¿Puede la IA operar de manera eficiente? Los investigadores pueden haber encontrado una solución

La inteligencia artificial (IA) sigue moldeando nuestro futuro en casi todas las industrias a medida que su adopción crece para automatizar procesos empresariales cruciales, reducir costos y aumentar la productividad. 

Los datos muestran que más del 80 % de las empresas están utilizando IA en alguna medida, viéndola como una tecnología central dentro de sus organizaciones. El compromiso financiero con la IA también ha aumentado a medida que su adopción genera beneficios significativos y un ROI mucho mayor.

Con eso, el tamaño del mercado de IA superó los 184 mil millones de dólares en 2024 y se prevé que supere los 826 mil millones de dólares para finales de esta década, según Statista.

Todo este crecimiento y la explosión del interés en la IA han dado lugar a una carrera armamentista para desarrollar la tecnología. Los modelos de IA, como los grandes modelos de lenguaje (LLM) que son creados por organizaciones, utilizan algoritmos para comprender, resumir, traducir y generar lenguaje humano y se entrenan con enormes cantidades de datos usando procesadores de alto consumo energético. 

Para ello, las empresas y los operadores de centros de datos están destinando mucho capital para construir nuevos centros de datos de alta capacidad. La inversión en nuevos centros de datos, según la Agencia Internacional de Energía (IEA), ya se ha disparado en los últimos dos años, liderada por EE. UU. En 2023, la inversión total de capital de Microsoft (MSFT ), Google y Amazon (AMZN ) superó la de toda la industria petrolera del país.

Estos centros de datos requieren mucha electricidad para alimentarse. En 2022, la IEA declaró que los centros de datos consumieron 1,65 mil millones de gigajulios de electricidad, lo que equivale a aproximadamente el 2 % de la demanda global. 

La demanda mundial de energía de los centros de datos se prevé que aumente un 50 % para 2027 y un 165 % para 2030, según una investigación de Goldman Sachs (GS ) publicada a principios de este mes. 

El consumo actual de energía de los centros de datos se estima en alrededor de 55 gigavatios (GW), compuesto por cargas de trabajo de computación en la nube (54 %), cargas tradicionales como almacenamiento (32 %) y IA (14 %). Modelar la demanda futura de estos tipos de carga indica que la demanda de energía para 2027 será de 84 GW, donde la IA crecerá al 27 % mientras la nube caerá al 50 % y las cargas tradicionales al 23 %.

La capacidad global del mercado de centros de datos, mientras tanto, se sitúa actualmente en alrededor de 59 GW, de los cuales el 60 % es provisto por proveedores de nube hiperescalada como Google y Alibaba y operadores de centros de datos de terceros, mientras que el resto proviene de centros de datos corporativos y de telecomunicaciones tradicionales.

La demanda de energía de estos grandes centros de datos hiperescalados es de 100 MW o más, con un consumo anual de electricidad similar al de tantas como 400 000 automóviles eléctricos.

A medida que las organizaciones continúan adoptando la IA, también podemos esperar el surgimiento de centros de datos dedicados a la IA, una clase emergente de infraestructura diseñada específicamente para atender los requisitos distintivos de las cargas de trabajo de IA. Aunque hasta ahora son muy pocos, se encuentran principalmente en Asia‑Pacífico y Norteamérica, sobre todo en Pekín, Shanghái, Virginia del Norte y el Área de la Bahía de San Francisco. 

Según estimaciones de Goldman Sachs Research, para finales de 2030 habrá alrededor de 122 GW de capacidad de centros de datos en línea. Debido a la mayor demanda de carga de procesamiento de la IA, la densidad de uso de energía en los centros de datos probablemente crecerá también a 176 kilovatios‑hora por pie cuadrado en dos años.

Con los centros de datos contribuyendo a una creciente necesidad de energía, la red eléctrica también requerirá una inversión significativa, estimada en 720 mil millones de dólares en gastos de red hasta 2030.

Luego están las emisiones de dióxido de carbono de los centros de datos, que también pueden más que duplicarse entre 2022 y 2030. Así, el consumo eléctrico de los centros de datos, que actualmente representa entre el 1 % y el 2 % del consumo total de energía y probablemente aumente al 3 %‑4 % para finales de la década, se ha convertido en una causa de preocupación, aunque no es una causa perdida. 

Las cifras, aunque masivas, son modestamente pequeñas cuando se consideran en el contexto más amplio del crecimiento global del consumo eléctrico, que según la IEA se prevé que aumente en 6 750 TWh para 2030 impulsado no solo por la IA sino también por el crecimiento económico continuo, los vehículos eléctricos, los aires acondicionados y la manufactura intensiva en electricidad.

