Una de las imágenes más conocidas de la singularidad tecnológica es la de una inteligencia artificial que se mejora una y otra vez hasta alcanzar capacidades extraordinarias. Pero incluso un algoritmo excelente necesita ejecutarse en algún lugar.
El software no está separado del mundo físico. Para entrenar y utilizar sistemas de IA hacen falta procesadores, memoria, electricidad, refrigeración, redes y tiempo. Ninguno de esos recursos crece automáticamente porque un modelo encuentre una idea mejor.
Esto no demuestra que una superinteligencia sea imposible. Sí obliga a distinguir entre lo que puede mejorar mediante software y lo que depende de infraestructura material.
1. La capacidad de cálculo tiene un coste
Los sistemas de IA realizan operaciones en hardware. Según la arquitectura y la tarea, el rendimiento puede depender de la cantidad de cálculo disponible, la velocidad de acceso a memoria, la comunicación entre dispositivos y la eficiencia del software.
Un algoritmo más eficiente puede reducir recursos necesarios para una misma tarea. Pero una mejora algorítmica no elimina todas las restricciones. En determinados escenarios, un modelo más ambicioso también puede requerir más memoria, más datos o nuevas rondas de experimentación.
Conviene diferenciar dos actividades:
- Entrenamiento: ajustar un sistema a partir de datos y procedimientos de optimización.
- Inferencia: ejecutar un sistema ya entrenado para producir respuestas, predicciones o acciones.
Ambas consumen recursos, pero sus perfiles de coste pueden ser muy diferentes.
2. Electricidad y refrigeración
Los centros de datos necesitan electricidad para los equipos informáticos y los sistemas auxiliares. La demanda energética depende de la infraestructura, su utilización y su eficiencia, entre otros factores.
No basta con conocer cuántos chips contiene un centro de datos para calcular su consumo real. También importan la potencia efectiva, el tiempo de funcionamiento y la eficiencia de las instalaciones.
La Agencia Internacional de la Energía estudia cómo la expansión de los centros de datos puede afectar a la demanda eléctrica. Sus análisis son escenarios condicionados por supuestos, no cifras inevitables sobre el futuro.
3. Fabricar chips no es instantáneo
Aunque una IA diseñara una arquitectura de procesador mejor, convertirla en hardware físico exigiría procesos industriales: diseño, verificación, fabricación, empaquetado, pruebas y distribución.
La capacidad de producción depende de instalaciones especializadas, equipos, materiales, cadenas de suministro y personal cualificado. Mejorar un diseño puede ser mucho más rápido que ampliar la capacidad industrial para producirlo.
Por eso una predicción de crecimiento acelerado de capacidades debería explicar si supone mejoras de software, expansión del hardware o ambas cosas.
4. La memoria y la comunicación también importan
En algunos cálculos, el límite principal no es la cantidad de operaciones que puede realizar un procesador, sino la rapidez con la que recibe los datos necesarios.
Mover información entre memoria y procesadores, o entre máquinas de un mismo centro de datos, consume tiempo y energía. Aumentar el número de dispositivos no garantiza que una tarea se acelere proporcionalmente.
Esto ayuda a entender por qué el progreso depende del diseño completo de los sistemas, no solo de contar más chips.
5. ¿Puede una IA superar estos límites mediante mejores ideas?
Puede contribuir a utilizar los recursos con mayor eficiencia. La investigación ya explora mejoras en algoritmos, compiladores, arquitecturas y métodos de entrenamiento.
Pero hay que separar dos afirmaciones:
- «Podemos hacer más con los mismos recursos»: una posibilidad que puede comprobarse experimentalmente.
- «Podemos crecer sin límites materiales»: una afirmación mucho más fuerte, que no se deduce de la primera.
Una mejora importante de eficiencia puede hacer viables tareas antes demasiado costosas. También puede aumentar la demanda total si aparecen nuevos usos. El resultado económico y energético depende de cómo se adopte la tecnología.
6. Tiempo de experimentación y validación
Una IA capaz de proponer cientos de hipótesis por minuto no necesariamente puede verificarlas a la misma velocidad. Algunas requieren experimentos físicos, nuevos datos, ensayos prolongados o revisión independiente.
