\n<\/p>\n
El costo de seguir avanzando en inteligencia artificial se est\u00e1 volviendo tan sorprendente como una alucinaci\u00f3n por parte de ChatGPT. La demanda de chips gr\u00e1ficos conocidos como GPU necesarios para el entrenamiento de IA a gran escala ha disparado los precios de los componentes cruciales. OpenAI ha dicho que entrenar el algoritmo que ahora impulsa ChatGPT le cost\u00f3 a la empresa m\u00e1s de 100 millones de d\u00f3lares. La carrera por competir en IA tambi\u00e9n significa que los centros de datos ahora est\u00e1n consumiendo cantidades preocupantes de energ\u00eda.<\/p>\n
La fiebre del oro de la IA hace que algunas nuevas empresas est\u00e9n tramando planes audaces para crear nuevas palas computacionales para vender. Las GPU de Nvidia son, con diferencia, el hardware m\u00e1s popular para el desarrollo de IA, pero estos advenedizos argumentan que es hora de repensar radicalmente c\u00f3mo se dise\u00f1an los chips de computadora.<\/p>\n
Normal Computing, una startup fundada por veteranos de Google Brain y el laboratorio lunar X de Alphabet, ha desarrollado un prototipo simple que es un primer paso para reiniciar la inform\u00e1tica desde los primeros principios.<\/p>\n
Un chip de silicio convencional ejecuta c\u00e1lculos manejando bits binarios (es decir, 0 y 1) que representan informaci\u00f3n. La unidad de procesamiento estoc\u00e1stico de Normal Computing, o SPU, explota las propiedades termodin\u00e1micas de los osciladores el\u00e9ctricos para realizar c\u00e1lculos utilizando fluctuaciones aleatorias que ocurren dentro de los circuitos. Eso puede generar muestras aleatorias \u00fatiles para c\u00e1lculos o para resolver c\u00e1lculos de \u00e1lgebra lineal, que son omnipresentes en ciencia, ingenier\u00eda y aprendizaje autom\u00e1tico.<\/p>\n
Faris Sbahi, director ejecutivo de Normal Computing, explica que el hardware es muy eficiente y muy adecuado para manejar c\u00e1lculos estad\u00edsticos. Alg\u00fan d\u00eda esto podr\u00eda resultar \u00fatil para crear algoritmos de inteligencia artificial que puedan manejar la incertidumbre, quiz\u00e1s abordando la tendencia de los grandes modelos de lenguaje a \u00abalucinar\u00bb resultados cuando no est\u00e1n seguros.<\/p>\n
Sbahi dice que el reciente \u00e9xito de la IA generativa es impresionante, pero est\u00e1 lejos de ser la forma final de la tecnolog\u00eda. \u00abEst\u00e1 bastante claro que hay algo mejor en t\u00e9rminos de arquitecturas de software y tambi\u00e9n de hardware\u00bb, afirma Sbahi. \u00c9l y sus cofundadores trabajaron anteriormente en computaci\u00f3n cu\u00e1ntica e inteligencia artificial en Alphabet. La falta de progreso en el aprovechamiento de las computadoras cu\u00e1nticas para el aprendizaje autom\u00e1tico los impuls\u00f3 a pensar en otras formas de explotar la f\u00edsica para impulsar los c\u00e1lculos necesarios para la IA.<\/p>\n
Otro equipo de ex investigadores cu\u00e1nticos de Alphabet se fue para fundar Extropic, una empresa todav\u00eda sigilosa que parece tener un plan a\u00fan m\u00e1s ambicioso para utilizar la computaci\u00f3n termodin\u00e1mica para la IA. \u00abEstamos intentando hacer toda la computaci\u00f3n neuronal estrechamente integrada en un chip termodin\u00e1mico anal\u00f3gico\u00bb, dice Guillaume Verdon, fundador y director ejecutivo de Extropic. \u00abEstamos tomando lo aprendido del software y hardware de computaci\u00f3n cu\u00e1ntica y llev\u00e1ndolos al paradigma termodin\u00e1mico completo\u00bb. (Verdon fue revelado recientemente como la persona detr\u00e1s de la popular cuenta de memes en X Beff Jezos<\/a>asociado al llamado movimiento de aceleracionismo efectivo que promueve la idea de un progreso hacia una \u201csingularidad tecnocapital\u201d.)<\/p>\n La idea de que es necesario un replanteamiento m\u00e1s amplio de la inform\u00e1tica puede estar ganando impulso a medida que la industria se topa con la dificultad de mantener la ley de Moore, la antigua predicci\u00f3n de que la densidad de los componentes de los chips contin\u00faa reduci\u00e9ndose. \u00abIncluso si la ley de Moore no se estuviera desacelerando, todav\u00eda tenemos un problema enorme, porque los tama\u00f1os de los modelos que OpenAI y otros han estado lanzando est\u00e1n creciendo mucho m\u00e1s r\u00e1pido que la capacidad del chip\u00bb, dice Peter McMahon, profesor de la Universidad de Cornell que trabaja en Nuevas formas de computaci\u00f3n. En otras palabras, es posible que necesitemos explotar nuevas formas de computaci\u00f3n para mantener el tren de la IA en marcha.<\/p>\n<\/div>\n