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

La inteligencia artificial (IA) ha tomado el control del mundo entero, y ningún sector está intacto ante la magia de este avance tecnológico. Hoy en día, el 77% de los dispositivos incorporan tecnología de IA, a pesar de que solo un tercio de los consumidores cree que están utilizando 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 empresas que apoyan la tecnología para obtener una ventaja competitiva. Se prevé que este uso eliminará 85 millones de puestos de trabajo, pero al mismo tiempo creará 97 millones de nuevos empleos.

Estas cifras reflejan las estimaciones de que el mercado de IA contribuirá con $15,7 billones a la economía global para 2030. También se espera que el tamaño del mercado de IA crezca al menos un 120% año tras año.

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

“El crecimiento y la demanda de energía pueden sobrecargar una red que ya está estresada. Puede agregar costos a los consumidores. El gas natural ayudará a alimentar el crecimiento rápido de la inteligencia artificial con su insaciable demanda de electricidad confiable”.

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

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

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

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

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

Según las estimaciones del Instituto de Investigación de Energía Eléctrica (EPRI), el consumo de energía de estas instalaciones en EE. UU. puede consumir entre el 4,6% y el 9,1% de la generación total de electricidad para fines 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 cómputo, almacenamiento y transmisión, una cifra que se espera aumente a 22 mil millones de kWh para 2025.

Como resultado, los investigadores están explorando constantemente 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 fundamental en la mejora de la eficiencia energética en varios sectores, optimizando el consumo de energía, prediciendo la demanda y permitiendo la gestión de la red inteligente, lo que conduce a una reducción del desperdicio de energía y a menores emisiones de carbono.

Por ejemplo, Vodafone UK utilizó la IA para reducir el consumo diario de energía de las unidades de radio 5G (RUs) en un 33% utilizando soluciones de software avanzadas de IA y aprendizaje automático de Ericsson.

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

Esto incluye un mapa de calor de eficiencia de potencia de radio, que utiliza el aprendizaje automático para identificar y clasificar los sitios que no funcionan bien para mejoras de eficiencia dirigidas, creando 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 celdas de red para afinar los parámetros de suspensión para crear un equilibrio entre el ahorro de energía y el rendimiento. El modo de suspensión profundo 5G utiliza algoritmos predictivos impulsados por la IA, reduciendo el consumo de energía en un 70% durante las horas de baja demanda.

Pero, ¿qué hay sobre el consumo de energía de la IA? Bueno, los investigadores y las empresas han estado apuntando a diferentes áreas para reducir el consumo de energía de esta tecnología en rápido crecimiento.

Esto incluye la optimización de los modelos de IA, la utilización de hardware eficiente en términos de energía y la adopción de prácticas sostenibles como la energía renovable y el enfriamiento eficiente en los centros de datos.

Cuando se trata de optimizar los modelos de IA, se pueden tomar diferentes enfoques, como la poda, la cuantización y la destilación. En la poda del modelo, se eliminan los parámetros y conexiones innecesarios de un modelo sin afectar la precisión. La cuantización se ocupa de 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 proporciona un modelo más eficiente en términos de energía con un rendimiento similar.

Como señaló la MIT Technology Review en su publicación de este año, los modelos más pequeños son uno de los avances tecnológicos que definirán la próxima era. Estos modelos se entrenan en conjuntos de datos más enfocados y pueden ofrecer precisión específica del dominio, eficiencia de costos y una mayor seguridad de los 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 Anthropic’s Claude 3 son algunos ejemplos de versiones más pequeñas de modelos de IA más grandes de los gigantes tecnológicos.

Cuando se trata de hardware, el enfoque ha sido el uso de GPU y otros procesadores de IA especializados que están diseñados específicamente para cargas de trabajo de alto rendimiento.

Luego, hay servidores y procesadores selectos que ajustan el uso de energía según la demanda de la carga de trabajo, la virtualización para una mejor utilización de los recursos al ejecutar varios procesos en menos máquinas físicas y tecnologías de enfriamiento avanzadas para reducir la necesidad de sistemas de acondicionamiento de aire intensivos en términos de energía.

