La inteligencia artificial ha llegado para quedarse, y ChatGPT es un claro ejemplo. Si quieres que te haga un trabajo de la universidad, te lo hace. Si quieres que te ayude con la carta al Olentzero, también te lo hace. Si quieres que te lave el coche… Bueno, eso todavía no, pero dale tiempo. Las IAs, y más específicamente las generativas, son capaces de hacer (casi) de todo. Lo que empezó como unos modelos bastante simplones, han acabado siendo capaces de resolver una infinidad de cuestiones. Mediante el aumento de recursos computacionales y un largo y costoso entrenamiento, estos modelos cada día son mejores. Pero ¿hasta qué punto es esto algo positivo? ¿Realmente hace falta reservar San Mames para celebrar tu cumpleaños?

En el mundo de la IA, los avances han sido vertiginosos. Empresas como Google, Microsoft y OpenAI compiten por liderar, desarrollando modelos más complejos y utilizando ordenadores cada vez más potentes para acelerar sus tareas. Sin embargo, este progreso tiene un alto coste energético, con un consumo creciente de recursos como agua y electricidad, lo que genera preocupaciones sobre su sostenibilidad. Ante este límite evidente, surge una pregunta clave: ¿y si, en lugar de buscar más recursos, exploramos nuevas formas de abordar los problemas?

LA ENCRUCIJADA DE LA INTELIGENCIA ARTIFICIAL: AVANCES Y COSTOS OCULTOS

Frente a los desafíos actuales de la IA, como la complejidad de los modelos y su costo energético, quizás sea hora de mirar hacia otros campos en busca de ideas. Es como ir a un txoko para preparar la cena: puede que seas experta o experto en hacer bacalao, pero si escuchas a otras personas, igual aprendes un truco nuevo para mejorar el marmitako. En la física de la materia condensada, por ejemplo, los científicos llevan tiempo lidiando con problemas similares al tratar de simplificar sistemas cuánticos.

Para entender esto mejor, imagina que estás tratando de simular cómo interactúan las partículas en un mundo cuántico. Todo parece ir bien hasta que añades otra partícula y, de repente, el esfuerzo necesario para hacer los cálculos se duplica. Es como intentar organizar una fiesta: cada persona invitada adicional no solo aumenta la diversión, sino también el caos y las pizzas que necesitas pedir. En el mundo cuántico, esto ocurre porque las partículas están conectadas de formas tan enrevesadas (gracias a cosas como la superposición y el entrelazamiento) que todo se vuelve inmanejable más rápido que tu lista de tareas al volver de vacaciones.

Sin embargo, la comunidad científica descubrió un truco bastante ingenioso. Este aumento descontrolado de recursos ocurre principalmente cuando las partículas están extremadamente entrelazadas, ya que el sistema se vuelve demasiado complejo para manejarlo clásicamente. Pero si el entrelazamiento es más "local", es decir, si cada partícula solo se preocupa por lo que hacen sus vecinas cercanas, entonces es posible utilizar herramientas matemáticas especiales para simplificar el sistema sin que tu ordenador explote. Es como si en la fiesta de antes, las personas invitadas en vez de hablar en alto jugaran a un “teléfono escacharrado” cuántico. Lo mejor de todo es que muchos sistemas en la naturaleza funcionan de esta manera, lo que hace que este enfoque sea extremadamente útil.

REDES TENSORIALES: INSPIRACIÓN CUÁNTICA PARA SIMPLIFICAR LA COMPLEJIDAD

Estas herramientas se conocen como tensor networks (o redes de tensores). Básicamente, son como un atajo inteligente para descomponer estos sistemas cuánticos complicados en algo más fácil de manejar. Desde hace décadas, las tensor networks han sido clave para avanzar en campos como la física de la materia condensada y la química cuántica.

¿Y qué tiene que ver el tocino con la velocidad? Pues mucho más de lo que parece. Las técnicas de redes de tensores son capaces de descomponer sistemas cuánticos capturando cómo una partícula está entrelazada con el resto del sistema. Este concepto ha encontrado rápidamente un paralelismo en los modelos de inteligencia artificial, donde también existen correlaciones entre diferentes nodos.

Gracias a esto, las tensor networks pueden simplificar modelos muy complejos dividiéndolos en partes más manejables o combinando modelos simples para representar sistemas complejos. Un ejemplo análogo es el análisis de ADN: aunque una persona tenga miles de características únicas —como el color de pelo, los ojos, o la estatura—, su ADN condensa toda esta información en una secuencia compacta. Esto puede permitir, incluso, reconstruir una copia bastante precisa de la persona, como ocurrió con la oveja Dolly. De forma similar, las redes tensoriales desentrañan estructuras complicadas, transformándolas en representaciones más comprensibles y eficientes.

UN FUTURO SOSTENIBLE: INNOVACIÓN Y EFICIENCIA EN EL DESARROLLO DE LA IA

Estas técnicas, llamadas de “inspiración cuántica”, nacieron originalmente para entender los complejos sistemas cuánticos, pero hoy en día se perfilan como una alternativa emocionante para diseñar modelos de inteligencia artificial. Funcionan de manera similar al pensamiento lateral: en lugar de seguir el camino típico, encuentran soluciones creativas y poco convencionales que podrían pasar desapercibidas con los métodos tradicionales.

En un mundo donde el desarrollo de la IA consume cada vez más recursos, estas estrategias ofrecen una opción más eficiente y sostenible. Es como mirar un problema desde un ángulo completamente diferente, descubriendo atajos inteligentes que hacen el proceso mucho más rápido y menos costoso.

Los recursos del planeta son limitados, por lo que la estrategia de crear modelos más eficientes y sostenibles no es solo una opción, sino una responsabilidad. Las técnicas de inspiración cuántica, como las tensor networks, representan una alternativa para que la inteligencia artificial sea más poderosa y respetuosa con el entorno. Esto se vuelve especialmente relevante ante la creciente demanda energética de los grandes modelos de lenguaje (LLM), que ha llevado a algunas empresas tecnológicas a considerar la compra y reapertura de centrales eléctricas, o incluso la creación de nuevas, para garantizar la energía necesaria para entrenar estos modelos. Adoptar enfoques innovadores que optimicen el uso de recursos no solo permitirá resolver problemas complejos, sino también garantizar que el avance tecnológico sea compatible con la conservación del planeta para las futuras generaciones.