En la actualidad de la #CiudadDigital la inteligencia artificial (IA) es una tecnología que permite a las máquinas realizar tareas que normalmente requieren de la inteligencia humana, como el análisis de datos, la toma de decisiones, la automatización de procesos y la mejora de la experiencia del cliente y en últimos tiempos con la IA generativa en crear, textos, imágenes y audio.

Pero en este texto te voy a contar de cómo la IA ha sacado provecho de un componente de hardware que es parte esencial de nuestras computadoras y que también es el corazón de las consolas de videojuegos que es una industria, que, como la industria de la IA, es un negocio de miles de millones de dólares.

La implementación de la inteligencia artificial implica una serie de desafíos y costos que deben ser considerados. Uno de los principales desafíos es la capacidad de cómputo, es decir, la capacidad de procesar y almacenar grandes cantidades de datos y realizar cálculos complejos y rápidos.

Aquí es donde entra en juego la GPU (del inglés Graphics Processing Unit), o que en lenguaje más coloquial se conoce como “Tarjeta de Video”. LA GPU es un tipo de procesador especializado en el cómputo en paralelo, que permite realizar múltiples operaciones simultáneas con gran velocidad y eficiencia, entre otras cosas habilita poder ver textos y gráficos en la pantalla de nuestro equipo de cómputo y también son el motor que mueven las consolas de videojuegos para el entretenimiento de millones de personas a nivel mundial.

La GPU se ha convertido en el cerebro de la IA, ya que facilita el entrenamiento y la ejecución de los modelos de IA, especialmente los de aprendizaje profundo como las IA Generativas (Chat-GPT, DALL-E, etcétera). Para entrenar y optimizar estas redes se necesita realizar muchos cálculos matemáticos y ajustar los pesos de forma interactiva, lo que puede ser muy costoso y lento si se hace con una CPU (el corazón de nuestras computadoras) que es un procesador más generalista y orientado al cómputo en serie.

La GPU, en cambio, puede procesar muchos datos de forma paralela y distribuida, lo que acelera el aprendizaje y la inferencia de los modelos de IA, lo que permite trabajar con grandes volúmenes de datos y obtener resultados más rápidos y precisos. Por estas razones se dice que, la GPU se ha convertido en el cerebro de la IA.

La relación entre la GPU y la IA es de beneficio mutuo, ya que la industria de manufactura de GPU impulsa el desarrollo y la innovación de la IA, y la IA genera una mayor demanda y un mayor mercado para la GPU. Según un informe de la consultora IDC, el mercado mundial de ventas de GPU para IA crecerá a una tasa compuesta anual del 28,2% entre 2020 y 2024, alcanzando los US$12.400 millones en 2024.

Sin embargo, la relación entre la GPU y la IA también implica una serie de costos que deben ser considerados. Algunos de estos son:

• Costo de adquisición: La GPU es un componente de hardware que tiene un precio elevado, que puede variar según el tipo, el tamaño, el sector y el objetivo de la empresa, así como del nivel de complejidad y personalización de la solución de IA. Según una estimación, el precio de crear una solución de IA puede variar entre US$6.000 y US$300.000 dólares por solución, aunque también existen opciones más accesibles, como el uso de servicios de IA de terceros, que ofrecen soluciones estándar y predefinidas a un menor costo.
• Costo de mantenimiento: La GPU requiere de un cuidado y una actualización constante, para garantizar su funcionamiento óptimo y su compatibilidad con las nuevas tecnologías y aplicaciones de IA. Esto implica un gasto recurrente en energía, refrigeración, reparación, reemplazo y seguridad de la GPU.
• Costo de oportunidad: La GPU es un recurso escaso y demandado en el mercado, que puede tener usos alternativos y competidores. Por ejemplo, la GPU se utiliza también para el minado de criptomonedas y para el uso de la industria de los videojuegos.

En conclusión, la GPU y la IA son dos tecnologías que se complementan y se potencian mutuamente, pero que también implican una serie de costos que deben ser analizados y optimizados. Las empresas que quieran aprovechar las ventajas de las GPU con la IA deben tener en cuenta estos factores y buscar la mejor forma de implementar y gestionar estas tecnologías, para obtener el máximo rendimiento y el mínimo riesgo.