Ciudad de México, 26 de enero de 2026. Aunque dotados de cada vez mayor capacidad, los nuevos modelos de Inteligencia Artificial (IA) también han incrementado su pernicioso impacto al medioambiente, lo cual no es una preocupación menor.
De ahí que diversas investigaciones alrededor del mundo encaren el desafío nada sencillo de idear una IA que sea sostenible. Entre ellas está la propuesta del regiomontano Luis Eduardo Garza Elizondo, recientemente distinguido como Google PhD Fellow 2025.
“Realmente, el problema ya no es cómo crear modelos más eficientes, sino cómo crear modelos eficientes basados en dispositivos o hardware que está limitado de alguna manera”, apunta en entrevista el joven que cursa el doctorado en Ciencias de Ingeniería en la Escuela de Ingeniería y Ciencias del Tec de Monterrey.
Lo que le hizo merecedor del apoyo de Google, que consiste en mentoría especializada y 15 mil dólares de financiamiento por un año –con la posibilidad de extenderse a dos–, fue su proyecto Tiny Reinforcement Learning for Microcontroller-based Embedded Systems, con el cual busca llevar la IA a los límites de la miniaturización tecnológica.
“Es un concepto relativamente nuevo con el que la comunidad científica se ha planteado un nuevo paradigma de cómo crear algoritmos o mecanismos para la formación de modelos dados ciertos ambientes con altas restricciones. Eso es, básicamente, lo que engloba el concepto de Tiny Machine Learning”, explica Garza.
El llamado Tiny Reinforcement Learning (TinyRL) es una rama de esta área, y se enfoca en algoritmos de aprendizaje por refuerzo; es decir, que los sistemas aprendan por experiencia, con métodos matemáticos avanzados como los derivados del teorema de Kolmogorov-Arnold. Se trata de un cambio de enfoque que se aleja de las granjas de servidores, un consumo energético desproporcionado y entrenamientos multimillonarios, para centrarse en que los algoritmos aprendan directamente en dispositivos tan pequeños como un microcontrolador.
“Con este nuevo paradigma, nosotros lo que queremos hacer es (identificar) qué se necesita para poder llevar estos algoritmos de aprendizaje por refuerzo, ahora basados en arquitecturas de microcontroladores”, refrenda Garza.
“Estamos hablando de poder lograr modelos mucho más eficientes basados en arquitecturas con menos capacidad de cómputo, lo cual directamente impacta al consumo de energía”, agrega el joven regio, para quien la distinción de Google representa la confirmación de que la ruta que ha seguido los últimos años está alineada con las prioridades globales.
Aquí Garza refiere lo señalado hace unos meses por el laboratorio de IA de la Universidad de Rhode Island, cuyos expertos estimaron que GPT-5, el modelo de lenguaje más reciente y avanzado de OpenAI, consume unas 8.6 veces más energía que la versión anterior.
El promedio calculado apunta a que cada consulta implica poco más de 18 watts por hora (Wh); al pasar las 2 mil 500 millones de solicitudes diarias reportadas por ChatGPT a través del modelo, el consumo de energía podría llegar a los 45 gigawatts por hora (GWh).
En comparación, el reactor de una central nuclear típica produce entre 1 y 1.6 GW de electricidad por hora. De modo que los centros de datos que ejecutan el GPT-5 de OpenAI a 18 Wh por consulta podrían requerir la energía equivalente a dos o tres reactores nucleares, cantidad suficiente para abastecer a un país pequeño.
“Eso es bastante, o sea, ¿cómo sostienes un modelo de esa magnitud? Va a llegar un punto en donde va a ser insostenible este camino. Por eso la comunidad científica voltea a ver de qué manera podemos ser eficientes cambiando el paradigma de la creación de estos modelos”, resalta Garza.
“Lo que quiero es cambiar este paradigma y decir: ‘Bueno, ¿cómo lo hacemos para lograr una buena eficiencia sin depender de infraestructura que esté consumiendo tanta energía y teniendo un impacto ambiental tan grande?’”, insiste, recordando que el impacto ambiental no se limita sólo al consumo energético, sino que también engloba las grandes cantidades de agua con que se enfrían los centros de datos.
Sin cifras sólidas por el momento, pues todavía se trata de una investigación en ciernes, Garza estima que a través del TinyRL se podría reducir a un consumo energético de apenas microwatts; “estamos hablando de que un microcontrolador consume mucho menos energía”, subraya.
“Entonces, el cambio de arquitectura base sobre el cual se desarrollan los modelos va a tener un impacto muy significativo justamente en términos de los microwatts que se necesitan para sostener la arquitectura. Eso es lo que estamos previendo”, abunda, optimista respecto al potencial para transitar hacia una IA sostenible mediante esta ruta.
¿Cómo y para qué? Para materializar este modelo de IA basado en TinyRL, lo primero que Luis Eduardo Garza ha proyectado es una fase de simulación.
“Queremos validar ciertos conceptos o ciertos mecanismos que ya tenemos trabajados, para que una vez validados los llevemos a las pruebas físicas, que esperamos se puedan hacer en el siguiente semestre. Pruebas físicas que involucran una arquitectura específica basada, precisamente, en microcontroladores, y esta arquitectura ponerla a prueba en robots móviles”, adelanta el joven doctorante de la EIC.
“Este va a ser nuestro primer set de pruebas: un robot móvil que aprende con estos mecanismos o modelos propuestos en un laboratorio específico”, continúa. “(El TinyRL) le va a permitir moverse, desplazarse y hacer ciertas acciones, aprendiendo conforme pasan las iteraciones, que es el componente principal de Reinforcement Learning”.
Se trata de los primeros pasos para un modelo con el potencial de impactar tanto en el sector aeroespacial como en el desarrollo de transporte inteligente y en la robótica industrial y doméstica.
“Estamos hablando de robots industriales que sean capaces de poder seguir adaptándose a nuevos parámetros dentro de la realidad sobre la que están operando”, ilustra el investigador, quien también vislumbra un eventual uso para crear nuevos dispositivos capaces de hacer detallados perfiles del estado de salud de las personas.
“Al final decidí empezar de esta manera por la rapidez con la que puedo yo desarrollar, plantear, simular y probar los algoritmos. Pero realmente es un robot que tiene una arquitectura base sobre la cual podemos ir trabajando para ir cambiando o adaptando estos modelos, este hardware, para nuevos robots en la industria o incluso también en la casa”.
Israel Sánchez / Agencia Reforma