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

Otra forma de reducir el consumo de energía de la IA es a través de prácticas sostenibles. Los centros de datos pueden utilizar fuentes de energía renovable, implementar sistemas de enfriamiento eficientes en términos de energía y diseñar layouts eficientes para reducir el consumo de energía.

Las empresas están comprometidas con esto, con Google haciendo progresos con la energía geotérmica. Microsoft es otra, que está a punto de reabrir la planta nuclear de Three Mile Island para convertirse en carbono neutral para 2030.

Resulta interesante que la IA se esté utilizando para llevar la eficiencia energética a la IA también. La tecnología se utiliza para optimizar el consumo de energía en edificios e industrias, predecir cuándo el equipo necesita mantenimiento y reducir la demanda pico aprovechando las condiciones de la red en tiempo real.

Entre todo esto, los investigadores de la Universidad Técnica de Munich (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 en función de probabilidades en lugar de seguir un enfoque iterativo, pero los resultados han sido comparables en calidad a los métodos iterativos existentes.

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

Además del aumento del uso de la IA, el lanzamiento de aplicaciones de IA más complejas en los próximos años resultará en un aumento sustancial en las demandas de la capacidad de los centros de datos.

Estas aplicaciones consumirán enormes cantidades de energía para el entrenamiento de redes neuronales. Así que el nuevo estudio se centra en reducir la cantidad masiva de energía necesaria para entrenar redes neuronales para la IA.

Las redes neuronales se utilizan en la 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 formada por nodos interconectados llamados neuronas artificiales. Aquí, las señales de entrada se ponderan con parámetros específicos antes de ser sumadas y si el límite definido se supera, la señal se pasa al siguiente nodo.

Ahora, para entrenar la red, la selección inicial de valores de parámetros se realiza generalmente de forma aleatoria y luego se ajusta gradualmente para mejorar las predicciones de la red de forma progresiva.

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

Así que un equipo de investigadores liderado por Felix Dietrich, profesor de Aprendizaje Automático Mejorado con Física, desarrolló un nuevo método.

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

Con este enfoque, el estudio tiene como objetivo obtener sistemas dinámicos que ahorran energía a partir de los datos. Estos sistemas dinámicos cambian con el tiempo según las reglas. Estos sistemas se pueden encontrar en los mercados financieros y los modelos climáticos.

“Nuestro método hace posible determinar los parámetros necesarios con una potencia de cálculo mínima. Esto puede hacer que el entrenamiento de las redes neuronales sea mucho más rápido y, como resultado, más eficiente en términos de energía. Además, hemos visto 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 necesaria para el entrenamiento de redes neuronales. Podríamos ver que las industrias que despliegan modelos de IA a gran escala adopten este método dentro de los próximos 1 a 3 años, lo que conduciría a soluciones de IA más sostenibles y rentables.​

Compañía innovadora

NVIDIA Corporation (NVDA )

Líder en computación de IA, NVIDIA desarrolla GPU y aceleradores de IA eficientes en términos de energía, innovando constantemente para mejorar el rendimiento mientras reduce el consumo de energía.

El año pasado, en la Cumbre de IA de DC, la empresa informó que el uso de energía de sus GPU ha experimentado una reducción masiva de 2,000 veces en el entrenamiento en la última década. Durante este período, también experimentó una reducción de energía de 100,000 veces en la generación de tokens. La mejora en la 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 hemos mejorado el rendimiento de inferencia, podrías conducir durante más de 300 años con un solo tanque de gasolina. En el núcleo de la computación acelerada está la computación sostenible”.

Nvidia’s Blackwell es su 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 poderoso del mundo, un motor de transformador de segunda generación y una quinta generación de NVLink, mientras que es extremadamente eficiente en términos de energía para la inferencia y el entrenamiento.