Además, no solo la velocidad de uso de la IA sigue siendo incierta, sino que las continuas mejoras de eficiencia tanto en hardware como en software pueden ayudar a abordar las demandas energéticas de la tecnología de IA. 

La eficiencia de los chips informáticos relacionados con la IA se ha duplicado aproximadamente cada 2,5‑3 años. Un chip de IA moderno ahora consume un 99 % menos de energía mientras realiza los mismos cálculos que un modelo de 2008. Además, los propios modelos de IA se están volviendo más eficientes. Junto con nuevas tecnologías de refrigeración y soluciones científicas innovadoras, estos desarrollos están reduciendo el uso de energía y minimizando su impacto ambiental.

Haga clic aquí para aprender por qué el almacenamiento tradicional no puede seguir el ritmo de la IA.

Los científicos desarrollan una solución revolucionaria 

Imagen ilustrativa. No es una fotografía real.

En el contexto de la evolución de la IA y sus crecientes demandas energéticas, investigadores en Japón han desarrollado un dispositivo espintrónico innovador que promete una reducción sustancial del consumo de energía al permitir el control eléctrico de estados magnéticos. 

Este avance podría revolucionar el hardware de IA al crear chips que imitan el funcionamiento de las redes neuronales y son mucho más eficientes energéticamente. En lugar de usar una corriente eléctrica para almacenar información, estos dispositivos utilizan el espín de los electrones para lo mismo, lo que los hace más rápidos y eficientes.

Los dispositivos espintrónicos se utilizan en dispositivos de almacenamiento masivo y en computación para aumentar la velocidad y el rendimiento de los ordenadores.

Investigadores del Instituto Nacional de Ciencia de Materiales, la Universidad de Tohoku y la Agencia Japonesa de Energía Atómica están utilizándolo ahora para chips de IA de bajo consumo y demostraron un dispositivo de torque de espín (SOT) programado por corriente como prueba de concepto.

El SOT ofrece un mecanismo prometedor para codificar información eléctricamente en estados magnéticos. Sin embargo, en los esquemas existentes, está determinado pasivamente por los materiales y la estructura del dispositivo. 

“Aunque la investigación espintrónica ha avanzado significativamente en el control eléctrico del orden magnético, la mayoría de los dispositivos espintrónicos existentes separan el papel del material magnético para ser controlado y el material que proporciona la fuerza motriz.”

– Shunsuke Fukami, Universidad de Tohoku

Los dispositivos espintrónicos, una vez fabricados, tienen un esquema de operación fijo bajo el cual normalmente cambian la información de forma binaria de “0” a “1”. La nueva investigación, sin embargo, ha avanzado en el cambio programable eléctricamente de múltiples estados magnéticos. Manipular la polaridad intrínseca del SOT permite dispositivos SOT programables de forma flexible.

Según los resultados del estudio publicado en Nature Communications¹ este mes, este dispositivo espintrónico permite el control eléctrico mutuo de antiferromagnetos no colineales y ferromagnetos para un cambio eficiente de estados magnéticos. 

El control eléctrico de los estados magnéticos es la base de la memoria magnética, la lógica y la computación, y el SOT ofrece un enfoque eficiente para controlarlos. 

Lo que significa es que el dispositivo SOT revolucionario puede almacenar y procesar información de forma similar a un chip de IA inspirado en el cerebro mientras consume significativamente menos energía, abriendo la puerta a una nueva generación de hardware de IA altamente eficiente y ahorrador de energía.

El estudio utilizó Mn3Sn, un antiferromagneto no colineal, como material magnético clave y le aplicó una corriente eléctrica, lo que provocó que produjera una corriente de espín que impulsó el cambio del CoFeB, el ferromagneto vecino. Esto se realizó mediante un proceso llamado efecto Hall de espín magnético.

El efecto Hall de espín (SHE) es un elemento clave de la espintrónica moderna que logra “acoplar corrientes de carga y dinámica colectiva de espín en sistemas magnéticamente ordenados”.

Investigaciones previas² de la Universidad de Tohoku, en colaboración con otros institutos, demostraron que, comparados con materiales no magnéticos, los antiferromagnetos poseen propiedades Hall de espín más fuertes. Además, en Mn3Sn, el SHE presenta un cambio de signo anómalo cuando sus momentos ordenados triangularmente cambian de orientación. También se atribuyó el alto mecanismo magnético de Mn3Sn al desdoblamiento de espín, dependiente del momento y generado por el orden magnético no colineal, ampliando el alcance de la espintrónica antiferromagnética.

En la investigación más reciente, el ferromagneto respondió a la corriente polarizada en espín y además influyó en el estado magnético de Mn3Sn. Esto permitió el cambio mutuo eléctrico entre los dos materiales.

