Los centros de datos dedicados en exclusiva a productos y servicios de inteligencia artificial (IA) tienen un alto coste de electricidad, según la Agencia Internacional de la Energía (IEA). En la actualidad, los centros de datos representan ya un 1,5% de toda la electricidad generada en el mundo y, si no se adoptan nuevas estrategias, se prevé que su demanda se duplique antes de que termine la década. En este contexto, investigadores de la Universitat Oberta de Catalunya (UOC) trabajan en modelos de IA de bajo consumo para avanzar hacia una IA más sostenible y eficiente, además de asequible. Dos estudios recientes proponen alternativas para reducir la huella energética de estos sistemas.
Los trabajos han contado con la participación de los investigadores Fernando Sevilla Martínez y Laia Subirats Maté, del grupo NeuroADaS Lab (Cognitive Neuroscience and Applied Data Science Lab), y proponen alternativas hacia una IA más sostenible y eficiente.
IA de bajo consumo y redes neuronales más sostenibles
El primero de los trabajos, 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 diseñada permite entrenar, convertir y ejecutar estas redes neuronales de impulsos sin usar unidades de procesamiento gráfico ni depender de la nube o de un centro de datos, con un consumo inferior a diez vatios.
Según el equipo investigador, esta aproximación tiene implicaciones energéticas, sociales y éticas, ya que facilita que la IA esté al alcance de cualquier persona y refuerza la privacidad de los datos. Escuelas, hospitales, zonas rurales con infraestructura limitada o colectivos con menos recursos pueden desplegar inteligencia artificial eficiente, sostenible, accesible y distribuida directamente en el borde de la red.
Conducción autónoma eficiente y métricas de sostenibilidad
El segundo trabajo, con los mismos participantes que el primer trabajo, analiza cómo las redes neuronales de impulsos pueden reducir el consumo energético en sistemas de conducción autónoma frente a las redes convolucionales, habituales en visión artificial para vehículos autónomos. El estudio compara ambas tecnologías en tareas como la predicción del ángulo de giro del volante o la detección de obstáculos, e introduce una nueva forma de medir la eficiencia real de los sistemas, equilibrando precisión y gasto energético.
Las pruebas con diferentes arquitecturas muestran que determinadas configuraciones de redes neuronales de impulsos logran un equilibrio óptimo entre rendimiento y bajo consumo, utilizando entre 10 y 20 veces menos energía que las redes convolucionales. Según los autores, los dos estudios aportan datos relevantes para una IA más sostenible y más asequible, con flujos de trabajo de menor demanda eléctrica, menos generación de calor y despliegue directo en dispositivos de edge computing sin depender de grandes centros de datos.