La computación analógica emerge como una vía para reducir el consumo energético de la inteligencia artificial
El rápido avance de la inteligencia artificial (IA) ha impulsado sistemas cada vez más potentes, pero también ha generado una creciente preocupación por su elevado consumo energético. Diversas estimaciones indican que una sola consulta compleja a modelos de IA puede requerir tanta energía como la que consume un hogar promedio de Estados Unidos durante un minuto, un impacto que se multiplica al considerar los miles de millones de interacciones diarias y el intenso proceso de entrenamiento de estos sistemas.
Ante este escenario, investigadores de Estados Unidos exploran alternativas para hacer la IA más sostenible. Un estudio reciente liderado por Tianyi Chen, profesor asociado de ingeniería eléctrica e informática en Cornell Tech, junto con especialistas de IBM y el Rensselaer Polytechnic Institute, propone una solución innovadora basada en la computación analógica en memoria (AIMC, por sus siglas en inglés).
Esta tecnología utiliza chips analógicos capaces de almacenar y procesar datos en el mismo lugar, evitando la transferencia constante de información entre la memoria y el procesador que caracteriza a las arquitecturas digitales tradicionales. Según Chen, este enfoque aprovecha directamente las propiedades físicas del hardware para realizar cálculos matemáticos de forma casi instantánea, lo que podría reducir el consumo energético de la IA hasta mil veces.
La computación analógica en memoria ya se perfila como una opción eficiente para ejecutar modelos de IA previamente entrenados. No obstante, el entrenamiento en hardware analógico representaba hasta ahora un desafío importante debido a las imperfecciones naturales de estos sistemas, como el ruido eléctrico o las variaciones en los pulsos que actualizan los parámetros del modelo, factores que afectan la precisión del aprendizaje.
Para superar esta limitación, el equipo desarrolló una versión analógica del algoritmo de retropropagación, ampliamente utilizado en el entrenamiento de IA. El nuevo método, denominado “Residual Learning”, incorpora una capa adicional que supervisa y corrige en tiempo real las imprecisiones del hardware, permitiendo que el entrenamiento mantenga una precisión comparable a la de los sistemas digitales, pero con un gasto energético mucho menor.
La propuesta fue presentada en diciembre de 2025 durante la Conferencia Anual sobre Sistemas de Procesamiento de Información Neural (NeurIPS), donde despertó interés por su potencial para transformar el desarrollo de modelos de IA. Según los investigadores, esta innovación no solo mejora la estabilidad del entrenamiento en hardware analógico, sino que también sienta las bases para una nueva generación de arquitecturas diseñadas específicamente para maximizar la eficiencia energética.
De concretarse a gran escala, la computación analógica podría facilitar el despliegue de inteligencia artificial en ámbitos donde el consumo energético es crítico, como dispositivos médicos, tecnología vestible, sensores industriales y robótica autónoma. El equipo planea ahora adaptar su metodología a modelos de código abierto y avanzar en colaboraciones con la industria, con el objetivo de impulsar un cambio estructural en la forma en que se construyen y utilizan los sistemas de IA.
Fuentes varias