Los semiconductores, popularmente conocidos como chips, han dejado de ser simples componentes electrónicos. Hoy en día están en la práctica totalidad de los aparatos que nos rodean. Estos pequeños elementos, también conocidos como procesadores son los que gestionan la inyección de combustible en un coche tradicional o controlan cómo entra la energía al cargar el vehículo. Son también los encargados de regular el funcionamiento de los electrodomésticos o los complejos sistemas de diagnóstico médico. Por supuesto, también los llevas en el bolsillo de la chaqueta (smartphone) o en la muñeca de tu mano (smartwatch).
Somos dependientes de los chips y pero con el desarrollo de la IA la industria se enfrenta a un gran desafío. Y es que, la Inteligencia Artificial necesita de cada vez más centros de datos, con el consiguiente aumento de consumo de energía, por lo que la respuesta no se encuentra sólo en hacer data centers más eficientes, sino por el cambio en la forma de trabajar y el rediseño de los chips.
El muro energético
La computación tradicional se basaba en la denominada Ley de Moore: el número de transistores que se encontraban en un chip se duplicaba aproximadamente cada dos años, aumentando el rendimiento sin necesidad de disparar el consumo eléctrico. Sin embargo, la regla empieza a ver su límite: ya no caben más transistores en el chip porque no se puede reducir más su tamaño.
Con la aparición de la IA, el problema se multiplica ya que, para aumentar el rendimiento, hay que aumentar el consumo eléctrico. Entrenar y ejecutar modelos de IA exige multiplicaciones de matrices, acceso continuo a memoria y movimiento de grandes volúmenes de datos. Y cada operación consume mucha energía.
El aumento en el consumo de energía, no sólo impacta en la sostenibilidad y en un aumento de la factura eléctrica, sino también en restricciones temporales de la electricidad. Así que el criterio actual ya no es el de fabricar chips que operen únicamente a mayor velocidad, sino conseguir que realicen más operaciones por vatio consumido.
Arquitecturas hechas a medida
Para reducir el consumo, lo que se está haciendo en la actualidad es hacer trabajar de forma conjunta a distintas unidades.
Durante años, los ordenadores han utilizado principalmente la CPU (Unidad Central de Procesamiento) para coordinar el funcionamiento general del equipo, ejecutar aplicaciones y resolver diferentes tareas. Sin embargo, no es la opción más eficiente para la inteligencia artificial, que repite operaciones matemáticas concretas a gran escala.
Para estas cargas se emplean chips especializados. Las GPU, (Unidad de Procesamiento Gráfico) creadas inicialmente para generar gráficos, pueden realizar miles de cálculos en paralelo y por eso son fundamentales para entrenar modelos de IA. Por su parte, las NPU (Unidades de Procesamiento Neural), presentes cada vez más en teléfonos, ordenadores, cámaras y vehículos, están diseñadas específicamente para ejecutar funciones de IA en el propio dispositivo: reconocer una voz, mejorar una fotografía o identificar objetos sin enviar continuamente los datos a la nube y por tanto, sin necesidad de pasar por un centro de datos.
También existen aceleradores como las TPU (Unidad de Procesamiento Tensor), orientados a determinados modelos de aprendizaje automático y utilizados sobre todo en grandes centros de datos. Cada componente cumple así una función diferente: la CPU coordina el sistema, la GPU procesa numerosas operaciones simultáneas y la NPU ejecuta tareas de IA con un consumo reducido.
Esta distribución permite realizar más operaciones por vatio. No obstante, esto sólo funciona si el software está preparado, los datos llegan con rapidez y la memoria y las conexiones no crean nuevos cuellos de botella.
Lo que está claro es que la tendencias pasa por combinar distintos procesadores en lugar de exigir que uno solo haga todo. Asignar cada tarea al circuito más adecuado permite aumentar el rendimiento y reducir el consumo energético.
Transistores y computación in-memory
La segunda vía consiste en mejorar los transistores, los diminutos interruptores eléctricos que forman el núcleo de cualquier chip. Al hacerlos cada vez más pequeños, los fabricantes pueden integrar más capacidad de cálculo en una misma superficie, aunque también deben controlar mejor las fugas de energía. Para evitar estas fugas ya están modificando la estructura del transistor para lograr un control mucho más preciso del flujo eléctrico y reduciendo drásticamente el desperdicio de energía.
Otra de las fórmulas que se están empleando es la denominada computación in-memory. En los ordenadores convencionales, la memoria y el procesador son componentes separados. Cada vez que se ejecuta una operación, los datos deben viajar desde la memoria hasta el procesador y regresar nuevamente a la memoria con el resultado. Este movimiento consume más energía que el propio cálculo sobre todo cuando se procesan grandes volúmenes de información. Esta situación es lo que resuelve la computación dentro de la memoria donde se realizan determinadas operaciones en la propia memoria. Esta arquitectura resulta especialmente útil para operaciones habituales en inteligencia artificial.
Aunque todas estas innovaciones pueden parecer muy pequeñas, lo cierto es que cualquier mejora del 20% en la eficiencia impacta directamente en la mejora de la sostenibilidad. Y es que no hablamos de un chip incrustado en un servidor, sino en cientos de miles que trabajan al mismo tiempo en un centro de datos. Y eso supone ahorros en refrigeración y en el consumo de electricidad.
