Computación termrodinámica podría reducir el consumo energético de generadores de imágenes en mil millones de veces
Hecho Qué ha ocurrido
Investigadores del Laboratorio Nacional Lawrence Berkeley y de la startup Normal Computing han demostrado en dos estudios publicados en Nature Communications y Physical Review Letters que la computación termrodinámica puede generar imágenes utilizando aproximadamente una billonésima parte de la energía que requieren sistemas como DALL-E o Stable Diffusion. El enfoque utiliza circuitos físicos que aprovechan fluctuaciones térmicas aleatorias del entorno para realizar cálculos de bajo consumo, en lugar de redes neuronales digitales convencionales. En simulaciones, el equipo logró entrenar una computadora termrodinámica capaz de generar imágenes de dígitos manuscritos.
Resumen generado mediante IA a partir de IEEE Spectrum AI (original en inglés). Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Con la escalada del consumo energético de la IA generativa siendo un cuello de botella crítico, una reducción de varios órdenes de magnitud en el coste energético podría viabilizar el despliegue masivo de herramientas de generación de imágenes en dispositivos periféricos y optimizar infraestructuras de centros de datos. Sin embargo, los expertos advierten que aún falta resolver desafíos de ingeniería significativos antes de competir con sistemas actuales en calidad.
- Quién se ve afectado
- Proveedores de infraestructura de IA, desarrolladores de herramientas de generación de imágenes, empresas con demanda intensiva en computación visual y operadores de centros de datos.
- Qué puede cambiar
- Si la tecnología se materializa a escala, podría reducir drásticamente los costes operativos y ambientales de los servicios de IA generativa. No obstante, Whitelam advierte que el hardware termrodinámico sigue siendo rudimentario y que los diseños a corto plazo probablemente se situarán entre los niveles ideales teóricos y las actuales cotas de potencia digital.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Seguir la evolución de prototipos de Normal Computing y otros laboratorios hacia capacidades de imagen más complejas; monitorizar si se resuelven los desafíos de fabricación y escalabilidad; evaluar adopción en aplicaciones específicas de bajo consumo antes de competir con GPU convencionales.
Recomendación Qué debería hacer una empresa
Equipos de infraestructura y operaciones deberían monitorizar los avances en computación termrodinámica en los próximos 12-18 meses, especialmente si aparecen demostraciones de generación de imágenes de mayor complejidad, para evaluar potencial viabilidad en casos de uso sensibles al consumo energético.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: IEEE Spectrum AI. La referencia es siempre el artículo original.
Ver fuente original ↗computación termrodinámicamodelos de difusiónneural networksimage generation Lawrence Berkeley National LaboratoryNormal Computing computación termrodinámica consumo de potencia eficiencia energética generación de imágenes IA
Relacionadas
Un estudio con resonancias cerebrales halla que los chatbots no procesan el significado como el cerebro humano
Un estudio publicado en eLife comparó ocho modelos de lenguaje basados en transformers con la actividad cerebral de 30 personas leyendo 108 oraciones, medida…
Por qué importaSugiere que la fluidez de un chatbot no equivale a una comprensión comparable a la humana, algo relevante al decidir en qué tareas confiar en su…
Un exinvestigador de OpenAI sostiene que las redes neuronales son más interpretables de lo que se creía
Nick Cammarata, investigador de interpretabilidad en Goodfire y antiguo miembro del equipo de OpenAI, publicó el 15 de octubre un trabajo titulado 'Neural…
Por qué importaSi la interpretabilidad avanza, las empresas podrían auditar mejor el comportamiento de los modelos, algo relevante para cumplimiento y gestión de…
El modelo de IA de Google DeepMind acertó la trayectoria del huracán Isaias donde los pronósticos tradicionales fallaron
El Centro Nacional de Huracanes de EE. UU. (NHC) usó como apoyo el modelo WeatherNext Cyclones de Google DeepMind, que situó la entrada de Isaias en Florida…
Por qué importaMuestra que la IA ya compite con los modelos físicos operativos en previsión meteorológica crítica, y que el enfoque útil en la práctica es combinar…
Radical Numerics afirma haber administrado a un paciente fagos virales diseñados por su modelo de IA
Radical Numerics afirma que administró a un paciente un cóctel de bacteriófagos diseñados por su modelo Omnii-1 para tratar una infección bacteriana resistente…
Por qué importaSi se confirma, la IA podría acortar de meses a semanas el diseño de terapias con fagos, un cuello de botella clave para tratar infecciones…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.