La inteligencia artificial se volvió omnipresente en tiempo récord. Asistentes virtuales, sistemas de recomendación, modelos generativos y robots autónomos funcionan de manera casi invisible en el día a día. Pero detrás de esa aparente fluidez hay centros de datos trabajando sin descanso y un consumo eléctrico que no deja de escalar. En ese contexto, investigadores y empresas empiezan a mirar hacia una tecnología que parecía relegada al pasado, pero que hoy podría redefinir cómo se construye la IA del futuro.

El problema energético que nadie ve cuando usa inteligencia artificial

Cada interacción con un sistema de inteligencia artificial activa una cadena de procesos complejos. Desde la consulta más simple hasta las tareas más avanzadas, los modelos deben mover enormes volúmenes de datos entre la memoria y los procesadores. Ese ir y venir constante es uno de los principales responsables del gasto energético actual.

El desafío se vuelve aún más evidente cuando se observan los números a gran escala. Los modelos modernos no solo consumen energía al responder consultas, sino también durante semanas o meses de entrenamiento previo. A esto se suma la adopción masiva: millones de usuarios interactuando de forma simultánea con sistemas cada vez más sofisticados. El resultado es una huella energética que crece al mismo ritmo que la popularidad de la IA.

Durante años, la industria intentó resolver este problema optimizando el hardware digital tradicional. Procesadores más eficientes, memorias más rápidas y sistemas de refrigeración avanzados ayudaron a contener el impacto, pero no lograron cambiar la ecuación de fondo. El cuello de botella sigue siendo el mismo: mover datos cuesta energía, y cada modelo nuevo necesita mover más que el anterior.

Es en este punto donde empieza a tomar fuerza una alternativa que propone cambiar la lógica misma del cálculo, en lugar de seguir ajustando un sistema que ya muestra signos de agotamiento.

Computación analógica en memoria: cuando los datos dejan de moverse

La computación analógica en memoria plantea una idea tan simple como disruptiva: procesar la información exactamente en el lugar donde se almacena. A diferencia de las arquitecturas digitales actuales, que separan memoria y procesamiento, este enfoque integra ambas funciones en un mismo componente físico.

En lugar de representar los datos como ceros y unos que deben viajar por el chip, la computación analógica utiliza propiedades físicas —como voltajes o corrientes— para realizar operaciones matemáticas de forma directa. Esto permite ejecutar cálculos complejos casi de manera instantánea y con un consumo energético muy inferior.

Investigaciones recientes desarrolladas por equipos académicos e industriales muestran que esta tecnología podría reducir el gasto energético de ciertos procesos de inteligencia artificial hasta en tres órdenes de magnitud. La clave está en aprovechar la física del hardware para realizar operaciones que, en el mundo digital, requieren múltiples pasos intermedios.

El principal obstáculo histórico de este enfoque fue su falta de precisión. El hardware analógico es inherentemente imperfecto: el ruido, las variaciones eléctricas y pequeñas inconsistencias pueden alterar los resultados. Durante mucho tiempo, esto lo volvió poco confiable para entrenar modelos complejos. Sin embargo, nuevos métodos de aprendizaje están empezando a revertir esa limitación.

Un nuevo método de entrenamiento que cambia las reglas del juego

Para que la computación analógica sea viable en inteligencia artificial avanzada, no basta con ejecutar modelos ya entrenados: también es necesario entrenarlos de forma eficiente. Ahí es donde entra en juego una nueva variante de los algoritmos de aprendizaje más utilizados.

Los investigadores desarrollaron un método que introduce mecanismos de corrección continua durante el entrenamiento. En lugar de ignorar las imperfecciones del hardware analógico, el sistema las monitorea y las compensa en tiempo real, manteniendo el aprendizaje en la dirección correcta.

Este enfoque permite alcanzar niveles de precisión comparables a los sistemas digitales tradicionales, pero con una fracción del consumo energético. El avance fue presentado recientemente en una de las conferencias más importantes del sector, lo que despertó el interés de la comunidad científica y de la industria tecnológica.

Las implicancias van mucho más allá del ahorro energético. Si este tipo de arquitectura se adopta a gran escala, podría habilitar el uso de inteligencia artificial avanzada en dispositivos donde hoy resulta inviable: desde sensores industriales y tecnología médica hasta robots autónomos y dispositivos portátiles.

Además, abre la puerta a una nueva generación de modelos diseñados específicamente para hardware analógico, rompiendo con décadas de dependencia exclusiva del cálculo digital. En un escenario donde la sostenibilidad empieza a ser tan importante como el rendimiento, esta tecnología podría marcar uno de los cambios más profundos en la historia reciente de la inteligencia artificial.