- La expansión de la IA dispara el gasto eléctrico y la huella de carbono a escala global.
- La computación analógica en memoria (AIMC) evita mover datos y promete reducir el consumo hasta mil veces.
- El método "Residual Learning" permite entrenar modelos en hardware analógico con precisión similar a la digital.
- Centros de datos, sanidad, industria y dispositivos vestibles en Europa podrían beneficiarse de esta tecnología eficiente.
El auge de la inteligencia artificial está trayendo herramientas cada vez más potentes, pero también un coste oculto que empieza a preocupar seriamente: el desgaste energético asociado a su uso masivo. Distintas estimaciones apuntan a que una sola consulta compleja a un modelo tipo ChatGPT puede llegar a consumir una cantidad de electricidad comparable a la de un hogar medio de Estados Unidos durante un minuto.
Si se tiene en cuenta el enorme volumen de peticiones diarias y el entrenamiento intensivo de los modelos de IA, la factura eléctrica y la huella de carbono se disparan. Por eso, grupos de investigación y empresas tecnológicas buscan fórmulas para que la IA sea mucho más eficiente y sostenible, especialmente en regiones como Europa, donde la regulación energética es cada vez más estricta.
Qué es la computación analógica en memoria y por qué puede ser clave
Una de las propuestas con más potencial es la computación analógica en memoria, conocida por sus siglas en inglés como AIMC. Esta tecnología se apoya en chips analógicos capaces de almacenar y procesar datos en el mismo lugar, sin necesidad de enviarlos constantemente de la memoria al procesador y viceversa, como ocurre en la mayoría de arquitecturas digitales actuales.
En lugar de limitarse a representar la información con ceros y unos bien definidos, estos sistemas se sirven de señales continuas y de las propiedades eléctricas de los materiales para realizar operaciones matemáticas. De este modo, se “aprovecha la física” del propio chip para hacer muchos de los cálculos necesarios, reduciendo el tiempo de cómputo y, sobre todo, el consumo energético.
Trabajos recientes liderados por Tianyi Chen, profesor asociado de ingeniería eléctrica e informática en Cornell Tech, en colaboración con especialistas de IBM y del Rensselaer Polytechnic Institute, señalan que este enfoque podría recortar el gasto energético hasta mil veces frente a plataformas digitales convencionales a la hora de ejecutar modelos de IA de gran tamaño.
La gran ventaja es que, al no tener que estar moviendo datos todo el rato, el sistema puede delegar buena parte del esfuerzo en la respuesta física de los dispositivos. Este cambio de paradigma resulta especialmente atractivo para centros de datos y servicios en la nube, también en la Unión Europea, donde la presión para reducir emisiones es cada vez mayor y la eficiencia energética de la IA se ha convertido en un asunto estratégico.
La AIMC ya se contemplaba desde hace años como una buena opción para acelerar la inferencia de modelos ya entrenados, es decir, la fase en la que la IA responde a consultas o ejecuta tareas. Sin embargo, había un escollo importante: trasladar a este tipo de hardware la fase de entrenamiento, que es la más costosa en términos de energía.
Las limitaciones del hardware analógico y el problema de la precisión
El principal freno a la adopción generalizada del hardware analógico ha sido su comportamiento menos preciso y más ruidoso que el de los circuitos digitales. En la práctica, los pulsos eléctricos utilizados para ajustar los parámetros de un modelo pueden variar ligeramente de una operación a otra, introducir ruido o sufrir desviaciones difíciles de controlar.
Estas imperfecciones se traducen en gradientes inexactos y entrenamientos inestables cuando se aplican directamente algoritmos clásicos como la retropropagación. Es decir, si se entrena una red neuronal profunda en un chip analógico sin tener en cuenta sus peculiaridades físicas, el resultado puede ser un modelo que aprende peor o produce predicciones menos fiables.
