Un científico de Koç University propone dos sistemas ópticos para la computación de IA

Dos nuevos sistemas de Koç University trasladan parte de los cálculos de inteligencia artificial de los circuitos electrónicos a la luz. Su autor, el profesor asistente de la Facultad de Ingeniería Eléctrica y Electrónica Uğur Teğin, describe los enfoques en dos artículos separados. El objetivo está claro: hacer la IA más rápida y más barata en términos de energía. El anuncio no incluye cifras concretas, y es lo principal que conviene tener presente al leerlo.

Por qué se habla ahora de la luz

El apetito de la IA por la electricidad ya es un problema de infraestructura. Según la Agencia Internacional de la Energía, los centros de datos consumieron en 2024 alrededor de 415 TWh, y para 2030 esa cifra podría crecer a más del doble, hasta unos 945 TWh. Buena parte del aumento corresponderá precisamente a la IA. La electrónica clásica se topa con el calor y con el coste de transmitir datos entre la memoria y las unidades de cálculo.

La óptica ataca ambos problemas a la vez. La luz apenas genera calor al propagarse, y muchas operaciones de las redes neuronales, sobre todo la multiplicación de matrices y las convoluciones, se ejecutan físicamente cuando la señal luminosa atraviesa un medio adecuado. El cálculo ocurre durante la propagación, sin ciclos de reloj y sin conmutar miles de millones de transistores.

Qué se sabe del trabajo de Teğin

Del comunicado publicado se desprende poco. Resumámoslo en una lista.

• Autor: Uğur Teğin, profesor asistente, Koç University, departamento de ingeniería eléctrica y electrónica.
• Formato: dos publicaciones científicas separadas, dos sistemas distintos.
• Principio: los cálculos de IA los realiza la luz, y no la electrónica convencional.
• Objetivo declarado: sistemas de IA más rápidos y energéticamente eficientes.
• No se revela: precisión en tareas estándar, latencia, energía por operación, tamaño de los modelos, posibilidad de producción en serie.

El último punto es fundamental. Durante décadas, la computación óptica ha mostrado resultados impresionantes en el laboratorio y rara vez ha llegado al centro de datos. Sin una comparación con una GPU en una tarea concreta, es prematuro hablar de ahorro.

Dónde suele tropezar la óptica

La computación con luz tiene cuellos de botella típicos, y cualquier trabajo nuevo en este campo se examina frente a ellos.

Primero: la conversión de datos. Los datos de entrada casi siempre existen en forma electrónica, y cada conversión a luz y de vuelta consume energía. Si cuesta más que el propio cálculo, la ganancia desaparece.

Segundo: la no linealidad. Las redes neuronales necesitan funciones de activación no lineales, y la luz en medios lineales no las proporciona. Hay que volver a la electrónica o recurrir a efectos ópticos no lineales, que requieren una potencia considerable.

Tercero: la precisión. El cálculo óptico es en esencia analógico y sensible al ruido y a las derivas de temperatura. Para la inferencia es tolerable; para el entrenamiento, mucho más difícil.

Cuarto: la integración. Para que el sistema forme parte de un stack con PyTorch y los aceleradores habituales, hacen falta controladores, compiladores y producción escalable.

Lo que resulta realista es precisamente la fórmula «parte de la carga computacional» del titular. El escenario probable es este: un bloque óptico asume las operaciones lineales pesadas, y la electrónica se queda con la lógica y la memoria.

Qué conviene seguir a partir de ahora

Para los ingenieros y para quienes planifican infraestructura de IA, el plan práctico es sencillo. Lean ambos artículos completos y busquen tres cifras: la energía por operación, la latencia y la precisión respecto a una línea base digital en la misma tarea. Después, comprueben con qué tamaño de modelos se ha validado: los conjuntos de datos de juguete como MNIST no dicen nada sobre los transformers. Y por último, verifiquen qué hace exactamente la óptica dentro del sistema y cuánta electrónica queda a su alrededor.

Para el mercado, la señal es más general. Las investigaciones sobre computación fotónica se multiplican precisamente porque la energía se ha convertido en el recurso limitante de la IA. La distancia hasta los aceleradores de luz en serie, a partir de grupos universitarios, sigue siendo grande, pero la dirección merece atención. Cuando Teğin tenga métricas medibles, volveremos a este tema con cifras.