¿Cuánta energía consume la IA?

¿Cuánta energía consume la IA?

Respuesta: La IA puede consumir muy poca electricidad para tareas sencillas de texto, pero mucho más cuando las indicaciones son largas, las salidas son multimodales o los sistemas operan a gran escala. El entrenamiento suele ser el principal consumo energético inicial, mientras que la inferencia diaria se vuelve significativa a medida que se acumulan las solicitudes.

Conclusiones clave:

Contexto : Defina la tarea, el modelo, el hardware y la escala antes de proporcionar cualquier estimación de energía.

Capacitación : Considere la capacitación de modelos como el principal evento energético inicial al planificar los presupuestos.

Inferencia : Vigile de cerca las inferencias repetidas, ya que los pequeños costes por solicitud se acumulan rápidamente a gran escala.

Infraestructura : Incluya la refrigeración, el almacenamiento, las redes y la capacidad ociosa en cualquier estimación realista.

Eficiencia : Utilice modelos más pequeños, mensajes más cortos, almacenamiento en caché y procesamiento por lotes para reducir el consumo de energía.

¿Cuánta energía consume la IA? Infografía

Artículos que quizás te interese leer después de éste:

🔗 Cómo afecta la IA al medio ambiente
Explica la huella de carbono, el consumo de energía y las ventajas e inconvenientes de la sostenibilidad en el ámbito de la IA.

🔗 ¿La IA es mala para el medio ambiente?
Analiza en detalle los costes medioambientales ocultos de los modelos de IA y los centros de datos.

🔗 ¿Es la IA buena o mala? Ventajas y desventajas
Una visión equilibrada de los beneficios, los riesgos, la ética y los impactos reales de la IA.

🔗 ¿Qué es la IA? Una guía sencilla
Aprende los conceptos básicos de la IA, los términos clave y ejemplos cotidianos en minutos.

Por qué esta pregunta importa más de lo que la gente piensa 🔍

El consumo energético de la IA no es solo un tema de debate medioambiental. Afecta a algunos aspectos muy reales:

  • Coste de la electricidad , especialmente para las empresas que gestionan muchas solicitudes de IA.

  • Impacto de carbono : depende de la fuente de energía que utilicen los servidores.

  • Esfuerzo del hardware : los chips potentes consumen mucha energía.

  • Decisiones de escala : una sugerencia barata puede convertirse en millones de sugerencias costosas.

  • Diseño de productos : la eficiencia suele ser una característica mejor de lo que la gente cree ( Google Cloud , Green AI ).

Mucha gente pregunta "¿Cuánta energía consume la IA?" porque buscan una cifra impactante. Algo enorme. Algo que llame la atención. Pero la pregunta más pertinente es: ¿De qué tipo de uso de la IA estamos hablando? Porque eso lo cambia todo. ( IEA )

¿Una sola sugerencia de autocompletado? Algo insignificante. ¿
Entrenar un modelo de vanguardia en clústeres masivos? Mucho, muchísimo más. ¿
Un flujo de trabajo de IA empresarial siempre activo que llega a millones de usuarios? Sí, eso se acumula rápidamente... como centavos que se convierten en el pago del alquiler. ( DOE , Google Cloud )

¿Cuánta energía consume la IA? La respuesta corta ⚡

Aquí está la versión práctica.

La IA puede consumir desde una minúscula fracción de vatio-hora para una tarea sencilla hasta enormes cantidades de electricidad para el entrenamiento y la implementación a gran escala. Este rango suena exageradamente amplio porque, en efecto, lo es. ( Google Cloud , Strubell et al. )

Dicho de forma sencilla:

  • Tareas de inferencia simples , a menudo relativamente modestas en función de su uso.

  • Conversaciones largas, grandes volúmenes de datos, generación de imágenes, generación de vídeo : un consumo energético notablemente mayor.

  • Entrenamiento de modelos grandes : el campeón indiscutible del consumo de energía.

  • Ejecutar IA a gran escala durante todo el día , donde "pequeño por solicitud" se convierte en "gran factura total" ( Google Cloud , DOE ).

Una buena regla general es la siguiente:

  • La capacitación es el gran evento energético inicial 🏭

  • La inferencia es la factura de servicios públicos continua 💡 ( Strubell et al. , Google Research )

Entonces, cuando alguien pregunta: ¿Cuánta energía consume la IA?, la respuesta directa es: “No una cantidad fija, sino la suficiente como para que la eficiencia importe, y la suficiente como para que la escala cambie por completo la situación”. ( IEA , IA verde )

Sé que no es tan pegadizo como la gente quisiera. Pero es verdad.

¿Qué características debe tener una buena estimación energética mediante IA? 🧠

Una buena estimación no es solo una cifra impactante plasmada en un gráfico. Una estimación práctica incluye contexto. De lo contrario, es como pesar la niebla con una báscula de baño: lo suficientemente aproximada como para sonar impresionante, pero no lo suficientemente precisa como para ser fiable. ( IEA , Google Cloud )

Una estimación energética adecuada basada en IA debería incluir:

  • Tipo de tarea : texto, imagen, audio, vídeo, formación, ajuste fino.

