Empresas Premium
No existe inteligencia artificial sin energía: un centro de datos dedicado en exclusiva a productos y servicios de IA consume hoy tanta electricidad como 100.000 hogares, según la Agencia Internacional de la Energía (AIE).
En los últimos años, la inteligencia artificial ha dejado de pertenecer en exclusiva al mundo de la investigación para conquistar cada vez más espacios de nuestra vida y ello ha venido acompañado de un aumento importante de sus necesidades de energía. De acuerdo con la AIE, los centros de datos consumen en la actualidad un 1,5 % de toda la electricidad producida en el mundo y, si nada cambia, su demanda de energía se duplicará de aquí a finales de la década.
En el camino para que algo cambie y se reduzca la huella energética de la IA, dos trabajos de la Universitat Oberta de Catalunya (UOC), con la participación de los investigadores Fernando Sevilla Martínez y Laia SubiratsMaté, del grupo NeuroADaS Lab (Cognitive Neuroscience and Applied Data Science Lab), proponen sendas alternativas hacia una IA más sostenible y eficiente y, también, más asequible. Los artículos han sido publicados en abierto en IEEE Networking Letters y en el International Journal of Intelligent Systems.
"La eficiencia energética debe pasar a ser un parámetro central en el diseño de la IA. No se trata solo de hacer modelos más rápidos o con mejor rendimiento, sino de hacerlos sostenibles, éticos y accesibles", señala Subirats Maté, también profesora agregada de los Estudios de Informática, Multimedia y Telecomunicación de la UOC. "Diseñar IA energéticamente eficiente no solo beneficia al planeta, sino que también permite desplegar IA en dispositivos pequeños como robots y sensores, reducir los costes de operación de las empresas y los centros de datos y mejorar la resiliencia en entornos con conectividad o energía limitadas".
El primero de los trabajos publicados, liderado desde la UOC por el doctorando Fernando Sevilla Martínez y con la participación de la Universitat Autònoma de Barcelona, el Centre de Visió per Computador (CVC/UAB), el Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) y el grupo Volkswagen, ha demostrado que es posible desarrollar redes neuronales de impulsos (un tipo de IA que imita el funcionamiento del cerebro humano) de bajo consumo y de alto rendimiento utilizando componentes económicos y accesibles, como Raspberry Pi 5 y el acelerador BrainChip Akida.
Este estudio abre el camino hacia redes distribuidas de inteligencia artificial eficientes energéticamente, aplicables en campos como el transporte, la monitorización ambiental o el internet de las cosas (IoT) industrial.
"La metodología que proponemos permite entrenar, convertir y ejecutar estos modelos de redes neuronales de impulsos sin necesidad de una unidad de procesamiento gráfico ni de conexión a un centro de datos o a la nube, con un consumo de menos de diez vatios de energía", detallan los autores. "Además, gracias a otras tecnologías como Message Queuing Telemetry Transport, Secure Shell y comunicación Vehicle-to-Everything, varios dispositivos pueden colaborar entre sí en tiempo real, y compartir resultados en menos de un milisegundo y con un gasto energético de apenas diez a treinta microjulios por operación".
De acuerdo con los investigadores, esto no solo tiene implicaciones desde el punto de vista del consumo energético, sino también desde el punto de vista social y ético, ya que permite que la IA esté al alcance de cualquier persona y refuerza la privacidad de los datos. Esto hace que las escuelas o los hospitales, las zonas rurales con infraestructura limitada o los grupos de ciudadanos con pocos recursos puedan usar una inteligencia artificial eficiente, sostenible, accesible y distribuida.
El segundo de los trabajos, liderado también desde la UOC por Fernando Sevilla Martínez y con los mismos participantes que el anterior, analiza en detalle cómo las redes neuronales de impulsos pueden reducir el consumo energético de los sistemas de conducción autónoma, en comparación con las redes convolucionales, muy utilizadas en sistemas de visión artificial como los que llevan algunos vehículos autónomos.
Para ello, comparan ambas tecnologías en tareas como la predicción de ángulos de giro del volante o la detección de obstáculos. La propuesta de los investigadores pasa también por introducir una nueva forma de medir la eficiencia real de los sistemas, para lograr así un mejor equilibrio entre precisión y consumo energético.
"Las pruebas que hemos llevado a cabo con diferentes arquitecturas muestran que las redes neuronales de impulsos con una determinada codificación logran un equilibrio óptimo entre rendimiento y bajo consumo, y utilizan entre diez y veinte veces menos energía que las redes convolucionales", explican los investigadores del grupo NeuroADaS Lab de la UOC, adscrito al eHealth Centre. "Esto demuestra que las redes neuronales pueden impulsar una IA más sostenible incluso sin la necesidad de hardware especializado, lo que marca un hito clave hacia una computación eficiente en el transporte inteligente y autónomo", añaden.
De acuerdo con los autores, ambos estudios aportan datos valiosos en la investigación para lograr sistemas de IA que consuman menos energía y, por lo tanto, sean también más asequibles y accesibles. "El primer trabajo aporta un flujo de trabajo práctico con menos demanda eléctrica, menor generación de calor y la posibilidad de desplegar la IA directamente sin centros de datos, el llamado edge computing", concluyen. "Y el segundo introduce una métrica que combina rendimiento y consumo energético, lo que nos permite impulsar el diseño de una IA más sostenible".
Artículos relacionados
Martínez, F.S., Casas-Roma, J., Subirats, L., & Parada, R. (2025) "Eco-Efficient Deployment of Spiking Neural Networks on Low-Cost Edge Hardware". IEEE Networking Letters https://doi.org/10.1109/LNET.2025.3611426.
Sevilla Martínez, F., Casas-Roma, J., Subirats, L., & Parada, R. (2025). "Energy-aware regression in spiking neural networks for autonomous driving: A comparative study with convolutional networks". International Journal of Intelligent Systems https://doi.org/10.1155/int/4879993.
|
