanzó el M1 en 2020, la ventaja de eficiencia energética de Apple Silicon sobre Intel se explicó casi siempre por la arquitectura ARM. El nuevo Core 5 320 que corre dentro de la Dell XPS 13 pone en duda esa explicación.
TL;DR
- Jeff Geerling comparó una Dell XPS 13 (Intel Core 5 320) contra un MacBook con Apple Silicon en el benchmark HPL Linpack del Top500.
- El MacBook logró 57.012 Gflops a 10.6W: 5.38 Gflops por vatio de eficiencia energética.
- La Dell XPS 13 alcanzó 127.91 Gflops a 20.6W: 6.21 Gflops por vatio, superando al MacBook.
- La Dell también superó a los Mac Studio M3 y M4 en Gflops por vatio; solo el Mac Mini M4 (7.57) la supera.
- En reposo y navegación web, ambas laptops consumen prácticamente lo mismo.
- El Mac gana en GPU integrada, audio y no traer Windows; el Dell gana en soporte Linux y teclado retroiluminado.
- Geerling publicó los benchmarks completos en GitHub para que cualquiera los reproduzca.
- El resultado reabre el debate: la eficiencia depende del diseño del chip, no solo de si es ARM o x86.
Qué pasó
El creador de contenido Jeff Geerling publicó un video titulado “Intel Just Matched Apple Silicon. Seriously.” en el que compara dos laptops de gama alta: un MacBook con Apple Silicon (al que se refiere en el video como “MacBook Neo”) y una Dell XPS 13 equipada con el nuevo procesador Intel Core 5 320. Según reporta Hackaday en su cobertura del video, Geerling subió los benchmarks completos a GitHub para ambas máquinas, con metodología y scripts incluidos.
La prueba central es HPL Linpack (High Performance Linpack), el mismo test que usa el ranking Top500 para ordenar a las supercomputadoras más rápidas del mundo. Es una prueba de cómputo de punto flotante que satura todos los núcleos del procesador durante varios minutos y permite calcular cuántas operaciones de punto flotante por segundo (Gflops) sostiene un sistema, y a qué costo energético.
Los números, según el video y la cobertura de Hackaday: el MacBook con Apple Silicon corrió el benchmark a 57.012 Gflops consumiendo 10.6W, para una eficiencia de 5.38 Gflops por vatio. La Dell XPS 13 con el Core 5 320 llegó a 127.91 Gflops consumiendo 20.6W: 6.21 Gflops por vatio. En números absolutos la Dell procesa más del doble, y lo hace gastando menos energía por cada unidad de trabajo.
Contexto e historia
Desde el lanzamiento del M1 en 2020, la narrativa dominante en la industria fue que ARM es intrínsecamente más eficiente que x86 porque usa instrucciones de longitud fija, más simples de decodificar, contra el set de instrucciones variable y más complejo de x86. Esa lectura fue una de las justificaciones que dio Apple para abandonar los procesadores Intel, y el mismo argumento impulsó a Qualcomm a apostar por sus chips Snapdragon X para laptops con Windows.
Pero desde hace años, un grupo de ingenieros de microarquitectura viene señalando algo distinto: la eficiencia energética real no depende tanto del set de instrucciones (ISA) como de decisiones concretas de diseño físico del chip, el nodo de fabricación, el tamaño y la organización de la caché, el ancho de las unidades de ejecución y la curva de voltaje y frecuencia que elige cada fabricante. El resultado de Geerling con el Core 5 320 es evidencia directa a favor de esa segunda lectura: es un chip x86 corriendo bajo Linux o Windows que empata o supera a Apple Silicon en Gflops por vatio bajo carga sostenida.
💭 Clave: Esto no significa que x86 alcanzó a ARM en general. Significa que un chip x86 concreto, en una carga de trabajo concreta, igualó a un chip ARM concreto. La eficiencia energética depende del diseño del chip, no solo de a qué familia de instrucciones pertenece.
Detalles técnicos y eficiencia energética
La comparación no se limita al pico de rendimiento. Geerling también reporta que, en reposo o navegando la web, es decir con el procesador lejos de su carga máxima, la Dell XPS 13 consume prácticamente lo mismo que el MacBook. La diferencia grande aparece únicamente bajo carga sostenida de cómputo, que es justo la condición que mide HPL Linpack.
