Este IA omite las matemáticas. Podría funcionar en una tirita.

Puntos clave

• El equipo de Lizy K. John en la Universidad de Texas en Austin ha construido redes neuronales que reemplazan la multiplicación con tablas de búsqueda, reduciendo el consumo de energía hasta 1.000 veces en tareas de monitoreo médico.
• Su detector de arritmia, un dispositivo que vigila ritmos cardíacos peligrosos, cabe en un chip de plástico flexible con solo alrededor de 10.000 puertas lógicas, en comparación con miles de millones en un chip estándar.
• Para una tarea de reconocimiento de palabras clave, su modelo utiliza 42 a 79 nanojulios por decisión, frente a más de 5.000 nanojulios del actual modelo líder de la industria.
• El enfoque ya ha reemplazado aproximadamente la mitad de un modelo transformer, la arquitectura detrás de chatbots como ChatGPT, pero la compatibilidad con modelos de lenguaje completos aún está en progreso.
• Casi ningún equipo de investigación está trabajando en esta técnica, a pesar de su antigüedad.

Cada vez que un chatbot responde tu pregunta, una red neuronal, el sistema matemático estratificado que le da a la IA su capacidad de reconocimiento de patrones, realiza millones o miles de millones de multiplicaciones. Multiplica un número de entrada por un peso aprendido. Suma. Repite. Para una sola oración, esa aritmética se ejecuta a una escala que la mayoría de las personas luchan por imaginar.

Lizy K. John no cree que tenga que funcionar así.

Es profesora de ingeniería eléctrica e informática en UT Austin, y durante los últimos cinco años se ha enfocado en lo que ella llama redes neuronales sin pesos. En lugar de multiplicar números entre sí, estas redes pasan señales de sí o no a través de una serie de tablas de búsqueda, pequeñas listas almacenadas que devuelven una respuesta precalculada instantáneamente. Dependiendo de la tarea, una red sin pesos puede ejecutarse usando 1.000 veces menos energía o caber en un chip 1.000 veces más pequeño que un modelo convencional, mientras obtiene respuestas comparablemente precisas.

Cubrimos este trabajo por primera vez el 30 de julio de 2026 en nuestro informe anterior sobre eficiencia energética de IA.

¿Por qué es tan importante eliminar la multiplicación?

La multiplicación es cara en términos de hardware: requiere transistores y energía. Una tabla de búsqueda simplemente lee de memoria, que es mucho más barato. John señala que el cerebro humano utiliza aproximadamente 20 vatios para mantener una conversación, sin multiplicación alguna.

El resultado más sorprendente de su equipo es un modelo que detecta arritmia, un latido cardíaco irregular que puede indicar problemas cardíacos graves, en un chip construido sobre una lámina de plástico flexible. Ese sustrato de plástico solo puede contener alrededor de 10.000 puertas lógicas, donde un chip de smartphone moderno contiene miles de millones. Un modelo de IA convencional no puede ejecutarse en algo tan pequeño. El suyo sí.

Para tareas de monitoreo médico que incluyen lecturas de ECG (señales eléctricas del corazón), lecturas de EEG (señales eléctricas del cerebro) y presión arterial, los modelos de su equipo coinciden con la precisión estándar con una fracción de la energía. El mejor modelo pequeño competidor para un problema que estudiaron tiene 17 megabytes. Su versión tiene 14 kilobytes, más de 1.000 veces más pequeña. Como el modelo cabe en el sensor mismo, los datos de salud nunca necesitan abandonar el dispositivo. Eso es tanto un ahorro de energía como una protección de privacidad.

¿Qué cambios podrían ver realmente los pacientes?

El primer objetivo de John es el monitoreo médico continuo. Describe un parche sensor que se usa como una tirita durante una semana, uno que procesa lecturas localmente y señala un problema sin necesidad de teléfono ni conexión hospitalaria. Ahora mismo, la mayoría de los sensores portátiles recopilan datos sin procesar y los envían inalámbricamente a un servidor porque el chip del sensor es demasiado pequeño y consume demasiada energía para ejecutar análisis por sí solo. Una red sin pesos invierte eso.

Para reconocimiento de palabras clave, el proceso mediante el cual un dispositivo como un altavoz Alexa escucha constantemente su palabra de activación, el modelo de su equipo utiliza 42 a 79 nanojulios por decisión. El modelo líder de la industria actual utiliza más de 5.000 nanojulios para la misma tarea. Esa es la diferencia entre un dispositivo que dura semanas con batería y uno que dura días.

¿Puede esto alguna vez llegar a los chatbots?

Todavía no, pero el equipo está trabajando en ello. Un modelo transformer, la arquitectura detrás de ChatGPT y la mayoría de asistentes de IA modernos, alterna entre dos secciones: una capa de atención, que pondera cómo se relacionan las palabras entre sí, y un perceptrón multicapa, que realiza la mayor parte del procesamiento numérico. El equipo de John ya ha reemplazado la mitad del perceptrón multicapa con un equivalente basado en búsqueda. La capa de atención sigue sin resolverse.

Este enfoque no es nuevo: alguien en Reino Unido construyó un producto comercial alrededor de él en los años 80 para reconocimiento de patrones, luego desapareció en gran medida. Investigadores de la Universidad Federal de Río de Janeiro mantuvieron viva la idea en silencio durante años. La contribución de John es hacerlo funcionar eficientemente en hardware real, primero en un FPGA, un chip flexible que puede reconfigurarse para diferentes tareas, y ahora en sustratos construidos a propósito.

El entrenamiento todavía ocurre en GPUs convencionales, los chips especializados de procesamiento numérico que impulsan la mayoría de la investigación de IA. Dado que los FPGA ya contienen pequeñas tablas de búsqueda por diseño, John cree que eventualmente podrían manejar el entrenamiento también.

La advertencia honesta: cada resultado hasta ahora proviene de tareas pequeñas y específicas. No existe demostración revisada por pares para modelos de lenguaje a gran escala. John es franca sobre esa brecha, y la confianza en que esto escale no existe fuera de su propio laboratorio. Para quienes cubrimos de cerca aplicaciones de IA en salud, esa brecha importa enormemente. Los resultados del parche sensor son genuinamente interesantes; las ambiciones del chatbot son una hoja de ruta, no un destino.