El equipo demostró en su experimento que la información escrita en el ferromagneto puede controlarse eléctricamente con la ayuda del estado magnético de Mn3Sn. Fueron capaces de cambiar la magnetización del CoFeB en diferentes trazas que representan múltiples estados al ajustar la corriente de ajuste.

Esta polaridad de corriente cambia el signo de la información escrita, lo que constituye un mecanismo de conmutación analógica, una operación clave en redes neuronales que imita cómo los valores analógicos funcionan en el procesamiento de IA.

El descubrimiento, según Fukami, es un paso crítico hacia la producción de chips de IA más eficientes energéticamente. 

“Al lograr el cambio mutuo eléctrico entre un antiferromagneto no colineal y un ferromagneto, hemos abierto nuevas posibilidades para redes neuronales programables por corriente,“ añadió, señalando que ahora se centran en “reducir aún más las corrientes de operación y aumentar las señales de lectura, lo cual será crucial para aplicaciones prácticas en chips de IA”.

Con los centros de datos consumiendo tanta energía, otro estudio buscó reducir el consumo con memoria de acceso aleatorio magnética (MRAM) basada en SOT.

Este estudio separado³, que fue publicado en Nature Communications el mes pasado, provino de investigadores de la Universidad Johannes Gutenberg de Mainz (JGU), quienes desarrollaron una solución potente y altamente eficiente para el procesamiento y almacenamiento de datos mientras reducen el consumo energético.

El prototipo “allana el camino para soluciones de memoria más rápidas y eficientes,“ dijo el autor principal del estudio, el Dr. Rahul Gupta, ex investigador postdoctoral del Instituto de Física de la JGU.

Se basa en MRAM SOT, conocida por su superior eficiencia energética, no volatilidad y rendimiento comparado con la RAM estática. La tecnología que usa corrientes eléctricas para cambiar estados magnéticos enfrenta desafíos al reducir la alta corriente de entrada necesaria durante el proceso de escritura. Esto implica mantener suficiente estabilidad térmica para almacenar los datos durante mucho tiempo y minimizar la energía requerida para realizar la tarea de almacenamiento.

En lugar del SHE, este estudio utilizó el Efecto Hall Orbital (OHE), donde un flujo transversal de momento angular orbital se genera en un material al aplicar una corriente eléctrica. Con este fenómeno, los investigadores lograron una mayor eficiencia energética sin depender de materiales costosos o escasos.

El material magnético único desarrollado utiliza elementos como el rutenio como un canal SOT para mejorar el rendimiento. Con eso, el equipo logró una reducción del 20 % en la corriente de entrada, un aumento del 30 % en la eficiencia y una reducción de más del 50 % en el consumo total de energía.

Empresas que lideran el camino

Ahora, echemos un vistazo a los nombres prominentes que están ayudando a impulsar el espacio de la IA:

1. NVIDIA Corporation

Nvidia (NVDA ) diseña y fabrica unidades de procesamiento gráfico o GPU. Una GPU es un circuito electrónico que realiza cálculos matemáticos a alta velocidad y es una opción popular para desarrollar modelos de IA.

Durante la última década, la compañía ha mejorado significativamente el rendimiento por vatio de sus GPU, hasta 4 000 veces, según su científico jefe William Dally y continúa desarrollando circuitos especializados en estos chips que están diseñados específicamente para cálculos de IA.

Nvidia es la segunda empresa más grande del mundo por una capitalización de mercado de 3,21 billones de dólares. Sus acciones se cotizan actualmente a 130,86 $, con una caída del 2,35 % en lo que va del año. El EPS (TTM) de la compañía es 2,54 y la relación P/E (TTM) es 51,67, mientras que su rendimiento de dividendo es 0,03 %.

En cuanto a los resultados financieros, Nvidia publicará los datos del cuarto trimestre del FY25 el 26 de febrero. Ahora, para el tercer trimestre, sus ganancias GAAP por acción diluida fueron 0,78 $ y las ganancias no GAAP por acción diluida fueron 0,81 $.

Para este trimestre, Nvidia anunció un ingreso récord de 35,1 billones de dólares, un aumento del 17 % respecto al segundo trimestre y del 94 % respecto al año anterior. Sus ingresos provenientes de centros de datos representaron 30,8 billones de dólares. Para el cuarto trimestre, compartió una perspectiva de 37,5 billones de dólares en ingresos.

“La era de la IA está en pleno apogeo, impulsando un cambio global hacia la computación NVIDIA,“ dijo el CEO y fundador Jensen Huang en ese momento, al observar una “demanda increíble“ de su Hopper, así como la anticipación por Blackwell, que permite la computación de alto rendimiento (HPC) para entrenamiento acelerado, inferencia y eficiencia en la IA generativa.