La siguiente tabla resume los números publicados hasta ahora:
| Equipo | Procesador | Gflops (HPL) | Consumo | Gflops por vatio |
|---|---|---|---|---|
| MacBook (Apple Silicon) | Chip Apple sin precisar generación en el video | 57.012 | 10.6 W | 5.38 |
| Dell XPS 13 | Intel Core 5 320 | 127.91 | 20.6 W | 6.21 |
| Mac Mini | Apple M4 | No publicado en la nota | No publicado en la nota | 7.57 |
| Mac Studio | Apple M3 / M4 | No publicado en la nota | No publicado en la nota | Menor a 6.21 |
El detalle importante está en la columna de la derecha: la Dell XPS 13 queda por encima de los Mac Studio con M3 y M4 en Gflops por vatio, y solo cae por detrás del Mac Mini con M4, que reporta 7.57 Gflops por vatio. Ese Mac Mini sigue siendo, según estos datos, el equipo más eficiente del grupo, pero ya no por una diferencia categórica: el margen entre el Mac Mini y la XPS 13 es más chico que el margen entre la XPS 13 y el MacBook portátil.
flowchart TD
A["Correr HPL Linpack a maxima carga"] --> B["Medir consumo en vatios durante la corrida"]
B --> C["Registrar Gflops sostenidos"]
C --> D["Calcular Gflops por vatio"]
D --> E["Comparar contra otros equipos"]
Fuera del benchmark de cómputo puro, Geerling también compara otros aspectos de las dos laptops: el Mac gana en GPU integrada, calidad de audio y en no venir con Windows preinstalado. La Dell gana en poder instalar Linux sin fricción y en tener teclado retroiluminado. Son diferencias de producto, no de arquitectura, pero pesan en la decisión de compra tanto como los Gflops por vatio.
Cómo probarlo vos mismo
No hace falta tener una Dell XPS 13 ni un MacBook para entender el método. Podés estimar tu propio ratio de Gflops por vatio con herramientas de código abierto, aunque no vas a reproducir exactamente HPL Linpack (ese test reparte la carga entre nodos y usa una librería BLAS muy optimizada).
Lo primero es tener una carga de cómputo intensiva en punto flotante. Un script simple con NumPy alcanza para estimar Gflops sostenidos con una multiplicación de matrices grande. Esto funciona igual en Windows, macOS y Linux:
pip install numpyCon la librería instalada, este script mide cuántas operaciones de punto flotante por segundo sostiene tu CPU:
import numpy as np
import time
n = 4096
a = np.random.rand(n, n).astype(np.float64)
b = np.random.rand(n, n).astype(np.float64)
start = time.perf_counter()
c = a @ b
elapsed = time.perf_counter() - start
flops = 2 * n ** 3
gflops = flops / elapsed / 1e9
print(f"Gflops sostenidos: {gflops:.2f}")Ese script hace una multiplicación de matrices de 4096×4096 y calcula los Gflops a partir del tiempo que tarda. Para convertirlo en un ratio de eficiencia energética necesitás medir el consumo mientras corre:
- macOS:
sudo powermetrics --samplers cpu_power -i 1000en otra terminal, mientras corre el script. - Linux:
sudo turbostat --interval 2, que reporta el consumo del paquete de CPU (columna PkgWatt) en tiempo real. - Windows: correr el script dentro de WSL2 y usar turbostat, o medir el consumo total del equipo con Intel Power Gadget o HWiNFO64 si tu CPU es Intel o AMD.
Dividí los Gflops que imprime el script entre el promedio de vatios que reportó la herramienta de monitoreo durante la corrida, y vas a tener tu propio número de Gflops por vatio, comparable en espíritu (no en magnitud exacta) con los 5.38 y 6.21 que reportó Geerling.
💡 Tip: Corré el script tres o cuatro veces seguidas antes de tomar la medición: la mayoría de los procesadores modernos suben la frecuencia por unos segundos y después bajan por temperatura, así que el número de la primera corrida suele estar inflado.
Impacto y análisis
El resultado importa para tres audiencias distintas. Para quien compra una laptop para compilar, entrenar modelos chicos o correr cargas de cómputo sostenidas, la eficiencia energética bajo carga real pesa más que el consumo en reposo, y ahí la brecha entre Apple Silicon y el x86 más reciente de Intel se redujo de forma medible. Para los fabricantes de laptops con Windows que venían apostando por ARM (Qualcomm Snapdragon X) como la única vía para competir con Apple en autonomía, este dato complica el argumento de venta: si Intel puede acercarse a la eficiencia de Apple Silicon sin cambiar de arquitectura, la migración a ARM en Windows pierde parte de su urgencia.
