El elevado consumo energético de la inteligencia artificial se ha convertido en un tema central en el desarrollo de esta tecnología. Para abordar este problema, la atención se ha centrado tradicionalmente en la optimización del hardware, como la eficiencia de las unidades de procesamiento gráfico (GPUs) y la arquitectura de los centros de datos. Sin embargo, el software también desempeña un papel crucial en la reducción del consumo energético. Coral Calero, catedrática de Lenguajes y Sistemas Informáticos en la Universidad de Castilla-La Mancha, enfatiza que «el hardware consume porque tiene un software que se está ejecutando», lo que implica que una mejor optimización del software puede traducirse en un menor uso de recursos y, por ende, en un descenso del consumo energético.
El impacto del consumo energético de la inteligencia artificial va más allá de las preocupaciones medioambientales, afectando también la economía de las empresas. Un informe de McKinsey revela que el 89% de las empresas a nivel global están utilizando inteligencia artificial, y un 44% está en proceso de escalar esta tecnología. No obstante, cerca del 20% de las empresas limitan su uso debido a los elevados costes operativos, lo que ha llevado a un cambio de enfoque en la industria. Calero señala que «las empresas están interesadas en que los modelos sean eficientes no porque estén especialmente preocupadas por el medio ambiente, sino porque económicamente no les va a resultar viable».
La creciente adopción de agentes de inteligencia artificial, que requieren procesar grandes cantidades de información y tomar decisiones, ha incrementado la presión sobre el consumo energético. En este contexto, las empresas buscan soluciones más económicas, lo que ha generado una carrera para encontrar métodos que reduzcan tanto el cómputo como el consumo de energía. Verónica Bolón Canedo, investigadora de inteligencia artificial en la Universidade da Coruña, trabaja en el desarrollo de algoritmos más eficientes desde el punto de vista energético. «Diseñamos nuevos algoritmos o adaptamos los que ya tenemos para que consuman menos energía», explica Bolón.
Una de las estrategias que están explorando consiste en reducir la cantidad de bits utilizados en los cálculos. En lugar de los 64 bits habituales, podrían emplearse 16 o incluso 8 bits. Aunque esta simplificación puede comprometer la precisión de los resultados, Bolón sostiene que es posible realizar ajustes en el software para mitigar el impacto de esta reducción. Al utilizar menos bits, se pierde información que puede afectar el resultado de las operaciones aritméticas subsecuentes, generando un margen de error que se puede acumular.
El consumo energético de la inteligencia artificial se divide en dos etapas: el entrenamiento y la inferencia. El entrenamiento de modelos avanzados requiere enormes volúmenes de cómputo y, por ende, una considerable cantidad de energía para alimentar los servidores y los sistemas de refrigeración. Por otro lado, la fase de inferencia se activa cada vez que la IA realiza una consulta. Según estimaciones de McKinsey, se prevé que para 2027 la demanda energética global de la inferencia supere a la del entrenamiento, marcando un hito en el uso de la inteligencia artificial.
Este contexto subraya la necesidad de mejorar la eficiencia en la fase de entrenamiento, dado que el consumo energético asociado a esta etapa es fundamental. La conciencia sobre el impacto energético de la inteligencia artificial está creciendo, y tanto desarrolladores como usuarios deben ser informados sobre la importancia de la optimización para asegurar que esta tecnología sea viable y sostenible a largo plazo.
Etiquetas: Inteligencia Artificial
Sin comentarios
Para comentar debes tener una cuenta. ¡Es gratis!
Regístrate gratis Iniciar sesión