Durante décadas, la historia de la informática ha sido la historia de una conquista silenciosa: hacer más con menos. Desde los primeros ordenadores hasta los teléfonos móviles actuales, cada generación de hardware y software ha perseguido un mismo objetivo: aumentar la capacidad de cálculo reduciendo simultáneamente el coste, el consumo energético y los recursos necesarios. La eficiencia no era un simple detalle técnico; era el principio fundamental que distinguía una buena solución de una mala. La inteligencia artificial generativa ha roto, quizá por primera vez en la historia de la computación, este principio. Resulta paradójico que una tecnología presentada como la culminación del progreso digital sea, al mismo tiempo, una de las más ineficientes que se han desarrollado jamás.
La economía digital se construyó sobre las economías de escala. Google podía atender a cientos de millones de usuarios con un coste medio por búsqueda cada vez menor. Netflix podía incorporar nuevos abonados sin multiplicar proporcionalmente su infraestructura. Amazon podía servir millones de pedidos gracias a una logística cada vez más optimizada. En todos estos casos, el crecimiento reducía el coste medio por usuario. En cambio, los grandes modelos de lenguaje desafían esa lógica: cuanto mayor es un modelo de lenguaje, mayor es el coste de ofrecer el servicio a cada nuevo usuario. Es exactamente lo contrario de lo que cualquier ingeniero esperaría de una tecnología madura.
Esto es así porque durante los últimos años se ha instaurado una especie de dogma según el cual basta con aumentar el número de parámetros, la cantidad de datos de entrenamiento y la potencia de cálculo para que emerjan nuevas capacidades cognitivas. Esta idea, conocida como scaling laws, ha adquirido un carácter casi religioso dentro de Silicon Valley. Cuando aparecen limitaciones, la respuesta nunca consiste en replantear la arquitectura del sistema, sino en multiplicar el número de GPU. Así, cada nueva generación requiere inversiones mucho más elevadas para conseguir mejoras relativamente modestas. Es lo que se conoce como rendimientos decrecientes, un fenómeno bien conocido en economía. Cuando una disciplina necesita cantidades crecientes de capacidad de cálculo, datos, energía, agua, minerales y capital para obtener mejoras cada vez más modestas, suele ser señal de que el paradigma dominante se acerca a sus límites.
Las consecuencias empiezan a hacerse visibles. La demanda masiva de chips de altas prestaciones está provocando tensiones en la cadena mundial de suministro. La memoria de alto rendimiento se ha convertido en un recurso escaso. El precio de numerosos componentes informáticos aumenta porque una buena parte de la producción acaba instalada en centros de datos para inteligencia artificial. Incluso los ordenadores personales incorporan ahora hardware más caro simplemente para ejecutar funciones de IA que muchos usuarios nunca habían solicitado. La revolución tecnológica acaba trasladando parte de sus costes al conjunto de la sociedad.
Pero existe un problema aún más profundo. La ingeniería informática siempre ha intentado encontrar algoritmos más elegantes, no simplemente construir hardware más potente. Cuando un algoritmo resulta demasiado lento, la solución habitual consiste en rediseñarlo. Si consume demasiada memoria, se buscan estructuras de datos más eficientes.
Donald Knuth defendió la importancia de comprender rigurosamente los problemas antes de implementar y optimizar los algoritmos destinados a resolverlos. Para Knuth, la eficiencia nunca fue un lujo; era una consecuencia natural del conocimiento. Edsger Dijkstra llevó esta idea aún más lejos al afirmar que la simplicidad constituye el requisito previo para la fiabilidad. Esta afirmación encierra una intuición profunda: cuando un sistema solo puede funcionar incrementando indefinidamente su complejidad, probablemente el problema no reside en la falta de recursos, sino en que todavía no comprendemos suficientemente bien aquello que intentamos construir.
