Rápido crecimiento de la inteligencia artificial (IA) ha disparado la demanda energética a nivel global. Sin embargo, nuevas tecnologías buscan limitar este impacto mediante sistemas más eficientes, tanto en hardware como en software.
Consumo en aumento por la expansión de la IA
Los chips de última generación, especialmente los fabricados por Nvidia, han elevado el consumo energético de los servidores más de 100 veces en comparación con hace dos décadas. Este crecimiento ha puesto presión sobre las infraestructuras energéticas, y se estima que los centros de datos representarán el 3% del consumo eléctrico mundial en 2030, el doble que en la actualidad, según la Agencia Internacional de Energía (AIE).
En respuesta, líderes políticos como Donald Trump ya preparan millonarios paquetes de inversión en IA e infraestructura energética. Su próximo anuncio desde Pensilvania contempla un presupuesto estimado en 70,000 millones de dólares.
Soluciones: eficiencia energética y nuevas fuentes
La industria trabaja en dos frentes: aumentar las fuentes de energía y reducir el consumo energético por unidad de procesamiento. El profesor Mosharaf Chowdhury, de la Universidad de Míchigan, señala que hay oportunidades de mejora en todos los niveles: desde el diseño de chips hasta la programación de los modelos de IA.
Uno de los avances más destacados es el uso extendido de refrigeración líquida. Esta tecnología ha permitido que el consumo de los sistemas de enfriamiento de un centro de datos represente solo el 10% del total, cuando hace 20 años era igual o mayor al de los propios servidores.
Chips, sensores y control inteligente
Nvidia ha sido protagonista del cambio con sus potentes chips, que si bien consumen más, también permiten mayor eficiencia por tarea. Para mitigar su demanda, empresas como Amazon han lanzado sistemas como IRHX, una tecnología de refrigeración líquida que puede integrarse a centros existentes sin rediseñar toda su arquitectura.
A la par, sensores conectados a IA monitorean temperatura y consumo en zonas específicas del centro de datos, optimizando el uso de agua y electricidad. McKinsey estima que estos controles inteligentes pueden reducir entre 20% y 30% el gasto energético total.
La paradoja de Jevons: eficiencia que no basta
Pese a los avances, el consumo sigue creciendo. Yi Ding, profesor en la Universidad Purdue, advierte sobre la paradoja de Jevons: mientras más eficiente se vuelve el uso de un recurso, mayor es la demanda. Esto se debe a que la eficiencia reduce costos y estimula el uso masivo.
Además, Ding señala que los fabricantes de chips no están incentivados a producir procesadores de larga duración, ya que eso limitaría sus ingresos. No obstante, investigadores han probado que es posible alargar la vida útil de las GPU sin sacrificar rendimiento.
IA programada con precisión
Por otra parte, algunas empresas como la china DeepSeek han desarrollado modelos de IA competitivos utilizando GPU menos potentes. ¿Cómo lo lograron? Optimizaron el código de programación y redujeron fases del entrenamiento. Esta estrategia demuestra que el software también puede marcar la diferencia en la eficiencia energética de la IA.