Por este motivo, durante mucho tiempo la computación analógica en memoria quedó relegada a escenarios muy concretos, centrados sobre todo en acelerar tareas específicas o en ayudar en la fase de inferencia. El reto estaba en encontrar una forma de aprovechar la enorme eficiencia energética del hardware analógico sin perder la calidad de los modelos que se consigue en las plataformas digitales.
La investigación liderada por Chen y su equipo se orienta precisamente a ese punto: adaptar los algoritmos de aprendizaje profundo a las condiciones reales de los dispositivos analógicos, en lugar de forzar que estos se comporten como si fueran hardware digital convencional.
Para ello, han trabajado en una reformulación del corazón del entrenamiento de redes neuronales, con el objetivo de que tolere el ruido, las señales imperfectas y las fluctuaciones propias de estos sistemas físicos, manteniendo al mismo tiempo un nivel alto de precisión.
Residual Learning: una retropropagación pensada para chips analógicos
El resultado de este esfuerzo es un método bautizado como Residual Learning, que puede describirse como una versión analógica del algoritmo de retropropagación. En lugar de asumir que el hardware ejecuta las operaciones de forma exacta, el enfoque integra explícitamente las desviaciones que se producen en el dispositivo durante el entrenamiento.
La técnica introduce una capa adicional de supervisión y corrección que monitoriza cómo se comporta realmente el chip en cada actualización de parámetros. A partir de esa información, el sistema ajusta los gradientes y compensa las diferencias causadas por pulsos irregulares, ruido eléctrico u otras imperfecciones físicas del circuito.
De esta forma, los modelos pueden entrenarse en hardware analógico con una precisión muy cercana a la que se obtiene en servidores digitales, pero con una fracción de la energía. La idea no es eliminar completamente los errores del chip, algo prácticamente imposible, sino diseñar el algoritmo para convivir con ellos y corregirlos de manera sistemática.
Según explica el propio Chen, el procedimiento “compensa dinámicamente las imperfecciones naturales del hardware para que el proceso de aprendizaje siga el rumbo correcto”. En la práctica, esto se traduce en modelos que alcanzan niveles de rendimiento comparables a los obtenidos con GPU o aceleradores tradicionales, pero con un coste energético muchísimo menor.
Además de mejorar la estabilidad del entrenamiento, el marco de Residual Learning propone herramientas para vigilar la imparcialidad y el comportamiento estadístico de los modelos entrenados en entornos analógicos. Esta preocupación por la robustez y la ausencia de sesgos es especialmente relevante en aplicaciones sensibles, presentes tanto en Estados Unidos como en Europa, donde las regulaciones sobre IA avanzan a gran velocidad.
Presentación en NeurIPS y recepción en la comunidad científica
Los avances de esta línea de trabajo se presentaron en diciembre, en una exposición oral durante la Conferencia Anual sobre Sistemas de Procesamiento de Información Neural (NeurIPS), uno de los foros internacionales más influyentes en inteligencia artificial. La propuesta llamó la atención al ofrecer una vía concreta para atacar el problema energético de la IA sin limitarse a mejoras incrementales en el hardware digital.
Entre los aspectos que más interés han generado figura la combinación de teoría de aprendizaje automático, diseño de circuitos y física de dispositivos. El proyecto ilustra cómo la colaboración entre universidades como Cornell Tech y empresas como IBM puede abrir caminos nuevos en la construcción de la infraestructura que sostiene los grandes modelos de IA.
Aunque buena parte del trabajo experimental se ha realizado en Estados Unidos, las implicaciones son claramente globales. En la Unión Europea, donde los centros de datos están sometidos a objetivos de eficiencia energética y reducción de emisiones cada vez más exigentes, tecnologías como la computación analógica en memoria se observan con gran interés.
Los investigadores plantean ahora el reto de escalar los prototipos y compararlos de manera sistemática con modelos de código abierto ampliamente utilizados por la comunidad, de forma que sea posible establecer referencias claras de rendimiento, consumo y precisión frente a soluciones digitales ya consolidadas.
