Нейросеть для прогноза ВВП на C++ без TensorFlow: работает на Arduino за 400 рублей

Un desarrollador de Habr ha creado una red neuronal para pronosticar la dinámica del PIB completamente en C++20 — sin TensorFlow, PyTorch ni ningún framework de terceros. Todas las matemáticas se escribieron desde cero, y el modelo resultante es capaz de funcionar en una placa Arduino por 300–400 rublos con un límite de memoria de 32 KB.

Por qué abandonar Python

El enfoque estándar para la modelización macroeconómica presupone servidores potentes y bibliotecas Python pesadas. TensorFlow y PyTorch destacan en tareas a gran escala, pero vienen con decenas de gigabytes de dependencias y requieren infraestructura computacional completa. Para un centro de datos corporativo esto es normal — para un dispositivo de campo o microcontrolador de presupuesto es una barrera insuperable.

Las placas Arduino con 32 KB de RAM y un precio de 300–400 rublos no pueden ejecutar físicamente un intérprete Python, sin mencionar TensorFlow. La brecha entre análisis "inteligente" e hardware real de bajo costo parecía insuperable — hasta que el autor decidió escribirlo todo desde cero. Toda la matemática de las capas neuronales se implementa en C++20 puro sin dependencias externas.

Para una selección rápida de pesos durante el entrenamiento en una PC, NVIDIA CUDA se conecta — solo en la etapa de desarrollo. El modelo entrenado se exporta a un formato binario compacto y se ejecuta en cualquier hardware, incluidos microcontroladores.

Arquitectura: del capital a la neurona

La red neuronal no simplemente aproxima series temporales — imita ciclos reales de circulación de capital. La estructura de la red refleja la lógica económica, no solo patrones estadísticos en números. Cuatro capas ocultas de una red no lineal se comprimen a seis neuronas de proyección según la metodología del Banco Mundial. Características técnicas clave:

• C++20 sin dependencias externas — control total de memoria
• NVIDIA CUDA para acelerar el entrenamiento en la etapa de desarrollo
• 4 capas ocultas con funciones de activación no lineales
• Compresión a 6 neuronas de proyección según metodología BM
• Compatibilidad con Arduino con límite de memoria de 32 KB

Seis neuronas de salida — no un número arbitrario: cada una corresponde a uno de los indicadores clave según la metodología del Banco Mundial. Esto hace el modelo interpretable: un analista entiende qué factor influyó en el pronóstico, en lugar de confiar ciegamente en una "caja negra".

Redes neuronales y macroeconomía: historia

Las redes neuronales para pronóstico del PIB no son novedad. A finales del siglo XX, Swanson y White fueron de los primeros en demostrar: los modelos no lineales capturan mejor los ciclos económicos ocultos en datos estadounidenses que los modelos lineales clásicos. Kuan y Liu demostraron que la limpieza previa de series temporales antes de alimentarlas a la red reduce significativamente el error de pronóstico.

A principios de los 2000, Marcellino, Neusser y Wagner confirmaron la superioridad de redes multicapa sobre ARIMA al analizar el PIB de países europeos en horizontes largos. Lin y Chen desarrollaron un esquema de conmutación de pesos que permite al modelo reconocer períodos de crisis y cambios estructurales en la economía. En 2024, Zhang y Bian realizaron pruebas a gran escala con datos de la economía china y confirmaron: las funciones de activación no lineales proporcionan una ventaja sostenida en el seguimiento de las tasas de crecimiento del PIB a largo plazo.

"Cuatro capas ocultas de una red no lineal se comprimen a seis neuronas de proyección según la metodología del

Banco Mundial" — así describe el autor la decisión arquitectónica central.

Qué significa esto

El proyecto demuestra: el modelado económico serio no requiere infraestructura costosa. Si la arquitectura está bien pensada, una red neuronal para pronóstico del PIB cabe en 32 KB y se ejecuta en una placa por 400 rublos. Para desarrolladores de sistemas embarcados, esta es una señal directa: el límite entre IA macroeconómica y computación de borde es más delgado de lo que se cree comúnmente.