Avances inspirados en NVIDIA reducen las necesidades de energía para el entrenamiento de IA 100 veces

La inteligencia artificial (IA) ha conquistado todo el mundo, y ningún sector está intacto ante la magia de este avance tecnológico. Hoy, el 77 % de los dispositivos incorporan tecnología de IA, a pesar de que solo un tercio de los consumidores piensa que están usando plataformas de IA. 

Un número creciente de organizaciones también está adoptando cada vez más la IA para el crecimiento empresarial, con 9 de cada 10 compañías respaldando la tecnología para obtener una ventaja competitiva. Se proyecta que este uso eliminará 85 millones de empleos, pero al mismo tiempo creará 97 millones de nuevos. 

Estas cifras reflejan las estimaciones de que el mercado de IA aportará 15,7 billones de dólares a la economía global para 2030. Se espera que el tamaño del mercado de IA también crezca al menos un 120 % año tras año. 

Sin embargo, a medida que la adopción de IA crece, también lo hace la demanda de energía para alimentar los centros de datos, que son extremadamente intensivos en energía. Operar y enfriar miles de servidores las 24 horas del día requiere enormes cantidades de energía. Actualmente, esta energía se extrae de la red eléctrica, lo que genera problemas durante los picos de demanda y tensiona el sistema. Según Chevron (CVX ) CEO Mike Wirth:

“El crecimiento y la demanda de energía pueden sobrecargar una red que ya está bajo presión. Podría aumentar los costos para los consumidores. El gas natural ayudará a alimentar el rápido crecimiento de la inteligencia artificial con su insaciable demanda de electricidad fiable.”

En respuesta a esta demanda, Chevron anunció recientemente que trabajaría con GE (GE ) Verona y Engine No. 1 para generar electricidad para IA mediante la construcción de plantas de gas natural conectadas directamente a los centros de datos.

Actualmente, los centros de datos representan alrededor del 1 % del consumo mundial de electricidad, según un informe de la Agencia Internacional de Energía (IEA). 

Pero esto es solo el comienzo, ya que las empresas gastan miles de millones de dólares para construir aún más centros de datos. 

Microsoft (MSFT ) planea invertir 80 mil millones de dólares en centros de datos habilitados para IA, con la mitad asignada a EE. UU. Según las estimaciones de Blackstone (BX ), se invertirán más de 1 billón de dólares en centros de datos de EE. UU hasta 2030, con Google (GOOGL ), Meta (META ) y Amazon (AMZN ) entre los gigantes tecnológicos que construyen centros de datos en todo el país.

Así, el consumo de energía del sector solo va a acelerarse a partir de ahora. Goldman Sachs (GS ) estima que la demanda de energía de los centros de datos crecerá un 160 % en los próximos cinco años, lo que naturalmente impulsará un crecimiento sin precedentes en el consumo de electricidad.

Según las estimaciones del Instituto de Investigación de Energía Eléctrica (EPRI), el consumo de energía de estas instalaciones en EE. UU podría representar entre el 4,6 % y el 9,1 % de la generación total de electricidad para finales de esta década. 

Mientras tanto, en Europa, específicamente en Alemania, los centros de datos consumieron alrededor de 16 mil millones de kWh de energía en 2020 para computación, almacenamiento y transmisión, cifra que se espera que aumente a 22 mil millones de kWh para 2025.

Como resultado, los investigadores están constantemente explorando formas de reducir los requisitos de energía de la IA. 

Reduciendo el consumo de energía de la IA

La tecnología de IA está desempeñando un papel clave en mejorar la eficiencia energética en varios sectores al optimizar el consumo de energía, predecir la demanda y permitir la gestión inteligente de la red, lo que en última instancia conduce a una reducción del desperdicio de energía y a menores emisiones de carbono. 

Por ejemplo, Vodafone UK utilizó IA para reducir el consumo diario de energía de las unidades de radio 5G (RUs) mediante soluciones de software avanzadas de IA y aprendizaje automático de Ericsson. Ya han logrado reducirlo en un 33 % en sitios seleccionados de Londres.

Vodafone UK implementó tres principales características de ahorro de energía como parte de la prueba. 

Esto incluye un mapa de calor de eficiencia de energía de radio, que utiliza aprendizaje automático para identificar y clasificar sitios con bajo rendimiento para mejoras de eficiencia dirigidas mediante la creación de una representación visual de todas las celdas de la red. Luego está la orquestación del modo de suspensión de celdas 4G, que ha desarrollado un modelo de comportamiento de las celdas de la red para afinar los parámetros de suspensión y crear un equilibrio entre ahorro de energía y rendimiento. Mientras tanto, el modo de suspensión profunda 5G utiliza algoritmos predictivos impulsados por IA, reduciendo el consumo de energía en un 70 % durante las horas de baja demanda.