Si estas pruebas a mayor escala confirman los resultados iniciales, la AIMC podría pasar de ser una curiosidad de laboratorio a integrarse en futuras generaciones de aceleradores de IA, con un impacto directo en cómo se diseñan los centros de datos y las infraestructuras de supercomputación en todo el mundo.
Aplicaciones prácticas: desde centros de datos hasta dispositivos médicos
Las posibles aplicaciones de la computación analógica en memoria abarcan tanto grandes instalaciones como dispositivos muy pequeños. En primer lugar, la tecnología podría transformar la forma en que funcionan los centros de datos que soportan servicios de IA, reduciendo el consumo eléctrico y el coste de operación de plataformas de chatbot, traducción automática o generación de imágenes.
Pero el cambio más visible se espera en entornos donde la energía disponible es limitada. La posibilidad de entrenar o reajustar modelos directamente en chips analógicos de muy bajo consumo abre la puerta a dispositivos médicos portátiles o implantables que aprendan patrones propios de cada paciente sin depender tanto de la nube.
En el ámbito de la tecnología vestible, relojes inteligentes, auriculares y otros wearables podrían ejecutar algoritmos más avanzados de salud, deporte o accesibilidad con una autonomía de batería mucho mayor. Algo similar ocurriría con sensores distribuidos en fábricas, redes de transporte o infraestructuras críticas, que podrían tomar decisiones locales más complejas manteniendo un consumo mínimo.
La robótica autónoma también se vería beneficiada: robots industriales, vehículos logísticos o sistemas de inspección podrían incorporar modelos de IA más sofisticados sin depender de baterías de gran tamaño ni de una conexión constante con servidores remotos. Esta capacidad de procesamiento local y eficiente encaja bien con las estrategias europeas de digitalización y de despliegue de IA en el borde de la red.
Para la ciudadanía, muchos de estos cambios pasarían desapercibidos, pero se traducirían en dispositivos que duran más tiempo encendidos, se calientan menos y requieren menos recargas, al tiempo que ayudan a contener el impacto ambiental de la expansión de la inteligencia artificial.
Perspectivas de futuro y oportunidades para España y Europa
El equipo liderado por Tianyi Chen ha avanzado su intención de extender el enfoque de Residual Learning a una gama amplia de modelos de código abierto. Esta decisión facilita que otros grupos puedan reproducir, examinar y adaptar la metodología a distintos tipos de hardware analógico, acelerando así la madurez del campo.
De forma paralela, se están explorando colaboraciones con la industria tecnológica para integrar estas ideas en productos comerciales. Esta fase será decisiva para comprobar si la computación analógica en memoria puede competir en prestaciones y coste con los chips digitales de alto rendimiento que dominan hoy el mercado, como las GPU o los aceleradores especializados.
En Europa, y particularmente en países como España, donde existe una preocupación creciente por el precio de la electricidad y las emisiones asociadas a los centros de datos, la AIMC se perfila como una oportunidad para combinar soberanía tecnológica y eficiencia energética. Iniciativas europeas sobre chips de nueva generación y proyectos de IA sostenible podrían encontrar en este enfoque un aliado natural.
Quedan, no obstante, retos relevantes por resolver: desde la fabricación a gran escala de hardware analógico fiable hasta la estandarización de herramientas de programación y la formación de profesionales capaces de moverse entre la ingeniería electrónica, la física de materiales y los algoritmos de aprendizaje profundo.
La computación analógica en memoria se está consolidando como una de las alternativas más serias para reducir el consumo de la IA sin renunciar a su potencia. Si las próximas etapas de investigación y despliegue confirman las promesas actuales, esta tecnología podría ocupar un papel importante en el ecosistema de soluciones con el que Europa y el resto del mundo buscan compatibilizar la expansión de la inteligencia artificial con los objetivos de sostenibilidad y reducción de emisiones.
