Por Canuto  

DARPA financia dos proyectos universitarios que buscan medir y reducir el consumo eléctrico de la inteligencia artificial, en medio de proyecciones de mayor demanda de energía para centros de datos. La reducción de hasta 50% es una meta de investigación, no un resultado demostrado.
***

  • La Universidad de Michigan lidera E-CALC, un proyecto de USD 1,83 millones que analizará el consumo energético en distintas etapas de la IA.
  • Otro equipo, de Stony Brook y Ohio State, recibió USD 1 millón para predecir el gasto energético de modelos sin sacrificar precisión.
  • DARPA apunta a un problema que también afecta aplicaciones militares, aunque la eficiencia todavía debe probarse en condiciones reales.

DARPA financia herramientas para reducir el costo energético de la inteligencia artificial

Sumario: La agencia de investigación del Pentágono respalda proyectos universitarios para medir, predecir y reducir la electricidad que consume el aprendizaje automático. Una de las iniciativas plantea un posible recorte de hasta 50%, pero esa cifra sigue siendo un objetivo de investigación, no un ahorro ya comprobado.

La inteligencia artificial suele presentarse como una tecnología de software, pero entrenar y ejecutar modelos requiere infraestructura física y electricidad. DARPA, la Agencia de Proyectos de Investigación Avanzada de Defensa de Estados Unidos, financia dos iniciativas académicas que buscan entender mejor ese consumo y encontrar maneras de reducirlo sin perder capacidad ni precisión.

Según informó Crypto Briefing, los proyectos suman USD 2,83 millones y trabajan sobre problemas relacionados, aunque con enfoques distintos. Uno pretende optimizar el uso de energía a lo largo del ciclo de vida de la IA; el otro desarrolla herramientas para anticipar cuánta electricidad necesitará un modelo de aprendizaje automático.

Dos iniciativas para medir y anticipar el gasto

El proyecto principal se llama E-CALC y cuenta con USD 1,83 millones de financiamiento de DARPA. La Universidad de Michigan lo lidera junto con la Universidad de Illinois Urbana-Champaign y el contratista de defensa BAE Systems, en una iniciativa de dos años.

El equipo propone un marco que denomina “cálculo energético”, orientado a seguir el consumo durante varias fases de desarrollo y uso de sistemas de IA. La propuesta abarca el procesamiento de datos, el entrenamiento de modelos y su despliegue, etapas que suelen depender de recursos computacionales distintos y que pueden acumular gastos energéticos.

La meta es que esa medición permita identificar dónde se desperdicia electricidad y orientar ajustes en el sistema completo, en lugar de limitar el análisis al momento de entrenamiento. Los investigadores estiman que el enfoque podría reducir el consumo hasta 50%, aunque esa cifra es una expectativa del equipo y no un resultado experimental confirmado.

La segunda subvención se dirige a una tarea complementaria: calcular el gasto antes de que el modelo consuma esa energía. La Universidad de Stony Brook, en colaboración con la Universidad Estatal de Ohio, recibió USD 1 millón de DARPA para una iniciativa de dos años anunciada el 20 de octubre de 2026. El proyecto forma parte de ML2P, sigla de Mapping Machine Learning to Physics.

Por qué importa la energía que consume la IA

El equipo de ML2P desarrolla herramientas para predecir cuánta energía requerirá un modelo de aprendizaje automático sin sacrificar su precisión. Esa combinación importa porque una estimación útil debe ayudar a comparar opciones de diseño y, al mismo tiempo, evitar que la reducción del consumo deteriore el desempeño que se busca obtener.

El crecimiento previsto de la demanda eléctrica de los centros de datos da contexto a estos esfuerzos. La Agencia Internacional de Energía (IEA, por sus siglas en inglés) estima que el consumo mundial de electricidad de esos centros podría llegar a alrededor de 945 teravatios-hora en 2030, según su escenario base. Se trata de una proyección, no de una medición futura ya observada.

La previsión muestra por qué el uso de energía se ha convertido en una consideración para la expansión de la infraestructura digital. Cuando más tareas de IA requieren procesamiento, la electricidad necesaria para operar los centros de datos también adquiere mayor relevancia, aunque la proyección de la IEA no atribuye todo el crecimiento exclusivamente a esta tecnología.

Crypto Briefing también señaló que los desajustes entre el software y el hardware pueden desperdiciar hasta 30% de la energía durante el entrenamiento de IA. Ese porcentaje describe una posible pérdida asociada a la falta de correspondencia entre ambos componentes, y no debe interpretarse como una tasa universal aplicable a todos los modelos o instalaciones.

La utilidad militar y los límites de la promesa

Para DARPA, la eficiencia energética tiene un interés particular en escenarios donde no existe acceso sencillo a grandes centros de datos. La agencia describe ML2P como un programa dirigido a mejorar la capacidad militar de adaptar el aprendizaje automático en el campo de batalla mediante herramientas que tengan en cuenta el consumo energético.

En operaciones militares, drones y equipos desplegados en terreno deben funcionar con recursos limitados, por lo que la energía usada para computar compite con otras necesidades de la misión. En el caso de un dron, cada vatio destinado al procesamiento deja de estar disponible para otros usos vinculados con el vuelo o la duración de la operación. Ese equilibrio impulsa la búsqueda de sistemas de IA capaces de operar en hardware restringido, lejos de una fuente de electricidad de gran escala.

La participación de BAE Systems en E-CALC encaja en ese interés por desarrollar herramientas que puedan funcionar con recursos limitados. Los contratistas de defensa tienen motivos directos para explorar IA eficiente en equipos desplegados lejos de centrales eléctricas, aunque la información publicada no detalla aplicaciones concretas, plazos de implementación ni resultados de pruebas en campo.

El financiamiento total de USD 2,83 millones es pequeño frente a las inversiones destinadas a construir centros de datos, pero la apuesta de DARPA se concentra en métodos que podrían tener usos más amplios. Aun así, los marcos académicos deben demostrar que sobreviven a las complejidades de la infraestructura real, y una mejora de eficiencia no garantiza por sí sola que baje el consumo total.

Existe además un efecto que puede limitar los ahorros: si el cómputo se vuelve más barato, empresas e instituciones podrían utilizarlo con mayor frecuencia y ampliar la cantidad de tareas que ejecutan. Por ahora, E-CALC y ML2P representan líneas de investigación con objetivos diferentes pero complementarios; su impacto dependerá de que las herramientas midan con precisión el consumo y resulten prácticas fuera del entorno académico.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados