Hasta un 90 por ciento más eficientes energéticamente en centros de datos de IA

Nadie tiene que leer una biblioteca entera para responder a una pregunta concreta. Solo tiene que saber dónde buscar. Según este principio, la IA también podría hacerse hasta un 90 por ciento más eficiente mediante técnicas de compresión y modelos más pequeños. A esta conclusión llegan investigadores de la Universidad del Saarland.

Los centros de datos consumen enormes cantidades de energía, que han aumentado aún más con la introducción de la IA y la GenAI. Según Bitkom, la demanda de electricidad de los centros de datos alemanes se ha más que duplicado en una década – tendencia en fuerte aumento.

La IA resulta ser especialmente consumidor de energía. Por lo tanto, no solo se trata de generar más energía para saciar el apetito. Al menos igual de importante será desarrollar hardware y algoritmos más eficientes en términos energéticos.

El entrenamiento de modelos de IA como ChatGPT es especialmente intensivo en cálculos y energía, y consume teravatios-hora de electricidad. Lo mismo se aplica a la creación de textos e imágenes generados por IA. Con una creciente demanda, será necesario construir centros de datos cada vez más grandes, que requieren una mayor refrigeración y son responsables de una mayor emisión de CO₂, lo que probablemente torpedeará los objetivos de la UE de ser neutrales en carbono para 2050.

Modelos más pequeños son más eficientes

Un nuevo enfoque para hacer que la IA sea considerablemente más eficiente en términos energéticos lo están siguiendo el profesor Wolfgang Maaß de la Universidad del Saarland y del Centro de Investigación en Inteligencia Artificial de Alemania (DFKI), así como dos colegas. El equipo fue seleccionado para presentar sus trabajos de investigación en el stand del Ministerio Federal de Economía y Protección del Clima en la Feria de Hannover a finales de marzo y principios de abril de 2025.

Para frenar el apetito energético de la IA y conservar recursos, el equipo de investigación está trabajando en el desarrollo de modelos de IA más delgados y ajustados a las necesidades. “Al hacer que los modelos sean más pequeños y eficientes, contribuimos por un lado a una mayor sostenibilidad. Por otro lado, esto abre el acceso a modelos de IA potentes también para empresas medianas y pequeñas”, cita el blog de la mediana empresa a la miembro del equipo Sabine Janzen.

“Los modelos de IA más pequeños ya no requieren una gran infraestructura. Se vuelven accesibles para todos y no solo para los grandes actores”, dice la científica titulada. Continúa explicando el enfoque de su equipo de investigación: “Estamos trabajando, entre otras cosas, con la llamada destilación de conocimiento. Esta es una especie de tecnología de compresión con la que hacemos que los modelos sean más pequeños. Con un rendimiento comparable, los modelos de IA consumen mucha menos energía.”

Se sabe dónde, en lugar de saberlo todo

El enfoque de los investigadores en el Saarland y en Kaiserslautern: no es necesario leer una biblioteca entera para obtener respuestas a preguntas concretas. Basta con leer solo los libros con las respuestas adecuadas – bajo el lema “saber dónde”.

Para ello, extraen de grandes “modelos de profesores” pequeños “modelos de alumnos” enfocados y económicos, para destilar solo el conocimiento necesario para un área de tareas concreta y reducirlo a lo esencial. De esta manera, sería posible reducir los modelos de lenguaje y datos en hasta un 90 por ciento.

“Estos modelos de alumnos ofrecen un rendimiento comparable, pero requieren hasta un 90 por ciento menos de energía”, dice Janzen. Especialmente en los modelos de IA visuales, es decir, aquellos para el procesamiento de imágenes, ya se han obtenido buenos resultados para ahorrar energía con el método de la “búsqueda de arquitectura neuronal”.

La implementación en la práctica muestra primeros éxitos

Para ello, el equipo de investigación se ha centrado en el aprendizaje automático con redes neuronales, que es especialmente intensivo en energía. El trabajo manual tedioso que normalmente se requiere se automatiza aquí para ayudar a la IA a encontrar por sí misma la mejor arquitectura. «Probamos diferentes estructuras de red y las optimizamos para crear un modelo con alto rendimiento, eficiencia y costes reducidos», afirma Janzen.

Para la prueba práctica, el equipo de Maaß y Janzen colabora con Stahl Holding Saar. La tarea consiste en enseñar a las redes neuronales artificiales a clasificar chatarra de acero de manera que solo quede la parte reciclable para la producción de aceros de alta calidad.

Junto con socios, el equipo de Saarbrücken también está trabajando en un concepto con «recomendaciones de acción para centros de datos sostenibles y IA energéticamente eficiente» y en una «herramienta que permite hacer predicciones fiables sobre cómo será el consumo de energía y los costes relacionados de los modelos de IA», como explica la estudiante de doctorado Hannah Stein. De esta manera, los responsables podrán estimar mejor qué modelos consumen cuánta energía.

Fuente de la imagen del título: Pexels / Pixabay