IA energéticamente eficiente: una nueva era con computadoras neuromórficas

La inteligencia artificial está experimentando un progreso vertiginoso que ha establecido nuevos paradigmas en la tecnología y la ciencia. Sin embargo, esta revolución digital viene acompañada de una alta demanda energética. Frente a este desafío, un
innovador enfoque
planteado por dos científicos del prestigioso Instituto Max Planck para la Ciencia de la Luz, ubicado en Erlangen, Alemania, propone un cambio radical en los métodos de entrenamiento de la IA, prometiendo una era de procesamiento de datos revolucionaria y energéticamente eficiente.

En la práctica actual, los modelos de IA requieren una gran inversión energética, especialmente evidente durante las fases de entrenamiento. Las cantidades específicas son elusivas, pero según las estadísticas recogidas por Statista, el entrenamiento de modelos como GPT-3 podría alcanzar los 1000 megavatios hora, lo que se asimila al uso anual de energía de unos 200 hogares alemanes. A pesar de esta intensiva inversión, el resultado no siempre logra captar las complejidades y los matices del lenguaje humano.[automatic_youtube_gallery type="search" search="IA energéticamente eficiente: una nueva era con computadoras neuromórficas" cache="2419200" per_page="1" thumb_excerpt="0" player_description="0"]

La computación neuromórfica: Interconexión de mente y tecnología

Deficiencias de la IA convencional

La IA que conocemos se basa en redes neuronales artificiales que operan bajo un esquema digital, lo cual implica una serie de limitaciones. Florian Marquardt, director del Instituto Max Planck y catedrático de la Universidad de Erlangen, señala que los sistemas contemporáneos de IA sufren debido a la cantidad de energía que se consume solamente en el traslado de datos entre procesadores y memorias, una eficiencia cuestionable especialmente en el entrenamiento de redes neuronales de gran escala.

Paradigma de la computación paralela

La computación neuromórfica se inspira en la naturaleza misma, imitando la arquitectura y la funcionalidad del cerebro humano. La clave de su eficacia radica en el procesamiento paralelo de datos, una aproximación que simula el trabajo conjunto de las neuronas y sinapsis cerebrales, que aúnan los roles de procesador y memoria en un solo ente.

Actualmente, esta área está siendo explorada a través de tecnologías emergentes como los circuitos fotónicos, que emplean la luz para realizar cálculos y están marcando un camino prometedor hacia la evolución de esta tecnología.

IA que aprende por sí misma con máquinas físicas autoaprendizaje

Junto a su estudiante de doctorado Víctor López-Pastor, Marquardt ha desarrollado un novedoso método de entrenamiento para computadoras neuromórficas físicas. Este sistema, denominado «máquina física de autoaprendizaje», se optimiza autónomamente mediante un proceso físico intrínseco, lo que hace innecesaria la retroalimentación externa, y según Marquardt, «la ausencia de esta necesidad convierte al entrenamiento en un procedimiento mucho más eficiente».

Sin embargo, esta técnica vanguardista requiere que el proceso sea reversible, que exista una pérdida mínima de energía y que posea una complejidad y una naturaleza no lineal suficientes. Solamente los procesos no lineales son capaces de realizar las complejas transformaciones requeridas entre los datos de entrada y los resultados esperados», clarifica Marquardt, estableciendo un contraste imprescindible entre las operaciones lineales y no lineales en el entrenamiento de la IA.

Viabilidad de implementación práctica y futura

Desde la teoría a la práctica

Los fundamentos teóricos expuestos por estos dos científicos se encuentran en pleno desarrollo para su aplicación en el mundo real. En colaboración con un equipo enfocado en el ámbito experimental, están avanzando en la creación de una computadora neuromórfica óptica, un sistema que procesa información por medio de ondas de luz superpuestas —un salto cualitativo hacia la actualización del concepto de la máquina física autoaprendizaje.

Marquardt prevé expectantes avances en este campo: «En un horizonte de tres años, esperamos presentar la primera máquina física de autoaprendizaje», proyección que sugiere un manejo más eficiente de volúmenes de datos significativamente mayores, con entrenamientos más complejos en comparación con los sistemas contemporáneos. Ante la creciente demanda y las ineficiencias de las configuraciones actuales de IA, pivotar hacia las computadoras neuromórficas parece no sólo inevitable, sino también un cambio bienvenido y promisorio.

«Estamos convencidos de que las máquinas físicas autoaprendizaje capaces de desempeñarse de manera eficiente y autónoma poseen una ventaja decisiva en la evolución reciente de la inteligencia artificial«, concluye Marquardt. La comunidad científica y los entusiastas del sector aguardan con alta expectación los desarrollos que traerá el futuro próximo.