La tecnología que quiere convertir a la inteligencia artificial en un sistema mucho más ligero
La expansión de la inteligencia artificial ha traído avances importantes, pero también una factura energética cada vez más difícil de ignorar. Entrenar y ejecutar modelos capaces de generar texto, imágenes o código exige centros de datos con miles de procesadores, grandes cantidades de memoria y un consumo constante de electricidad.
En este contexto, la empresa Multiverse asegura haber desarrollado una tecnología capaz de comprimir los modelos de inteligencia artificial hasta un 97%. El objetivo es reducir de forma drástica los recursos necesarios para ponerlos en funcionamiento, con una pérdida de precisión que, según la compañía, sería mínima.
La propuesta ha sido comparada con una especie de Ozempic de la inteligencia artificial: una herramienta que busca reducir el tamaño y el consumo de los sistemas sin eliminar sus capacidades esenciales. La analogía sirve para explicar el concepto, aunque el resultado tecnológico depende del tipo de modelo, la tarea que realice y las condiciones de uso.
Modelos más pequeños para una IA menos costosa
Los modelos de inteligencia artificial actuales procesan enormes volúmenes de datos y contienen miles de millones de parámetros. Estos elementos permiten reconocer patrones y generar respuestas, pero también hacen que su ejecución sea cara desde el punto de vista energético y computacional.
La compresión de modelos persigue precisamente reducir esa carga. Para ello, se pueden eliminar parámetros poco relevantes, simplificar operaciones matemáticas o representar la información con menos bits. El reto consiste en conseguir que el modelo siga ofreciendo resultados útiles después de adelgazar.
Multiverse sostiene que su tecnología puede alcanzar una reducción de hasta el 97% en el tamaño de determinados modelos. En la práctica, esto permitiría almacenar más sistemas en los mismos servidores y ejecutar tareas de inteligencia artificial con menos memoria y capacidad de procesamiento.
Menos consumo energético, pero no una cifra universal
Un modelo más compacto no implica automáticamente que el consumo se reduzca en la misma proporción. El ahorro también depende del hardware utilizado, del número de consultas, del tiempo de respuesta exigido y de la infraestructura que sostiene el servicio.
La compañía afirma que esta optimización puede contribuir a reducir hasta a la mitad el consumo energético asociado a ciertos usos de la inteligencia artificial. La cifra debe interpretarse como una estimación vinculada a escenarios concretos, no como una garantía aplicable a todos los modelos y aplicaciones.
De confirmarse en entornos reales, el impacto podría ser relevante. Los centros de datos necesitan electricidad tanto para alimentar los servidores como para refrigerarlos. Reducir la carga de trabajo permitiría disminuir costes operativos y, potencialmente, las emisiones asociadas a la generación de energía.
La clave está en conservar la precisión
El principal obstáculo de cualquier sistema de compresión es evitar que el modelo pierda calidad. Una reducción excesiva puede provocar respuestas menos precisas, errores de interpretación o un peor rendimiento en tareas especializadas.
Por eso, no basta con medir cuánto ocupa un modelo después del proceso. También es necesario evaluar su comportamiento en distintas situaciones: comprensión del lenguaje, generación de código, análisis de documentos o respuesta a consultas complejas.
Multiverse asegura que su tecnología mantiene una precisión muy cercana a la del modelo original. Sin embargo, será necesario conocer los resultados de pruebas independientes y comparativas detalladas para determinar hasta qué punto se mantiene esa ventaja en diferentes sectores.
Posibles aplicaciones en empresas y dispositivos
La compresión podría facilitar el uso de inteligencia artificial en organizaciones que no cuentan con grandes infraestructuras. Empresas pequeñas, administraciones y equipos de desarrollo tendrían la posibilidad de desplegar modelos avanzados con menos inversión en servidores y servicios en la nube.
- Centros de datos: más capacidad de procesamiento con el mismo equipamiento.
- Servicios en la nube: menor coste por consulta y una respuesta potencialmente más rápida.
- Dispositivos locales: ejecución de funciones de IA en ordenadores, móviles o sistemas integrados.
- Aplicaciones empresariales: análisis de información sin depender siempre de infraestructuras externas.
El funcionamiento local también puede aportar ventajas relacionadas con la privacidad. Si determinados datos se procesan directamente en el dispositivo o en servidores propios, se reduce la necesidad de enviarlos a plataformas externas. Aun así, la seguridad dependerá de cómo se implemente cada solución.
Una tecnología con potencial, todavía pendiente de validación
La compresión de modelos no es una idea nueva, pero el interés por hacerla más eficiente ha crecido al mismo ritmo que la popularidad de la inteligencia artificial generativa. Cada mejora puede ayudar a contener el consumo de una industria que necesita cada vez más potencia de cálculo.
La propuesta de Multiverse apunta en esa dirección: modelos más pequeños, costes inferiores y un menor impacto energético sin renunciar a sus capacidades principales. El alcance real de la promesa dependerá de los resultados obtenidos en aplicaciones comerciales y de la pérdida de precisión que se produzca en cada caso.
Si las cifras anunciadas se confirman, la compresión podría convertirse en una de las vías más importantes para hacer que la inteligencia artificial sea más accesible, eficiente y sostenible. La próxima fase será comprobar si ese adelgazamiento tecnológico mantiene intacta la inteligencia que los usuarios esperan de estos sistemas.