¿Pero qué pasa con el consumo de energía de la IA? Bueno, los investigadores y las empresas han estado enfocándose en muchas áreas diferentes para reducir el consumo de energía de esta tecnología de rápido crecimiento.

Esto incluye optimizar los modelos de IA, utilizar hardware energéticamente eficiente y adoptar prácticas sostenibles como energía renovable y refrigeración eficiente en los centros de datos.

En lo que respecta a la optimización de modelos de IA, se pueden adoptar diferentes enfoques como la poda, la cuantización y la destilación. En la poda de modelos, se eliminan parámetros y conexiones innecesarias de un modelo sin afectar la precisión. La cuantización consiste en reducir la precisión de los parámetros del modelo para disminuir los requisitos computacionales y el consumo de energía. En la destilación, se entrenan modelos más pequeños para imitar el comportamiento de un modelo más grande y complejo, lo que brinda un modelo más eficiente energéticamente con un rendimiento similar. 

Como señaló MIT Technology Review en la publicación de este año, los modelos más pequeños son uno de los avances tecnológicos que definirán la próxima era. Estos modelos se entrenan con conjuntos de datos más focalizados y pueden ofrecer precisión específica de dominio, eficiencia de costos y mayor seguridad de datos en comparación con los grandes modelos de lenguaje (LLM). 

GPT-4o mini de OpenAI, Phi de Microsoft, Gemini Nano de Google DeepMind y Haiku de Claude 3 de Anthropic son algunos ejemplos de versiones más pequeñas de los grandes modelos de IA de los gigantes tecnológicos.

En lo que respecta al hardware, el enfoque se ha centrado en usar GPU y otros procesadores de IA especializados diseñados específicamente para cargas de trabajo de alto rendimiento. 

Luego, existen servidores y procesadores energéticamente eficientes que ajustan el uso de energía según la demanda de carga de trabajo, la virtualización para una mejor utilización de recursos al ejecutar múltiples procesos en menos máquinas físicas, y tecnologías de refrigeración avanzadas para reducir la necesidad de sistemas de aire acondicionado que consumen mucha energía. 

Como compartimos el mes pasado, investigadores de la Universidad de Tohoku, la Agencia Japonesa de Energía Atómica y el Instituto Nacional de Ciencia de Materiales lograron un hardware de IA altamente eficiente y ahorrador de energía. Los investigadores utilizaron dispositivos espintrónicos para chips de IA de bajo consumo y mostraron un dispositivo de torque de espín-orbita programado por corriente (SOT) que abre las puertas a una nueva generación de hardware de IA.

Otra forma de reducir el consumo de energía de la IA es mediante prácticas sostenibles. Los centros de datos pueden utilizar fuentes de energía renovable, implementar sistemas de refrigeración energéticamente eficientes y diseñar disposiciones eficientes para reducir el consumo de energía.

Las empresas están comprometiéndose activamente con esto, con Google avanzando en energía geotérmica. Microsoft es otra, que planea reabrir la planta nuclear de Three Mile Island para ser neutra en carbono para 2030.

Curiosamente, la IA también se está utilizando para aportar eficiencia energética a la propia IA. La tecnología se usa para optimizar el consumo de energía en edificios e industrias, prediciendo cuándo el equipo necesita mantenimiento y reduciendo la demanda pico al aprovechar las condiciones de la red en tiempo real.

En medio de todo esto, investigadores de la Universidad Técnica de Múnich (TUM) han desarrollado un método novedoso que entrena redes neuronales hasta 100 veces más rápido, reduciendo significativamente el consumo de energía asociado con las aplicaciones de IA.

Para ello, los investigadores calcularon los parámetros directamente basándose en probabilidades en lugar de seguir un enfoque iterativo, pero los resultados hasta ahora han sido comparables en calidad con los métodos iterativos existentes.

Una nueva forma de reducir considerablemente el consumo de energía de la IA 

Además del mayor uso de la IA, el lanzamiento de aplicaciones de IA más complejas en los próximos años provocará un aumento sustancial en la demanda de capacidad de los centros de datos. 

Estas aplicaciones consumirán enormes cantidades de energía para el entrenamiento de redes neuronales. Por lo tanto, el nuevo estudio se centra en reducir la enorme energía requerida para entrenar redes neuronales para IA. 

Las redes neuronales se utilizan en IA para reconocer imágenes y procesar lenguaje, entre otras tareas. El funcionamiento de estas redes se inspira en la forma en que funciona el cerebro humano.