Nvidia ha vivido una trayectoria fantástica, ya que su precio de acción pasó de menos de 11 $ en octubre de 2022 a más de 152 $ a principios de enero de 2025. Recientemente, perdió algo de impulso después de que la startup china de IA DeepSeek lanzara su último modelo de IA. La percepción inicial era que DeepSeek socavaría la demanda de GPU de alto rendimiento de Nvidia, pero en realidad podría ser positivo para Nvidia, ya que las menores necesidades de potencia de cómputo de la startup podrían abrir más oportunidades de IA, impulsando así los precios del mayor fabricante de chips.

“La IA está transformando cada industria, empresa y país,“ afirmó Huang durante los resultados financieros del último trimestre y añadió que las empresas están adoptando IA agente mientras se observan avances en IA física en robótica industrial. Los países, añadió, también se han despertado a la importancia de construir su propia infraestructura de IA.

#2. Broadcom Inc.

Broadcom (AVGO ) se encuentra entre las 10 empresas más grandes, con una capitalización de mercado de 1,1 billones de dólares. Está involucrada en el diseño, desarrollo y suministro de una amplia gama de soluciones de semiconductores y software de infraestructura. La compañía tiene alianzas con actores importantes como Google, Meta Platforms (META ) y ByteDance. También colabora con OpenAI y Apple (AAPL ) para crear sus propios chips de IA.

Al momento de escribir, las acciones de Broadcom cotizan a 235 $, con un aumento del 1,95 % en lo que va del año. El EPS (TTM) de la compañía es 1,28 y la relación P/E (TTM) es 184,78 mientras su rendimiento de dividendo es 1 %.

Ahora, en el cuarto trimestre de 2024, Broadcom tuvo ingresos superiores a 14 billones de dólares, un aumento del 51 % respecto al mismo período del año anterior, mientras que el ingreso neto GAAP fue de 4,324 billones de dólares. Para el primer trimestre del año fiscal 2025, la compañía dio una guía de ingresos de aproximadamente 14,6 billones de dólares.

En el cuarto trimestre, los ingresos por semiconductores del fabricante alcanzaron un récord de 30,1 billones de dólares, lo que el CEO y presidente Hock Tan señaló que fue impulsado por ingresos de IA de 12,2 billones de dólares. El crecimiento interanual del 220 % en los ingresos de IA fue impulsado por sus XPUs.

El EPS GAAP diluido de Broadcom fue de 0,90 $ y el EPS no GAAP diluido fue 1,42 $. El efectivo de las operaciones mientras tanto fue de 5,6 billones de dólares. La compañía también reportó un aumento del 11 % en el dividendo trimestral de acciones comunes a 0,59 $ por acción, lo que representó el decimocuarto aumento consecutivo. El flujo de caja libre excluyendo reestructuraciones también fue “fuerte“, alcanzando 21,9 billones de dólares, mientras que el efectivo y equivalentes de efectivo fueron 9,348 billones de dólares.

“Vemos nuestra oportunidad en los próximos tres años en IA como masiva. Algunos hiperescaladores han comenzado sus respectivos viajes para desarrollar sus propios aceleradores de IA personalizados.”

– Tan dijo en la llamada de resultados

También compartió que la compañía está desarrollando chips de IA con tres grandes clientes de la nube, cada uno de los cuales se espera que despliegue 1 millón de chips de IA en clústeres interconectados para 2027.

Conclusión

A medida que la popularidad y el uso de la inteligencia artificial continúan creciendo, también lo hace su consumo energético. Los modelos de IA, especialmente el aprendizaje profundo, requieren una cantidad significativa de energía para el cómputo, y las soluciones convencionales enfrentan límites de eficiencia energética.

En este contexto, la investigación que busca mejorar la eficiencia energética de los chips de IA y minimizar sus impactos ambientales puede ayudar al mundo a aprovechar todo el potencial de la tecnología mientras se reducen sus efectos negativos.

Los dispositivos de memoria y lógica basados en SOT pueden marcar una gran diferencia al ofrecer una solución de bajo consumo al usar estados magnéticos para el cómputo en lugar de lógica basada en carga. Retener datos sin energía constante puede reducir los costos energéticos para la inferencia de IA, habilitar aceleradores de IA más eficientes para decisiones en tiempo real al imitar el cerebro, y acelerar la velocidad de procesamiento de tareas de IA al integrar lógica y memoria.

Esfuerzos constantes como estos hacen que el hardware y software de IA sean más eficientes energéticamente, más rápidos y capaces de manejar cálculos complejos, lo que a su vez impulsa una adopción más amplia de la IA en distintas industrias mientras se reduce su huella de carbono.

Haga clic aquí para aprender por qué 2025 es el año de las inversiones impulsadas por IA.