• La computación termodinámica utiliza flujos de energía física en lugar de circuitos digitales fijos para cálculos de IA.
  • Este método podría reducir drásticamente el consumo de energía de las herramientas de IA, como los editores de imágenes.
  • Se requerirán nuevos diseños de hardware y enfoques para escalar esta tecnología a la generación de imágenes complejas.

La inteligencia artificial (IA) está revolucionando numerosos campos, pero su creciente demanda energética plantea desafíos significativos. Ante esta situación, científicos e investigadores exploran enfoques computacionales radicalmente nuevos. Uno de los más prometedores es la computación termodinámica, que busca realizar tareas de IA aprovechando los flujos de energía natural y la aleatoriedad inherente a los sistemas físicos.

Computación termodinámica: un nuevo paradigma para la IA

A diferencia de los ordenadores digitales tradicionales, que operan con circuitos fijos y cálculos precisos, la computación termodinámica se basa en la aleatoriedad, el ruido y las interacciones físicas para resolver problemas. La premisa es que este método podría permitir que herramientas de IA, incluyendo las de edición de imágenes, funcionen consumiendo mucha menos energía que los sistemas actuales. Stephen Whitelam, investigador del Laboratorio Nacional Lawrence Berkeley, ha demostrado que esta forma de computación puede generar imágenes sencillas, como dígitos escritos a mano, sentando las bases para una IA más eficiente.

Generación de imágenes mediante procesos naturales

El proceso de generación de imágenes termodinámicas difiere notablemente de la computación convencional. Comienza con la recepción de un conjunto de imágenes que el sistema permite que se "degraden" de forma natural. Esta "degradación" no implica daño, sino que los datos de las imágenes se esparcen o cambian debido a fluctuaciones mínimas en el sistema, causadas por la energía física que atraviesa los componentes. Con el tiempo, estas interacciones enturbian las imágenes, creando un desorden natural. Posteriormente, el sistema mide la probabilidad de revertir este desorden, ajustando su configuración interna para hacer la reconstrucción más factible. Al repetir este proceso, el ordenador restaura gradualmente las imágenes originales sin seguir la lógica paso a paso de los ordenadores convencionales. Esta aproximación, aunque rudimentaria en sus inicios, demuestra el potencial de los sistemas físicos para realizar tareas básicas de aprendizaje automático.

Desafíos y futuro de la computación termodinámica

Si bien los prototipos actuales son básicos y no pueden competir con las herramientas de IA de vanguardia como DALL-E o Google Gemini, la investigación abre una nueva vía para el funcionamiento de la IA. Los defensores de la computación termodinámica afirman que podría reducir la energía necesaria para la generación de imágenes hasta en un factor de diez mil millones en comparación con los ordenadores estándar, lo que disminuiría significativamente el consumo energético de los centros de datos que ejecutan modelos de IA. Esta innovación podría contrarrestar el aumento de consumo energético de la IA, pero el hardware de gama alta, como las GPUs, también están aumentando sus precios, como se refleja en el artículo sobre el RTX 5090: El RTX 5090, un ejemplo alarmante del aumento de precios en las GPUs. Sin embargo, escalar este enfoque para producir imágenes de alta calidad y con todas las funcionalidades requerirá tipos de hardware completamente nuevos y avances significativos en el diseño computacional.

Avances necesarios para la implementación práctica

Los investigadores enfatizan que el concepto se limita a principios básicos y que las implementaciones prácticas dependerán de avances cruciales tanto en hardware como en diseño computacional. "Esta investigación sugiere que es posible crear hardware para realizar ciertos tipos de aprendizaje automático con un coste energético considerablemente menor del que tenemos actualmente", señaló Whitelam. "Aún no sabemos cómo diseñar un ordenador termodinámico que sea tan bueno en la generación de imágenes como, por ejemplo, DALL-E; todavía será necesario averiguar cómo construir el hardware para lograrlo". La superación de estos obstáculos sentará las bases para una era de IA más sostenible y eficiente. El desarrollo de placas de IA como la Raspberry Pi con 8GB de RAM también demuestra los esfuerzos en el desarrollo de hardware más eficiente.