La red neuronal está compuesta por nodos interconectados llamados neuronas artificiales. Aquí, las señales de entrada se ponderan con parámetros específicos antes de sumarse y, si se supera el límite definido, la señal se pasa al siguiente nodo.

Ahora, para entrenar la red, la selección inicial de valores de parámetros suele ser aleatoria y luego se ajusta gradualmente para mejorar progresivamente las predicciones de la red.

Este enfoque, por supuesto, requiere muchas iteraciones, lo que hace que el entrenamiento sea extremadamente exigente y, a su vez, conlleva el consumo de mucha electricidad.

Así, un equipo de investigadores liderado por Felix Dietrich, profesor de aprendizaje automático potenciado por física, desarrolló un nuevo método. Dietrich es miembro central del Instituto de Ciencia de Datos de Múnich (MDSI) y miembro asociado del Centro de Múnich para el Aprendizaje Automático (MCML).

Lo que hace esta nueva técnica es utilizar probabilidades en lugar de determinar repetidamente los parámetros entre los nodos. Este nuevo método probabilístico hace un uso dirigido de los valores en ubicaciones críticas de los datos de entrenamiento. Estas son ubicaciones donde se producen cambios grandes y rápidos en los valores. 

Con este enfoque, el estudio busca obtener sistemas dinámicos que conservan energía a partir de los datos. Tales sistemas dinámicos cambian con el tiempo según las reglas. Estos sistemas pueden encontrarse en los mercados financieros y en los modelos climáticos.

“Nuestro método permite determinar los parámetros requeridos con una potencia computacional mínima. Esto puede hacer que el entrenamiento de redes neuronales sea mucho más rápido y, como resultado, más eficiente energéticamente. Además, hemos observado que la precisión del nuevo método es comparable a la de las redes entrenadas de forma iterativa.”

– Dietrich

Este avance tiene el potencial de reducir sustancialmente el impacto ambiental de la IA al disminuir la energía requerida para entrenar redes neuronales. Podríamos ver a industrias que despliegan modelos de IA a gran escala adoptando este método dentro de los próximos 1 a 3 años, lo que conduciría a soluciones de IA más sostenibles y rentables.

Empresa Innovadora

NVIDIA Corporation

Un líder en computación de IA, NVIDIA (NVDA ) desarrolla GPU y aceleradores de IA energéticamente eficientes, innovando continuamente para mejorar el rendimiento mientras reduce el consumo de energía.​

El año pasado, en el AI Summit DC, la compañía informó que el uso de energía de sus GPU ha experimentado una reducción masiva de 2 000 veces en el entrenamiento durante la última década. Durante este período, también experimentó una reducción de energía de 100 000 veces en la generación de tokens. La mejora en eficiencia ha sido de 2 000 veces, mientras que se ha registrado una mejora de 4 000 veces en el rendimiento computacional en los últimos diez años.

Según Bob Pette, vicepresidente de plataformas empresariales de Nvidia en ese momento:

“Si los automóviles hubieran mejorado su eficiencia tanto como nosotros hemos mejorado el rendimiento de inferencia, podrías conducir más de 300 años con un solo tanque de gasolina. En el núcleo de la computación acelerada está la computación sostenible.”

Blackwell de Nvidia es su nueva arquitectura de GPU insignia, que sucede a Hopper y está diseñada para mejorar el rendimiento de IA “de manera significativa”. Esta plataforma está equipada con el chip más potente del mundo, un motor de transformadores de segunda generación y NVLink de quinta generación, al mismo tiempo que es extremadamente eficiente en energía para inferencia y entrenamiento.

NVIDIA Corporation es en realidad una empresa de infraestructura informática de pila completa con sus segmentos que incluyen Compute & Networking y Graphics.

Compute & Networking abarca soluciones para centros de datos, redes, vehículos autónomos y eléctricos, servicios de computación en la nube DGX y Jetson, mientras que el segmento Graphics cubre GPUs GeForce, GeForce NOW, software de GPU virtual, GPUs NVIDIA RTX y el software Omniverse Enterprise.

Con una capitalización de mercado de 2,96 billones de dólares, las acciones de NVIDIA, al momento de escribir esto, cotizan a 121,50 $, con una caída del 9,4 % en lo que va del año. La compañía tiene un EPS (TTM) de 2,94 y un P/E (TTM) de 41,40, mientras que su rendimiento de dividendos es del 0,03 %.

A pesar de la caída que han experimentado recientemente los precios de las acciones de NVIDIA, que no es exclusiva del fabricante de chips, la compañía sigue atrayendo a los inversores. Después de todo, el valor de sus acciones se ha disparado más del 1 800 % desde 2020, convirtiéndola en una de las empresas más valiosas del mundo.

