La inteligencia artificial se ha convertido en una herramienta imprescindible, ya que está presente en buscadores, sistemas de recomendación, asistentes virtuales, etc. Además, automatiza tareas, acelera procesos y permite crear contenido que, hace pocos años, solo podía hacer un humano.
Pero esa capacidad no es gratis, porque cada vez que interactúas con un sistema de IA, detrás se activan decenas de servidores, miles de núcleos de procesamiento y mecanismos de refrigeración que consumen cantidades descomunales de electricidad.
El problema no es solo la escala, sino la velocidad a la que crece todo esto. Según el Foro Económico Mundial, el uso de IA generativa crecerá un 50 % anual hasta 2030. Si nada cambia, eso implica una demanda energética que muy pronto podría superar lo que puede ofrecer la infraestructura actual.
Es importante mencionar que no se trata ya de optimizar modelos ni de entrenar redes neuronales más rápidas, sino que se trata de responder a una pregunta urgente, ¿cómo alimentar energéticamente un sistema que nunca deja de crecer?
Chips diseñados a medida para una IA más eficiente
Ante esta situación, algunas empresas están buscando alternativas a los chips tradicionales, dominados por Nvidia. Sus GPU son las más potentes del mercado, pero también las más caras y las que más energía consumen. En tareas de inferencia —generar respuestas en tiempo real— no siempre son la opción más óptima.
Aquí es donde entran en juego nuevas propuestas como Positron y Groq, dos startups que apuestan por chips diseñados desde cero para resolver este cuello de botella. Positron ha desarrollado un chip específico para tareas de inferencia. A diferencia de los chips generalistas, este está optimizado solo para un conjunto muy concreto de operaciones.
¿El resultado? Una promesa de eficiencia entre tres y seis veces superior por vatio frente a los chips de Nvidia. La clave está en simplificar el hardware, evitar tareas innecesarias, así como concentrar todos los recursos en responder rápido con el menor gasto posible.
Groq, por su parte, apuesta por otra arquitectura, como lo son chips que integran directamente la memoria en el propio procesador, lo que reduce el tiempo de acceso a datos y mejora el rendimiento. Según sus responsables, estos nuevos procesadores pueden realizar las mismas tareas que los actuales consumiendo hasta una sexta parte de energía.
Estos avances ya están siendo probados por empresas como Cloudflare, que ha empezado a evaluar el rendimiento real de los chips de Positron en entornos reales.
Si los resultados se confirman, no solo podrían implantarlos a gran escala, sino también reducir su dependencia de Nvidia, cuyo hardware impone lo que ya se conoce en el sector como el “impuesto Nvidia”: un margen de beneficio de hasta el 60 % por chip que eleva drásticamente el coste de operación de cualquier IA.
Por qué la IA necesita tanta energía (y por qué eso es un problema)
La mayoría de usuarios piensa que usar un chatbot o generar una imagen es algo ligero, pero cada petición pone en marcha un entramado físico complejo, como centros de datos repartidos por todo el mundo, procesadores de alto rendimiento trabajando a máxima carga, memoria RAM especializada, discos SSD operando sin descanso y refrigeración para mantener todo a temperatura operativa.
Todo esto, solo para ofrecer una respuesta de texto o una imagen. No obstante, la parte más exigente es el entrenamiento de los modelos, pero no es la única. La inferencia, es decir, el momento en el que tú le haces una pregunta a la IA y esta responde, es la operación que más se repite.
Cada vez que un usuario genera una imagen, redacta un correo automático o pide ayuda para resolver un problema, se activa una red neuronal entrenada que debe funcionar al instante, sin margen de error ni pausa. El coste energético de esa operación, multiplicada por millones de usuarios cada minuto, es tan alto que ya preocupa a las grandes tecnológicas.
No solo por lo que implica para el planeta, también porque mantener estas operaciones supone pagar facturas millonarias. Es por esta razón que si no se frena esa espiral, ni las infraestructuras actuales ni el presupuesto de muchas compañías podrán soportar la expansión de la IA.
El futuro de la IA también depende de cómo se alimenta
Pero aunque estos nuevos chips representen un avance significativo, no solucionan del todo el problema. Los modelos de inteligencia artificial no dejan de crecer en complejidad. ChatGPT 5, los modelos de Google, Anthropic o Mistral son cada vez más pesados.
No solo requieren más energía para entrenarse, también para ejecutarse. Además, el número de servicios que integran IA no deja de aumentar: desde motores de búsqueda hasta plataformas de correo o navegación GPS.
Esa expansión significa que la demanda energética no se reduce, simplemente se distribuye de forma más eficiente. Por eso, algunas compañías están yendo más allá del hardware. Google, por ejemplo, ya estudia cómo aplicar energía nuclear o incluso fusión experimental para alimentar sus centros de datos futuros.
Lo mismo exploran empresas como Microsoft o Amazon, conscientes de que la solución no está solo en hacer chips más eficientes, sino en producir electricidad suficiente para lo que se avecina.
La inteligencia artificial sigue evolucionando, pero cada paso adelante implica también un mayor consumo de recursos. Si el hardware mejora, la demanda crece. Si los chips se optimizan, los modelos se multiplican. La única forma de evitar que todo el sistema colapse es replantear no solo cómo se entrena y ejecuta la IA, sino también cómo se alimenta.
Conoce cómo trabajamos en ComputerHoy.
Etiquetas: Inteligencia artificial
