Cada vez que un chatbot genera una palabra, ejecuta millones o incluso miles de millones de multiplicaciones. El cerebro humano, en cambio, responde cualquier pregunta consumiendo apenas 20 vatios —y sin realizar una sola multiplicación.
Lizy K. John, profesora de ingeniería en la Universidad de Texas en Austin, lleva cinco años preguntándose si esa diferencia no debería hacernos replantearnos los fundamentos de la IA moderna. Su apuesta: redes neuronales que, en lugar de multiplicar, consultan tablas de búsqueda binarias. Un enfoque que existe desde los años ochenta y que casi nadie investiga.
Multiplicar o no multiplicar: el coste oculto de la IA
El modelo neuronal que domina la industria actual se basa en un artículo publicado en 1943 por McCulloch y Pitts. Durante décadas, la industria tomó ese modelo y lo escaló: más neuronas, más capas, más parámetros. Que funcione no significa que sea la única forma de hacerlo.
John lo explica con precisión: cuando un chatbot genera la siguiente palabra en una frase, ejecuta millones o miles de millones de multiplicaciones. Cuando una persona responde una pregunta, no realiza ninguna. El cerebro humano consume unos 20 vatios para hacer todo eso. La brecha es difícil de ignorar.
Lo que llevó a John hacia esta línea fue la eficiencia energética. Conocía otras alternativas —como las redes neuronales de impulsos— y buscaba reducir el consumo sin sacrificar resultados. Cuando un colega la invitó a una reunión informal sobre tablas de búsqueda, reconoció la oportunidad de inmediato.
Tablas de búsqueda en lugar de aritmética
Las redes neuronales sin pesos funcionan de forma radicalmente distinta. En lugar de multiplicar entradas por pesos numéricos, pasan datos binarios a través de tablas de búsqueda interconectadas. El resultado de cada consulta es un cero o un uno: sin pesos de 16 o 32 bits, sin multiplicaciones de ningún tipo.
Eso importa porque la multiplicación es una operación costosa en hardware. John lo ilustra con un ejemplo sencillo: de niños, todos tuvimos que memorizar las tablas de multiplicar porque es una operación difícil. En circuitos electrónicos, esa dificultad se traduce directamente en consumo energético.
La técnica no es nueva. En los años ochenta, alguien en el Reino Unido llegó a comercializar un producto basado en este principio para reconocimiento de patrones, y luego desapareció casi por completo. Solo un par de investigadores de la Universidad Federal de Río de Janeiro continuaron trabajando en ello durante años, prácticamente en solitario. El equipo de John tardó menos de seis meses en implementarlo sobre una FPGA, obteniendo redes hasta mil veces más pequeñas que las convencionales, capaces de ejecutarse sin GPU.
Resultados concretos: de sensores médicos a detectores de palabras clave
Los avances más sólidos se han producido en aplicaciones específicas y de tamaño reducido. En tareas de monitorización médica —electrocardiogramas, electroencefalogramas, presión arterial— y reconocimiento de actividad humana, las redes sin pesos consumen hasta mil veces menos energía que las alternativas convencionales.
Los números son concretos. El mejor modelo pequeño del sector para uno de los problemas estudiados ocupa 17 megabytes; el de John ocupa 14 kilobytes: más de mil veces menos. Eso permite que la red se ejecute directamente sobre el sensor, sin necesidad de transmitir datos a un servidor o teléfono. Los datos nunca abandonan el dispositivo, lo que resuelve de paso el problema de privacidad.
En detección de palabras de activación, el contraste también es notable. El mejor modelo del sector requiere más de 5.000 nanojulios por inferencia. Las variantes del equipo de John se sitúan entre 42 y 79.
Chips flexibles y fabricación más sostenible
Una de las demostraciones más llamativas del equipo fue un detector de arritmias construido sobre un sustrato plástico y flexible. Ese tipo de sustrato solo puede alojar unos 10.000 puertas lógicas, frente a los miles de millones de un chip de silicio convencional de 2 o 5 nanómetros. Una red neuronal estándar no cabe ahí. La red sin pesos sí, precisamente porque su tamaño reducido lo hace posible.
Eso abre la puerta a dispositivos portátiles que hoy resultan inviables con la tecnología dominante. Este tipo de sustrato consume menos agua en su fabricación que los chips de silicio convencionales. Las FPGA, por su parte, llevan más de treinta años usando tablas de búsqueda de forma nativa, lo que las convierte en candidatas naturales tanto para el entrenamiento como para la inferencia.
El salto pendiente: de sensores pequeños a grandes modelos de lenguaje
El equipo ya ha dado un primer paso hacia los modelos más grandes. Un transformer alterna capas de atención con bloques de perceptrón multicapa; el equipo de John ya ha sustituido la parte del perceptrón —aproximadamente la mitad de la red— por componentes sin pesos. La capa de atención sigue siendo el reto pendiente.
El principal obstáculo no es técnico, sino de percepción. Cuando algo funciona y se puede costear, hay poco incentivo para cambiarlo. Las redes sin pesos solo han demostrado su eficacia en problemas pequeños, y para problemas mayores la comunidad investigadora no confía en que el método escale, porque parece demasiado simple.
John reconoce que el campo está muy poco poblado comparado con el ecosistema de los transformers. Confía, sin embargo, en que demostrar el funcionamiento sobre un modelo de lenguaje grande cambiaría esa percepción y atraería tanto investigadores como financiación. Las primeras aplicaciones previstas son más modestas: parches médicos que monitoricen a un paciente durante una semana sin dispositivos costosos, o sistemas de análisis químico que procesen los datos directamente en el punto del experimento. Casos de uso concretos, resolubles hoy, que podrían abrir el camino hacia algo mucho mayor.