El interés en NVIDIA es especialmente alto entre los inversores jóvenes, ya que supera a Tesla (TSLA ) como la acción más poseída en Robinhood (HOOD ). Una gran mayoría (75 %) de las cuentas financiadas en esta plataforma de inversión sin comisiones son de Millennials y Gen Z. 

El CEO de Robinhood, Vlad Tenev, también cree que Nvidia será más importante que nunca, gracias a la IA.

“Creo que la IA hará que invertir sea más importante porque si el control de la tecnología se centraliza en las empresas tecnológicas, entonces tienes que ser inversor en esas compañías para beneficiarte.”

– Tenev

En cuanto a las finanzas de la compañía, Nvidia reportó el cuarto trimestre que finalizó el 26 de enero de 2025, revelando ingresos de 39,3 billones de dólares, un aumento del 12 % y del 78 % respecto al trimestre anterior y al año anterior, respectivamente. 

En el segmento de centros de datos, los ingresos del cuarto trimestre de la compañía fueron un récord de 35,6 billones de dólares. Durante este período, NVIDIA fue elegida para servir como socio tecnológico clave del proyecto Stargate de 500 billones de dólares.

Otros desarrollos incluyeron a los proveedores de servicios en la nube AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure y Oracle (ORCL ) Cloud Infrastructure (OCI) que utilizan sistemas NVIDIA® GB200 para satisfacer la creciente demanda de IA, haciendo que la plataforma de computación AI en la nube NVIDIA DGX™ y los microservicios NVIDIA NIM™ estén disponibles a través del AWS Marketplace, Cisco integrando NVIDIA Spectrum-X™ en su portafolio de redes, colaborando con Verizon para integrar NVIDIA AI Enterprise, y asociándose con IQVIA (IQV ), Mayo Clinic, Illumina y Arc Institute para avanzar en el descubrimiento de fármacos, genómica y atención médica.

Los ingresos de Gaming y PC de IA cayeron a 2,5 billones de dólares, mientras NVIDIA anunció nuevas tarjetas gráficas de la serie GeForce RTX™ 50 y portátiles impulsados por la arquitectura Blackwell, lanzó las tarjetas gráficas GeForce RTX 5090 y 5080 e introdujo DLSS 4. 

Además de estos, los ingresos de Visualización profesional fueron de 511 millones de dólares y 570 millones de dólares provienen de la división de Automoción y Robótica.

Durante este trimestre, las ganancias GAAP por acción diluida de la compañía fueron de 0,89 $, un aumento del 14 % respecto al trimestre anterior y un 82 % más que hace un año. Mientras tanto, las ganancias non-GAAP por acción diluida fueron de 0,89 $.

Para el ejercicio fiscal 2025, los ingresos fueron de 130,5 billones de dólares, un aumento masivo del 114 % respecto al año anterior. Las ganancias GAAP por acción diluida para el período fueron de 2,94 $ y las ganancias non-GAAP por acción diluida fueron de 2,99 $. 

“La demanda de Blackwell es asombrosa, ya que la IA de razonamiento agrega otra ley de escalado — aumentando compute para el entrenamiento hace que los modelos sean más inteligentes y aumentando compute para el pensamiento prolongado hace que la respuesta sea más inteligente“

– CEO y fundador Jensen Huang

Así, la compañía ha incrementado la producción de sus supercomputadoras AI Blackwell, logrando ventas de miles de millones de dólares.

Para el primer trimestre del ejercicio fiscal 2026, la compañía espera que los ingresos sean de 43 billones de dólares, los gastos operativos GAAP de 5,2 billones de dólares y otros ingresos non-GAAP de aproximadamente 400 millones de dólares.

“La IA avanza a velocidad de la luz, ya que la IA agente y la IA física preparan el escenario para la próxima ola de IA que revolucionará las mayores industrias.”

– Huang

Últimas noticias sobre NVIDIA Corporation

Conclusión

Se espera que la IA revolucione los negocios en todos los sectores, pero eso implica un aumento sin precedentes en la demanda de energía. Esta demanda presenta un gran desafío, que muchos investigadores están trabajando para superar. 

El desarrollo de un nuevo método de entrenamiento probabilístico marca un avance significativo en IA energéticamente eficiente al reducir las necesidades de energía hasta 100 veces. Con el consumo de energía relacionado con la IA proyectado a aumentar a medida que los centros de datos se expanden, este avance podría reducir sustancialmente los costos operativos y el impacto ambiental. 

Combinado con el enfoque de Nvidia en GPU y aceleradores de IA energéticamente eficientes, estas innovaciones pueden ayudar a acelerar la adopción de IA y aumentar la productividad.

Haga clic aquí para aprender todo sobre la inversión en inteligencia artificial.