Una red neuronal para predecir el PIB en C++ sin TensorFlow: funciona en un Arduino de 400 rublos

Un desarrollador de Habr ha creado una red neuronal para predecir la dinámica del PIB íntegramente en C++20, sin TensorFlow, sin PyTorch y sin ningún framework de terceros. Todas las matemáticas están escritas desde cero y el modelo final puede funcionar en una placa Arduino de 300–400 rublos con un límite de memoria de 32 KB.

Por qué prescindir de Python

El enfoque estándar de la modelización macroeconómica requiere servidores potentes y pesadas bibliotecas de Python. TensorFlow y PyTorch resuelven muy bien las tareas a gran escala, pero arrastran decenas de gigabytes de dependencias y exigen una infraestructura de cálculo completa. En un centro de datos corporativo es lo normal. Para un dispositivo de campo o un microcontrolador económico, es una barrera infranqueable.

Las placas Arduino con 32 KB de RAM y un precio de 300–400 rublos no pueden ejecutar físicamente un intérprete de Python, y mucho menos TensorFlow. La brecha entre la analítica «inteligente» y el hardware económico real parecía insalvable, hasta que el autor decidió escribirlo todo desde cero.

Todas las matemáticas de las capas neuronales están implementadas en C++20 puro, sin dependencias externas. NVIDIA CUDA se usa en un PC para acelerar el cálculo de los pesos durante el entrenamiento, y solo en la fase de desarrollo. El modelo ya entrenado se exporta a un formato binario compacto y se ejecuta en cualquier hardware, incluidos los microcontroladores.

Arquitectura: del capital a la neurona

La red no se limita a aproximar series temporales. Imita ciclos reales de rotación del capital. Su estructura refleja una lógica económica, no solo patrones estadísticos en los números. Cuatro capas ocultas de la red no lineal se comprimen hasta seis neuronas de proyección siguiendo la metodología del Banco Mundial.

Principales características técnicas:

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

Las seis neuronas de salida no son un número arbitrario: cada una corresponde a uno de los indicadores clave de la metodología del Banco Mundial. Esto hace que el modelo sea interpretable. El analista entiende qué factor influyó en la predicción, en lugar de confiar a ciegas en una «caja negra».

Redes neuronales y macroeconomía: un poco de historia

Las redes neuronales para predecir el PIB no son nada nuevo. A finales del siglo XX, Swanson y White fueron de los primeros en demostrar que los modelos no lineales captan mejor que los lineales clásicos los ciclos económicos ocultos en datos estadounidenses. Kuan y Liu mostraron que depurar las series temporales antes de introducirlas en la red reduce de forma notable el error de predicción.

A principios de la década de 2000, Marcellino, Neusser y Wagner confirmaron la superioridad de las 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 periodos 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 que las funciones de activación no lineales ofrecen una ventaja sostenida al seguir las tasas de crecimiento del PIB a largo plazo.

«Cuatro capas ocultas de la red no lineal se comprimen hasta seis neuronas de proyección siguiendo la metodología del

Banco Mundial»: así describe el autor la decisión arquitectónica central.

Qué significa

El proyecto demuestra que la modelización económica seria no requiere una infraestructura cara. Con una arquitectura bien pensada, una red neuronal para predecir el PIB cabe en 32 KB y funciona en una placa de 400 rublos. Para los desarrolladores de sistemas embebidos, es una señal directa: la frontera entre la IA macroeconómica y la computación en el borde es más fina de lo que se suele pensar.