La inteligencia artificial busca su algoritmo «verde» para reducir una factura energética disparada
La carrera por hacer que la inteligencia artificial sea más eficiente no se libra únicamente en los centros de datos. Mientras los fabricantes mejoran las GPU, los sistemas de refrigeración y las conexiones entre servidores, investigadores y empresas miran cada vez más al software como una vía directa para reducir el consumo de energía y el coste de operar modelos avanzados.
La razón es sencilla: el hardware consume electricidad porque está ejecutando instrucciones. Cuanto mejor aproveche un programa la capacidad de los chips, menos operaciones innecesarias realizará y menor será la energía necesaria para completar una tarea.
«El hardware consume porque tiene un software que se está ejecutando», explica Coral Calero, catedrática de Lenguajes y Sistemas Informáticos de la Universidad de Castilla-La Mancha. La especialista, responsable del área de Software Verde y Sostenible del grupo Alarcos, resume así una idea que gana peso en el sector: optimizar el código puede ser tan importante como fabricar chips más eficientes.
El coste de la IA ya limita su expansión
El consumo energético de la inteligencia artificial se ha convertido en un problema ambiental, pero también financiero. Los modelos necesitan grandes cantidades de electricidad durante su entrenamiento y cada vez que responden a una petición. A ello se suma el gasto de los sistemas de refrigeración que mantienen los servidores en funcionamiento.
La adopción empresarial avanza con rapidez. Cerca de nueve de cada diez compañías utilizan ya alguna herramienta de IA y una parte significativa se encuentra ampliando su uso. Sin embargo, alrededor de una quinta parte de las empresas limita estas tecnologías por sus elevados costes operativos.
La presión aumenta con la popularización de los agentes de IA. Estos programas no se limitan a contestar una pregunta, sino que pueden consultar documentos, dividir una tarea en varios pasos, tomar decisiones y utilizar otras aplicaciones. Para hacerlo necesitan leer y procesar mucha más información que un chatbot convencional.
Ese volumen de trabajo se traduce en más tokens. En los modelos de lenguaje, un token es una unidad de texto que puede corresponder a una palabra, parte de ella o un signo. Cada token procesado exige operaciones matemáticas y, en muchos servicios, se factura según la cantidad utilizada. El modelo de suscripción deja paso en numerosos entornos al pago por uso, lo que hace visible el coste real de cada consulta.
Menos precisión para gastar menos energía
Una de las técnicas que se están investigando consiste en reducir la precisión numérica de los cálculos. Los procesadores suelen trabajar con representaciones de 32 o 64 bits, capaces de manejar números con gran detalle. Al utilizar formatos de 16 u 8 bits, el sistema necesita menos memoria y puede ejecutar las operaciones con un consumo menor.
El inconveniente es que esa simplificación también puede introducir errores. Con menos bits se representan menos decimales y algunos valores deben redondearse. La pequeña desviación de una operación puede propagarse por las distintas capas de una red neuronal y modificar el resultado final.
Verónica Bolón Canedo, investigadora de IA en la Universidade da Coruña y directora de la Cátedra UDC-INDITEX de IA en Algoritmos Verdes, trabaja en el diseño y adaptación de algoritmos para reducir ese impacto. La clave no consiste en cambiar simplemente el formato numérico, sino en modificar el software para compensar la pérdida de precisión.
Estas técnicas pueden incluir el ajuste de determinadas capas de una red neuronal, el uso de modelos más pequeños o la conservación de una parte del sistema con mayor precisión. El objetivo es concentrar los recursos donde resultan imprescindibles y simplificar el resto.
La tolerancia al error depende además de la aplicación. Una pequeña pérdida de precisión puede ser asumible al recomendar una película o clasificar contenidos. En cambio, no tendría la misma consideración en un sistema de diagnóstico médico, un vehículo autónomo o una herramienta utilizada para tomar decisiones críticas.
Entrenamiento e inferencia: dos fuentes de consumo
El gasto energético de un modelo de IA se reparte principalmente entre dos etapas. La primera es el entrenamiento, el proceso durante el que el sistema analiza grandes volúmenes de datos y ajusta sus parámetros para aprender a realizar una tarea. En los modelos más avanzados, esta fase puede exigir enormes cantidades de cómputo.
La segunda es la inferencia, es decir, el momento en el que el modelo ya entrenado recibe una petición y genera una respuesta. Aunque cada consulta individual consuma menos que el entrenamiento, millones de usos diarios pueden convertir esta fase en una parte sustancial de la factura energética.
Por eso, el sector busca algoritmos que no solo aprendan mejor, sino que también respondan con menos operaciones. La compresión de modelos, la eliminación de cálculos redundantes y la selección automática del sistema más adecuado para cada consulta forman parte de esa estrategia.
La eficiencia será una cuestión de diseño
La denominada IA verde no persigue únicamente reducir las emisiones asociadas a los centros de datos. También pretende que las aplicaciones sean viables desde el punto de vista económico. Una tecnología que responde bien, pero necesita demasiados servidores y electricidad, puede resultar difícil de mantener cuando aumenta su número de usuarios.
La optimización del software introduce, eso sí, decisiones delicadas. No todas las tareas necesitan el modelo más grande ni el máximo nivel de precisión. Elegir un sistema más sencillo cuando el riesgo es bajo puede ahorrar recursos sin afectar de forma apreciable a la experiencia.
La evolución de la inteligencia artificial apunta así hacia una combinación de avances en chips, centros de datos y algoritmos. El futuro de los modelos no dependerá solo de que sean más potentes, sino también de que sepan utilizar únicamente los recursos necesarios para cada trabajo.