La IA generativa parece haber invertido completamente esta lógica. En lugar de buscar algoritmos más eficientes, se construyen infraestructuras gigantescas capaces de compensar, mediante fuerza bruta, las limitaciones de los modelos fundacionales de la IA generativa. Es como intentar mejorar las prestaciones del motor de un automóvil aumentando continuamente su cilindrada y, con ello, el consumo de combustible, en lugar de diseñar un motor más eficiente.
Esta estrategia no solo resulta extraordinariamente costosa desde el punto de vista económico, sino también ambiental. Los nuevos centros de datos consumen cantidades ingentes de electricidad, requieren enormes volúmenes de agua para refrigeración y obligan a ampliar constantemente las redes eléctricas. Una buena parte de esa electricidad sigue procediendo de combustibles fósiles, lo que convierte el desarrollo acelerado de la IA en un factor adicional de presión sobre los objetivos climáticos.
No es casualidad que la Comisión Europea haya comenzado recientemente a flexibilizar algunas de sus políticas ambientales. La presión ejercida por las grandes empresas tecnológicas para facilitar la expansión de los centros de datos coincide con una relajación progresiva de instrumentos tan importantes como la regulación de las compensaciones de emisiones o incluso la reforma del Sistema Europeo de Comercio de Derechos de Emisión (ETS). Esta reforma reduce el ritmo de disminución de los derechos de emisión de CO₂, amplía el número de permisos gratuitos para la industria e introduce nuevos mecanismos para que la Unión pueda contabilizar como propias reducciones de emisiones realizadas en terceros países. En la práctica, esta reforma permitirá que numerosas empresas, y muy especialmente las que promueven la construcción de centros de datos y gigafactorías de IA, continúen emitiendo más CO₂ durante más tiempo del que establece la normativa vigente.
La contradicción resulta evidente. Mientras Europa proclama su liderazgo climático, adapta simultáneamente sus normas para acomodar una tecnología cuyo crecimiento depende precisamente de consumir más energía, más materias primas y más recursos naturales. Todo ello se justifica en nombre de una supuesta carrera por la inteligencia artificial.
Pero la verdadera carrera debería ser otra. Durante décadas, numerosos investigadores en IA trabajaron en líneas de investigación mucho más plausibles desde el punto de vista cognitivo, es decir, más cercanas a la manera en que los seres humanos resolvemos problemas: utilizando conocimiento estructurado, abstracción y razonamiento lógico, no simplemente procesando estadísticamente enormes cantidades de datos. La investigación actual ha relegado buena parte de estas líneas porque el entusiasmo inversor se ha concentrado casi exclusivamente en los grandes modelos fundacionales de la IA generativa. La financiación sigue el tamaño de los modelos, no necesariamente la calidad de las ideas.
Sin embargo, empiezan a aparecer señales de agotamiento. Cada vez más investigadores reconocen que seguir aumentando indefinidamente el tamaño de los modelos actuales difícilmente resolverá los problemas fundamentales de la inteligencia artificial, como la adquisición de un modelo del mundo. El verdadero progreso de la inteligencia artificial no consistirá en construir sistemas cada vez más grandes que requieran más recursos, sino en descubrir nuevas arquitecturas cognitivas capaces de integrar aprendizaje estadístico con razonamiento, representación explícita del conocimiento, memoria, causalidad y planificación. No porque estos elementos sustituyan completamente a las arquitecturas conexionistas puras, sino porque pueden complementarlas haciéndolas mucho más eficientes, del mismo modo que los grandes avances de la informática consistieron en encontrar mejores algoritmos.
Mientras sigamos confundiendo el tamaño de los modelos con la inteligencia y la potencia de cálculo con la innovación, corremos el riesgo de construir la infraestructura tecnológica más cara, más contaminante y, paradójicamente, menos elegante de la historia de la informática. La próxima gran revolución de la IA no llegará por disponer de más chips y centros de datos más grandes, sino cuando descubramos ideas que nos permitan volver a hacer aquello que siempre ha distinguido a la buena ingeniería: hacer más con menos.
Ramon López de Mántaras. Instituto de Investigación en Inteligencia Artificial, CSIC