La inteligencia artificial está consumiendo mucha electricidad en Estados Unidos. Según la Agencia Internacional de Energía, los sistemas de inteligencia artificial y los centros de datos consumieron alrededor de 415 teravatios hora de electricidad en 2024. Eso es más del 10% de la producción eléctrica total del país, y se prevé que la demanda se duplique para 2030.
Este rápido crecimiento ha generado preocupaciones sobre la sostenibilidad. En respuesta, investigadores de una escuela de ingeniería han desarrollado un sistema de inteligencia artificial de prueba de concepto diseñado para ser mucho más eficiente. Su enfoque puede reducir el consumo de energía hasta 100 veces y mejorar el rendimiento en las tareas.
Un enfoque híbrido llamado IA neurosimbólica
La investigación procede del laboratorio de Matthias Schütz, profesor de tecnología aplicada de la familia Karl. Su equipo está desarrollando IA neurosimbólica, que combina redes neuronales tradicionales con razonamiento simbólico. Este enfoque refleja cómo las personas abordan los problemas dividiéndolos en pasos y categorías.
El trabajo se presentará en la Conferencia Internacional sobre Robótica y Automatización que se celebrará en Viena en mayo y aparecerá en las actas de la conferencia.
Enseñar a los robots a ver, comprender y actuar
A diferencia de los modelos de lenguajes grandes (LLM) conocidos como ChatGPT y Gemini, el equipo se centra en los sistemas de inteligencia artificial utilizados en robótica. Estos sistemas se conocen como modelos de lenguaje visual y acción (VLA). Extienden las capacidades de LLM para incluir la visión y el movimiento físico.
Los modelos VLA toman datos visuales de las cámaras e instrucciones del lenguaje y luego traducen esa información en acciones del mundo real. Por ejemplo, pueden controlar las ruedas, los brazos o los dedos de un robot para completar una tarea.
Por qué la IA tradicional tiene dificultades con tareas simples
Los sistemas VLA convencionales dependen en gran medida de datos y del aprendizaje de prueba y error. Si se le pide a un robot que apile bloques en una torre, primero debe analizar la escena, identificar cada bloque y determinar cómo colocarlos correctamente.
Este proceso a menudo conduce a errores. Las sombras pueden confundir al sistema sobre la forma de un bloque, o el robot puede colocar piezas incorrectamente, provocando que la estructura colapse.
Estos errores son similares a los problemas vistos en el LL.M. Así como los robots pueden perder bloques, los chatbots pueden producir resultados falsos o engañosos. Los ejemplos incluyen la creación de casos legales o la creación de fotografías con detalles poco realistas, como dedos adicionales.
Cómo el razonamiento simbólico mejora la precisión y la eficiencia
El razonamiento simbólico sugiere una estrategia diferente. En lugar de depender únicamente de patrones de los datos, utiliza reglas y conceptos abstractos como forma y equilibrio. Esto permite que el sistema planifique de manera más efectiva y evite pruebas y errores innecesarios.
“Al igual que LLM, los modelos VLA funcionan con resultados estadísticos de grandes conjuntos de entrenamiento de escenarios similares, pero esto puede dar lugar a errores”, afirma Schütz. “Un VLA neurosimbólico puede implementar reglas que limiten la cantidad de prueba y error durante el aprendizaje y llegar a soluciones mucho más rápido. No sólo hace el trabajo mucho más rápido, sino que el tiempo dedicado a entrenar el sistema se reduce significativamente”.
Fuertes resultados en pruebas de rompecabezas
Los investigadores probaron su sistema utilizando el rompecabezas de la Torre de Hanoi, un problema clásico que requiere una planificación cuidadosa.
El VLA neurosimbólico logró una tasa de éxito del 95%, en comparación con sólo el 34% del sistema estándar. Cuando se le presentó una versión más compleja del rompecabezas que no había encontrado antes, el sistema híbrido tuvo éxito el 78% de las veces. Todos los intentos del modelo tradicional han fracasado.
El tiempo de entrenamiento también se reduce drásticamente. El nuevo sistema aprendió la tarea en sólo 34 minutos, mientras que los modelos convencionales necesitaron más de un día y medio.
Capacitación y uso de ahorros masivos de energía.
El consumo de energía también se reduce drásticamente. Entrenar el modelo neurosimbólico requiere solo el 1% de la energía utilizada por un sistema VLA estándar. Durante su funcionamiento, utilizó sólo el 5% de la energía necesaria con los métodos convencionales.
Scheutz compara esta ineficiencia con las herramientas de inteligencia artificial cotidianas. “Estos sistemas sólo intentan predecir la siguiente palabra o acción en una secuencia, pero esto puede ser incompleto y pueden producir resultados erróneos o alucinaciones. Su gasto de energía a menudo es desproporcionado con respecto a la tarea. Por ejemplo, cuando se busca en Google, el resumen de IA en la parte superior de la página produce 100 veces más energía”.
La creciente presión de la IA sobre la infraestructura energética
A medida que la adopción de la IA se acelera en todas las industrias, la demanda de potencia informática continúa creciendo. Las empresas están construyendo centros de datos cada vez más grandes, algunos de los cuales requieren cientos de megavatios de electricidad. Ese nivel de consumo puede superar las necesidades de ciudades pequeñas enteras.
Esta tendencia ha provocado una carrera para ampliar la infraestructura, lo que ha generado preocupaciones sobre los límites energéticos a largo plazo.
Un camino más sostenible para la IA
Los investigadores sugieren que los enfoques actuales basados en LLM y VLA pueden no ser sostenibles a largo plazo. Aunque estos sistemas son potentes, consumen mucha energía y aun así pueden producir resultados increíbles.
Por el contrario, la IA neurosimbólica apunta en una dirección diferente. Al combinar el aprendizaje con el razonamiento estructurado, puede proporcionar una base más eficiente y confiable para futuros sistemas de IA.
