Investigadoras españolas buscan algoritmos más eficientes para reducir el coste energético de la IA
Hecho Qué ha ocurrido
Expertas de las universidades de Castilla-La Mancha y A Coruña explican cómo optimizar el software (reducción de bits, entrenamiento no supervisado, reutilización de arquitecturas) para reducir el consumo energético de la IA. Un informe de McKinsey citado indica que el 89% de las empresas usa IA, un 44% está escalándola, pero un 20% restringe su uso por costes operativos elevados. McKinsey estima que en 2027 la inferencia superará al entrenamiento en demanda energética global.
Resumen generado mediante IA a partir de Xataka. Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
El coste energético y económico de operar IA, especialmente con agentes que consumen muchos más tokens, se está convirtiendo en una barrera real para su adopción empresarial, más allá del discurso de sostenibilidad.
- Quién se ve afectado
- Empresas que despliegan IA a escala, equipos de IT y desarrollo, proveedores de modelos y centros de datos.
- Qué puede cambiar
- Las empresas podrían priorizar modelos y arquitecturas más eficientes (menor precisión numérica, entrenamiento no supervisado, reutilización de componentes) para controlar costes operativos en lugar de maximizar capacidad bruta.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Vigilar si crecen ofertas de modelos 'eficientes' de bajo coste, cambios en estrategias de entrenamiento como las chinas, y si la inferencia efectivamente supera al entrenamiento en consumo hacia 2027.
Recomendación Qué debería hacer una empresa
Evaluar en los próximos 6-12 meses el coste real por token/uso de los modelos de IA desplegados y considerar alternativas más eficientes o cuantizadas para tareas no críticas.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Fuente original: Xataka. La referencia es siempre el artículo original.
Ver fuente original ↗eficiencia energéticacuantizaciónentrenamiento no supervisadoLLMagentes McKinseyUniversidad de Castilla-La ManchaUniversidade da Coruña algoritmos verdesconsumo energético IAeficiencia energéticaMcKinseysostenibilidad
Tu opinión
0 comentarios
Relacionadas
Anthropic consulta a filósofos y expertos religiosos para definir principios morales de Claude
Según una investigación de The New York Times, Chris Olah, cofundador de Anthropic, mantiene reuniones con filósofos y pensadores religiosos para explorar cómo…
Por qué importaRevela que una de las principales empresas de IA considera insuficientes las reglas actuales de alineación y busca marcos morales más profundos para…
MIT presenta HardFlow, algoritmo que impone restricciones estrictas de seguridad en IA generativa
Investigadores del MIT desarrollaron HardFlow, un algoritmo que aplica restricciones rígidas de seguridad sobre el resultado final de modelos generativos de…
Por qué importaPermite usar IA generativa en entornos de alto riesgo como robótica industrial o procesos físicos donde un error puede ser crítico, algo que los…
Google DeepMind lanza SynthID Bio, marca de agua para proteínas diseñadas por IA
Google DeepMind presentó SynthID Bio, una extensión de su sistema de marcas de agua que incrusta una firma criptográfica invisible en proteínas diseñadas por…
Por qué importaLa capacidad de diseñar proteínas inéditas con IA supera a los sistemas actuales de detección de bioamenazas, que dependen de comparar con secuencias…
Anthropic explora marcos religiosos y filosóficos para guiar el comportamiento de Claude
Según The New York Times, Chris Olah, cofundador de Anthropic, se ha reunido con pensadores religiosos y filósofos para explorar si la IA puede tener…
Por qué importaRevela que una de las empresas líderes en IA está buscando marcos no técnicos, incluso espirituales, para resolver problemas de alineación que la…