En ciencia, el cuello de botella puede estar en medir el mundo, no en generar ideas. En ingeniería, puede estar en probar que un sistema es seguro y fiable antes de desplegarlo.
La rapidez de la investigación automatizada dependerá, por tanto, del tipo de problema y de la posibilidad real de automatizar sus verificaciones.
7. ¿Qué implica esto para la singularidad?
Las restricciones físicas no descartan un avance tecnológico muy rápido. Tampoco permiten fijar una fecha límite universal para la superinteligencia.
Lo que sí muestran es que una hipótesis de automejora recursiva necesita responder preguntas concretas: ¿qué recursos consume cada ciclo?, ¿qué parte del proceso puede automatizarse?, ¿qué mejoras son acumulativas? y ¿qué restricciones aparecen cuando aumenta la escala?
Cuanto más explícitos sean esos supuestos, más útil será el debate.
Una lista para evaluar predicciones de crecimiento exponencial
Antes de aceptar un pronóstico sobre capacidades futuras, pregunta:
- ¿La predicción habla de rendimiento en una tarea o de inteligencia general?
- ¿Qué mejoras se atribuyen al software y cuáles al hardware?
- ¿Se incluyen costes energéticos, memoria y comunicaciones?
- ¿Qué experimentos deben completarse para validar las mejoras?
- ¿Qué ocurriría si uno de esos recursos creciera más lentamente de lo esperado?
La superinteligencia sigue siendo un tema de investigación y discusión. Entender sus posibles límites materiales no reduce su importancia: permite formular hipótesis más precisas.
Un ejemplo: ¿dónde se detiene una cadena de mejoras?
Imaginemos un laboratorio hipotético que utiliza IA para diseñar modelos más eficientes. En cada ciclo, el equipo debe proponer una mejora, entrenar o modificar el sistema, ejecutar pruebas y decidir si adopta el resultado.
| Etapa | Posible cuello de botella | Qué habría que medir |
|---|---|---|
| Proponer cambios | Calidad y diversidad de hipótesis | Proporción de propuestas útiles |
| Entrenar o adaptar | Capacidad de cálculo y memoria | Tiempo, energía y coste por experimento |
| Evaluar | Disponibilidad de pruebas independientes | Fiabilidad y generalización |
| Desplegar | Seguridad, integración y supervisión | Fallos, reversibilidad y tiempo de aprobación |
| Repetir | Rendimientos decrecientes | Mejora adicional obtenida por unidad de recurso |
La tabla es un modelo ilustrativo, no una predicción cuantitativa. Sirve para mostrar que acelerar una etapa no implica acelerar todo el proceso: si las pruebas o la infraestructura siguen tardando lo mismo, pueden convertirse en el nuevo límite.
Eficiencia y escala son preguntas distintas
Si un método reduce el cálculo necesario para una tarea, ese ahorro puede emplearse para hacer la misma tarea con menos recursos o para intentar tareas más ambiciosas. El efecto total sobre la demanda de energía no se deduce únicamente de la mejora de eficiencia.
También hay que distinguir los límites físicos —energía, disipación térmica y velocidad de transmisión— de los límites económicos y organizativos, como inversión, suministro, coordinación y regulación. Un obstáculo puede cambiar con nuevas tecnologías sin desaparecer por completo.
Para entender el mecanismo que estos recursos podrían limitar, consulta cómo funciona la automejora recursiva. Para evitar conclusiones excesivas a partir de un resultado puntual, revisa cómo medir las capacidades de una IA.
Fuentes y lecturas
- International Energy Agency, *Energy and AI*.
- Jouppi y colaboradores, *In-Datacenter Performance Analysis of a Tensor Processing Unit*.
- Williams, Waterman y Patterson, *Roofline: An Insightful Visual Performance Model for Multicore Architectures*.
- Patterson y colaboradores, *Carbon Emissions and Large Neural Network Training*.
Continúa con cómo podría mejorarse una IA a sí misma, cómo medimos sus capacidades y las diferencias entre AGI y singularidad.