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

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

Con una capitalización de mercado de $2,96 billones, las acciones de NVIDIA, en el momento de escribir esto, se negocian a $121,50, un descenso del 9,4% en lo que va del año. La empresa 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 las acciones de Nvidia en los últimos tiempos, que no es exclusiva de la empresa de chips, la compañía sigue atrayendo a los inversores. Después de todo, el valor de sus acciones ha aumentado más de 1,800% desde 2020, lo que la convierte 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 cuentas financiadas en esta plataforma de inversión sin comisiones están en poder de millennials y miembros de la Generación 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 la inversión sea más importante porque si el control sobre la tecnología se centraliza en las empresas tecnológicas, entonces debes ser un inversor en esas empresas para beneficiarte”.

– Tenev

En cuanto a las finanzas de la empresa, Nvidia informó el cuarto trimestre que finalizó el 26 de enero de 2025, revelando ingresos de $39,3 mil millones, un aumento del 12% y del 78% con respecto al trimestre anterior y al año anterior, respectivamente.

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

Otros desarrollos incluyeron a los proveedores de servicios en la nube AWS, CoreWeave, Google Cloud Platform (GCP), Microsoft Azure y Oracle Cloud Infrastructure (OCI) que utilizaron sistemas NVIDIA GB200 para satisfacer la creciente demanda de IA, lo que hizo que la plataforma de computación en la nube NVIDIA DGX y NVIDIA NIM estuvieran disponibles a través de AWS Marketplace, Cisco integró NVIDIA Spectrum-X en su cartera de redes, colaboró con Verizon para integrar NVIDIA AI Enterprise y se asoció con IQVIA, Mayo Clinic, Illumina y Arc Institute para avanzar en el descubrimiento de fármacos, genómica y atención médica.

Los ingresos de Juegos y PC de IA disminuyeron a $2,5 mil millones, mientras que NVIDIA anunció nuevas tarjetas gráficas GeForce RTX 50 Series y laptops impulsadas por la arquitectura Blackwell, lanzó tarjetas gráficas GeForce RTX 5090 y 5080 e introdujo DLSS 4.

Además de estos, los ingresos de visualización profesional fueron de $511 millones y $570 millones de la división de Automoción y Robótica.

Durante este trimestre, las ganancias por acción diluida de la empresa fueron de $0,89, un aumento del 14% con respecto al trimestre anterior y un 82% con respecto al año anterior. Las ganancias por acción diluida no GAAP fueron de $0,89.

Para el año fiscal 2025, los ingresos fueron de $130,5 mil millones, un aumento del 114% con respecto al año anterior. Las ganancias por acción diluida para el período fueron de $2,94 y las ganancias por acción diluida no GAAP fueron de $2,99.

“La demanda de Blackwell es increíble, ya que la IA de razonamiento agrega otra ley de escalabilidad: aumentar el cómputo para el entrenamiento hace que los modelos sean más inteligentes y aumentar el cómputo para el pensamiento largo hace que la respuesta sea más inteligente“.“

– CEO y fundador Jensen Huang

Así que la empresa ha aumentado la producción de sus supercomputadoras de IA Blackwell, logrando miles de millones de dólares en ventas.

Para el primer trimestre del año fiscal 2026, la empresa espera que los ingresos sean de $43 mil millones, los gastos operativos de GAAP sean de $5,2 mil millones y los demás ingresos no GAAP sean de aproximadamente $400 millones.

“La IA está avanzando a la velocidad de la luz, ya que la IA agente y la IA física establecen el escenario para la próxima ola de IA que revolucionará las industrias más grandes”.

– Huang

Últimas noticias sobre NVIDIA Corporation

Conclusión

La IA está a punto de revolucionar los negocios en todos los sectores, pero eso significa 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 la IA eficiente en términos de energía, reduciendo las necesidades de energía en hasta 100 veces. Con el consumo de energía relacionado con la IA proyectado para aumentar a medida que se expanden los centros de datos, este avance podría reducir sustancialmente los costos operativos y el impacto ambiental.

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

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