Para la industria de semiconductores en general, refuerza algo que varios diseñadores de chips repiten desde hace tiempo: buena parte de lo que la gente atribuye a “ARM es más eficiente” en realidad es “el chip específico que hizo Apple, en el nodo de fabricación específico que usa Apple, con las decisiones de diseño específicas de Apple, es más eficiente”. Cuando otro fabricante iguala esas variables de diseño, aunque sea con un ISA distinto, el resultado se acerca.
⚠️ Ojo: Es un benchmark de un solo creador de contenido, no un paper revisado por pares. HPL Linpack estresa el cómputo en paralelo con datos que caben bien en caché: no representa el consumo real de editar video, compilar un proyecto grande o navegar, donde Apple Silicon históricamente sigue ganando en autonomía total de batería.
Vale la pena remarcar ese límite: los propios comentarios al video, citados por Hackaday, señalan que la Dell XPS 13 tiene una batería físicamente más grande que compensa parte de su mayor consumo bajo carga, y que la comparación de eficiencia energética en reposo (donde la mayoría de la gente pasa la mayor parte del tiempo de uso) muestra a ambos equipos prácticamente empatados. Un ratio de Gflops por vatio más alto en un pico de carga de minutos no se traduce automáticamente en más horas de batería en el uso diario.
Qué sigue
Con los scripts y los datos crudos publicados en GitHub, es previsible que otros reviewers y entusiastas del hardware corran el mismo benchmark en otras combinaciones: Ryzen AI de AMD contra Apple Silicon, Snapdragon X contra el nuevo Core 5, o generaciones anteriores de Intel para ver desde cuándo empezó a cerrarse la brecha. Esa reproducibilidad es, en sí misma, la parte más útil de esta historia: no hay que confiar en el número de Geerling a ciegas, cualquiera con una Dell XPS 13 y un rato libre puede confirmarlo o refutarlo.
📖 Resumen en Telegram: Ver resumen
Probalo vos: corré el script de NumPy de arriba en tu propia laptop junto con powermetrics o turbostat y calculá tu ratio de Gflops por vatio antes de decidir tu próxima compra.
Preguntas frecuentes
¿Qué es el benchmark HPL Linpack?
Es una prueba de cómputo de punto flotante que resuelve un sistema denso de ecuaciones lineales a máxima carga. Es el mismo test que usa el ranking Top500 para ordenar a las supercomputadoras más rápidas del mundo, y por eso sirve como referencia común entre equipos muy distintos.
¿Qué significa Gflops por vatio?
Es una medida de eficiencia energética: cuántos miles de millones de operaciones de punto flotante por segundo entrega un procesador por cada vatio de energía que consume. Un número más alto significa que el chip hace más trabajo útil con la misma energía.
¿El Intel Core 5 320 es más eficiente que todos los chips de Apple?
No. Según los datos del video, supera a los Mac Studio con M3 y M4, pero el Mac Mini con Apple M4 sigue siendo más eficiente, con 7.57 Gflops por vatio frente a los 6.21 de la Dell XPS 13.
¿Esto significa que Apple Silicon perdió su ventaja de batería?
No necesariamente. La comparación mide eficiencia bajo carga máxima sostenida. En reposo y navegación web, que es donde la mayoría de la gente pasa más tiempo, ambas laptops consumen de forma similar según el propio video.
¿Dónde puedo ver los benchmarks originales?
Jeff Geerling publicó el video y los scripts de la prueba en su canal y en GitHub; Hackaday cubrió los resultados con el detalle completo de las cifras (ver Referencias).
¿Puedo reproducir esta prueba en mi propia computadora?
Podés estimar un ratio comparable con un script de NumPy y una herramienta de monitoreo de energía como powermetrics (macOS) o turbostat (Linux), como se explica en la sección “Cómo probarlo vos mismo” de esta nota.
Referencias
- Hackaday: cobertura del video de Jeff Geerling con las cifras completas del benchmark.
- GitHub de Jeff Geerling: repositorios donde suele publicar los scripts y datos crudos de sus benchmarks.
- Wikipedia: LINPACK benchmarks: explicación técnica del benchmark HPL usado en la prueba.
- Top500: el ranking de supercomputadoras que usa HPL Linpack como referencia de rendimiento.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de Stan Hutter en Unsplash
0 Comentarios