¿Por qué es tan alta la factura energética de la IA y se puede reducir 1.000 veces?

El consumo de energía de la IA se ha convertido en los últimos años en uno de los efectos secundarios más debatidos de la tecnología. Según TechCrunch, el antiguo jefe de IA de Databricks trabaja en un nuevo enfoque que, según afirma, podría reducir la factura energética de los sistemas de IA hasta 1.000 veces.

Primero conviene entender por qué la IA consume tanta energía. Los modelos de IA modernos son vastas estructuras matemáticas que contienen miles de millones de parámetros. Entrenar y ejecutar estos modelos requiere un gran número de procesadores especializados trabajando a alta intensidad durante largos periodos. Cada cálculo consume energía eléctrica y produce calor.

Estas operaciones se llevan a cabo en grandes instalaciones llamadas centros de datos. Un centro de datos no solo hace funcionar los procesadores; también gasta una cantidad significativa de energía en refrigerarlos. Es decir, el consumo de energía procede tanto del propio cálculo como de la infraestructura que lo hace posible.

A medida que los modelos crecen, también lo hace su demanda de energía. Los modelos más capaces suelen implicar más parámetros y más cálculo. A medida que la IA se generaliza, esto hace que el consumo total de energía suba con rapidez. Es una fuente de preocupación tanto por el coste como por el impacto ambiental.

Según TechCrunch, la startup fundada por el antiguo jefe de IA de Databricks busca abordar este problema desde un ángulo distinto. El sistema, llamado Un-0, pretende demostrar que la tecnología de la empresa puede reproducir los métodos de IA convencionales con un coste energético mucho menor.

La startup demostró primero este enfoque en un sistema de generación de imágenes. Como la generación de imágenes es una de las tareas de IA más intensivas en cálculo, es un área exigente para probar la eficiencia energética. La empresa presenta sus resultados en este campo como prueba de que su enfoque puede trasladarse a una gama más amplia de aplicaciones.

La afirmación de una reducción de 1.000 veces es tan llamativa como digna de tratarse con cautela. Tales grandes ganancias de eficiencia suelen aplicarse a condiciones concretas y a tipos de tareas concretos. Si las ganancias que un enfoque muestra en un entorno de laboratorio se mantienen en el mismo grado en las variadas cargas de trabajo del mundo real es algo que debe verificarse de forma independiente.

Aun así, este tipo de trabajo es señal de una prioridad creciente en el sector. Reducir la huella energética de la IA no es solo un objetivo ambiental, sino también económico. Un menor coste energético puede abaratar el funcionamiento de los sistemas de IA y facilitar que la tecnología llegue a una base más amplia de usuarios.

Según los expertos, no hay una única solución al problema energético de la IA; el progreso vendrá probablemente en más de un frente. Un hardware más eficiente, algoritmos más inteligentes, modelos más pequeños pero capaces y centros de datos alimentados con energía renovable podrían ser todos partes distintas de esa solución.

En definitiva, el trabajo del antiguo jefe de IA de Databricks es un ejemplo de lo central que se ha vuelto la eficiencia energética para el futuro de la IA. Aunque el verdadero valor de las afirmaciones se aclarará con el tiempo y mediante pruebas independientes, la pregunta que plantea es clara: ¿es posible lograr la potencia de la IA con mucha menos energía?