Una nueva memoria promete reducir el consumo energético de la inteligencia artificial
El crecimiento de la inteligencia artificial está disparando la demanda de electricidad de los centros de datos. Cada consulta, entrenamiento o proceso de inferencia requiere mover grandes volúmenes de información entre el procesador y la memoria, una operación que puede consumir tanto o más que el propio cálculo. Para abordar este problema, un equipo de ingenieros de la Universidad de Texas, en Estados Unidos, trabaja junto a una fundición de semiconductores en una tecnología de memoria diseñada específicamente para cargas de trabajo de IA.
La propuesta busca acercar el procesamiento al lugar donde se almacenan los datos. De este modo, los sistemas podrían ejecutar determinadas operaciones sin trasladar continuamente la información entre la memoria y las unidades de cálculo. Esta arquitectura, conocida de forma general como computación en memoria, se considera una de las vías más prometedoras para mejorar la eficiencia de los aceleradores de inteligencia artificial.
El problema está en mover los datos
Los modelos actuales de IA necesitan manejar miles de millones de parámetros. Para utilizarlos, los chips deben leer y escribir datos de forma constante en distintos niveles de memoria. Aunque las operaciones matemáticas pueden realizarse con gran rapidez, el intercambio de información introduce latencias y eleva el consumo energético.
Este fenómeno se conoce como el cuello de botella de Von Neumann. La separación entre la memoria y la unidad de procesamiento obliga a transportar los datos una y otra vez, incluso cuando las operaciones que se realizan sobre ellos son relativamente sencillas. En los sistemas de IA, donde se repiten cálculos con enormes matrices, el impacto resulta especialmente relevante.
La tecnología que están probando los investigadores pretende reducir ese tráfico. En lugar de limitarse a almacenar ceros y unos, la memoria puede participar en determinadas operaciones matemáticas y devolver el resultado al procesador. Así, el chip evita parte de los desplazamientos que más energía requieren.
Una memoria pensada para los aceleradores de IA
El proyecto combina el trabajo académico de la Universidad de Texas con la experiencia industrial de una fundición de semiconductores. Esta colaboración es importante porque una tecnología de memoria no solo debe funcionar en el laboratorio: también tiene que poder fabricarse con procesos industriales, integrarse en chips existentes y mantener un rendimiento estable cuando se produce a gran escala.
El objetivo no es sustituir de inmediato a las memorias convencionales, sino desarrollar una alternativa que pueda incorporarse a aceleradores especializados. Estos componentes se emplean en centros de datos, servidores y dispositivos capaces de ejecutar modelos de aprendizaje automático con un consumo inferior al de un procesador generalista.
Una de las claves del planteamiento es que la memoria pueda trabajar con operaciones matriciales, fundamentales en redes neuronales. Este tipo de cálculos aparece en tareas como el reconocimiento de imágenes, la generación de texto, la traducción automática o el análisis de grandes conjuntos de datos.
Menos electricidad y más eficiencia en los centros de datos
La reducción del consumo no es un asunto menor. Los centros de datos que entrenan y ejecutan modelos de IA necesitan cada vez más electricidad y sistemas de refrigeración. La Agencia Internacional de la Energía ya ha advertido de que la expansión de estas instalaciones puede tener un efecto significativo sobre la demanda energética mundial durante los próximos años.
Una memoria capaz de realizar parte del cálculo podría contribuir a disminuir ese impacto, especialmente en tareas repetitivas que se ejecutan millones de veces. También permitiría diseñar dispositivos más pequeños y eficientes para aplicaciones de inteligencia artificial en el borde, como cámaras, vehículos, robots o equipos industriales.
Además del ahorro energético, este enfoque puede reducir la latencia. Al haber menos transferencias entre los distintos componentes del sistema, las respuestas podrían generarse con mayor rapidez. Esta ventaja resulta relevante en aplicaciones que necesitan reaccionar en tiempo real, desde sistemas de asistencia a la conducción hasta herramientas de supervisión industrial.
La fabricación sigue siendo el principal reto
Convertir un prototipo en un producto comercial exige superar varios obstáculos. Las memorias que realizan operaciones pueden ofrecer ventajas en eficiencia, pero también deben garantizar precisión, resistencia al uso y compatibilidad con el resto de elementos del chip.
La inteligencia artificial tolera ciertos niveles de aproximación en algunos escenarios, aunque no en todos. Una pequeña variación numérica puede ser asumible al clasificar una imagen, pero resultar problemática en aplicaciones científicas, financieras o relacionadas con la seguridad. Por eso, los investigadores deben equilibrar consumo, velocidad y exactitud.
También será necesario comprobar cómo se comporta la tecnología cuando se fabrica con millones o miles de millones de celdas de memoria. Las diferencias entre componentes, el desgaste y la estabilidad frente a cambios de temperatura pueden afectar al resultado final.
Un paso hacia chips de IA más sostenibles
La iniciativa de la Universidad de Texas se enmarca en una carrera tecnológica más amplia para crear hardware adaptado a la inteligencia artificial. Frente a la estrategia de aumentar continuamente la potencia de cálculo, la computación en memoria propone mejorar la eficiencia desde la propia arquitectura del chip.
La tecnología todavía debe avanzar antes de llegar a servidores y dispositivos comerciales, pero su desarrollo refleja un cambio de prioridades en la industria. A medida que los modelos sean más grandes y estén presentes en más servicios, reducir el coste energético de mover y procesar sus datos será tan importante como aumentar su capacidad.
Si las pruebas de fabricación confirman sus ventajas, este tipo de memoria podría convertirse en una pieza relevante de los futuros aceleradores de IA. No resolverá por sí sola el impacto energético del sector, pero sí puede reducir uno de sus principales problemas: la enorme cantidad de información que los chips necesitan transportar para realizar cada cálculo.
