La inteligencia artificial puede ayudar a mejorar el tráfico, la logística o la planificación de las ciudades, pero también necesita grandes cantidades de energía para realizar sus cálculos. Un equipo internacional ha estudiado cómo reducir ese impacto sin renunciar a la capacidad de encontrar buenas soluciones. Su propuesta, denominada Optimización Verde, utiliza modelos de aprendizaje automático como “atajos” para evitar ejecutar una y otra vez simulaciones complejas. La tecnología se ha probado con datos reales de Málaga, París y Estocolmo, con resultados especialmente prometedores.

En una ciudad inteligente, decidir cómo ajustar los semáforos para reducir atascos puede requerir miles de simulaciones. Cada una analiza qué ocurriría al modificar distintas variables, un proceso que consume tiempo de cálculo y electricidad.

Los investigadores Enrique Alba y Gabriel Luque, del Instituto de Tecnologías e Ingeniería del Software de la Universidad de Málaga, y Tomohiro Harada, de la Universidad de Saitama, proponen utilizar redes neuronales capaces de estimar esos resultados sin ejecutar la simulación completa.

Las pruebas realizadas con configuraciones reales de tráfico muestran que estos modelos pueden disminuir más de un 98% el consumo energético asociado a la evaluación de soluciones frente a los simuladores tradicionales. El tiempo necesario para completar esas evaluaciones también cayó alrededor de un 98%.

El estudio añade un detalle llamativo: las redes entrenadas con mayor cantidad de datos pueden terminar siendo todavía más eficientes porque aprenden a dejar inactivas determinadas conexiones matemáticas, reduciendo así el trabajo que debe realizar el procesador.

Investigadores españoles avanzan hacia una inteligencia artificial sostenible

El ahorro no es automático. Entrenar una red neuronal también consume energía y, en algunos casos, estos sistemas necesitan más memoria. Por eso, los autores plantean que la eficiencia debe medirse de forma global, teniendo en cuenta energía, tiempo de ejecución y memoria, y no únicamente la velocidad de cálculo.

La investigación encontró además que actualizar progresivamente los modelos con nuevos datos puede ofrecer un mejor equilibrio entre precisión y gasto energético cuando los problemas cambian durante el proceso. Esta estrategia permitiría adaptar mejor los algoritmos a escenarios urbanos complejos.

Aunque las pruebas se han centrado en sistemas de semáforos, los investigadores consideran que la misma filosofía podría aplicarse a logística, planificación industrial y procesamiento directamente en dispositivos, ampliando las posibilidades de reducir el consumo informático en otros sectores.

“La eficiencia energética debe ser un criterio de diseño fundamental”, señalan Gabriel Luque y Enrique Alba. El objetivo, explican, es avanzar hacia algoritmos que no solo sean rápidos y precisos, sino también más respetuosos con el medio ambiente.

El estudio plantea así una forma distinta de medir el progreso de la inteligencia artificial: no solo por lo bien que resuelve un problema, sino también por la energía que necesita para hacerlo.