  • El tamaño del modelo : los modelos más grandes suelen necesitar más capacidad de procesamiento.

  • El hardware utilizado : no todos los chips son igualmente eficientes.

  • Duración de la sesión : las indicaciones breves y los flujos de trabajo largos de varios pasos son muy diferentes.

  • Utilización : los sistemas inactivos siguen consumiendo energía.

  • Refrigeración e infraestructura : el servidor no representa la totalidad de la factura.

  • Ubicación y combinación energética : la electricidad no es igual de limpia en todas partes ( Google Cloud , IEA ).

Por eso dos personas pueden discutir sobre el consumo eléctrico de la IA y ambas sonar seguras de sí mismas mientras hablan de cosas totalmente diferentes. Una persona se refiere a una sola respuesta de un chatbot. La otra se refiere a una enorme sesión de entrenamiento. Ambas dicen "IA", y de repente la conversación se desvía por completo 😅

Tabla comparativa: las mejores maneras de estimar el consumo energético de la IA 📊

Aquí hay una tabla práctica para cualquiera que intente responder la pregunta sin convertirla en una performance artística.

Herramienta o método Mejor audiencia Precio Por qué funciona
Estimación mediante regla general sencilla Lectores curiosos, estudiantes Gratis Rápido, fácil, un poco borroso, pero suficiente para comparaciones aproximadas
Medidor de potencia del dispositivo Constructores individuales, aficionados Bajo Mide el consumo real de la máquina, que es sorprendentemente concreto
Panel de telemetría de la GPU Ingenieros, equipos de aprendizaje automático Medio Ofrece mayor detalle en tareas que requieren mucha computación, aunque puede pasar por alto la sobrecarga de las instalaciones más grandes
Facturación en la nube + registros de uso Empresas emergentes, equipos de operaciones Medio a alto Conecta el uso de la IA con el gasto real; no es perfecto, pero sigue siendo bastante valioso
Informes de consumo energético del centro de datos Equipos empresariales Alto Ofrece una mayor visibilidad operativa; la refrigeración y la infraestructura comienzan a hacerse visibles aquí
Evaluación del ciclo de vida completo Equipos de sostenibilidad, grandes organizaciones Intenso, a veces doloroso Ideal para análisis serios porque va más allá del chip en sí... pero es lento y un poco pesado

No existe un método perfecto. Esa es la parte un poco frustrante. Pero sí existen diferentes niveles de calidad. Y, por lo general, algo que funciona es mejor que algo perfecto. ( Google Cloud )

El factor más importante no es la magia, sino la computación y el hardware 🖥️🔥

Cuando la gente piensa en el consumo energético de la IA, suele imaginar que el modelo en sí es el que consume energía. Pero el modelo es lógica de software que se ejecuta en hardware. Es en el hardware donde aparece la factura de la luz. ( Strubell et al. , Google Cloud )

Las variables más importantes suelen incluir:

Un sistema altamente optimizado puede hacer más trabajo con menos energía. Un sistema deficiente puede desperdiciar electricidad con una confianza asombrosa. Ya sabes cómo es: algunos sistemas son como coches de carreras, otros como carritos de la compra con cohetes pegados con cinta adhesiva 🚀🛒

Y sí, el tamaño del modelo importa. Los modelos más grandes tienden a requerir más memoria y más capacidad de cálculo, especialmente al generar resultados extensos o manejar razonamientos complejos. Pero las técnicas de eficiencia pueden cambiar la situación: ( IA verde , cuantización, procesamiento por lotes y estrategias de servicio en el uso de energía de LLM ).

Por lo tanto, la pregunta no es solo "¿Qué tan grande es el modelo?", sino también "¿Con qué inteligencia se está ejecutando?"

Entrenamiento vs inferencia: son cosas muy distintas 🐘🐇

Esta es la división que confunde a casi todo el mundo.

Capacitación

El entrenamiento es el proceso mediante el cual un modelo aprende patrones a partir de conjuntos de datos enormes. Puede implicar que muchos chips funcionen durante períodos prolongados, procesando grandes volúmenes de datos. Esta etapa consume mucha energía, a veces muchísimo. ( Strubell et al. )

La energía para entrenar depende de:

  • tamaño del modelo

  • tamaño del conjunto de datos

  • número de carreras de entrenamiento

  • experimentos fallidos

  • pasadas de ajuste fino

  • eficiencia del hardware

  • refrigeración superior ( Strubell et al. , Google Research )

Y aquí está el punto que a menudo se pasa por alto: el público suele imaginar una única y gran sesión de entrenamiento, realizada una sola vez, y ahí termina todo. En la práctica, el desarrollo puede implicar sesiones repetidas, ajustes, reentrenamiento, evaluación y todas las iteraciones, aunque prosaicas, pero costosas, que rodean al evento principal. ( Strubell et al. , Green AI )

Inferencia

La inferencia es el proceso mediante el cual el modelo responde a las solicitudes reales de los usuarios. Una solicitud puede parecer insignificante, pero la inferencia se repite una y otra vez, millones de veces, a veces miles de millones. ( Google Research , DOE )

La energía de inferencia aumenta con:

Así pues, el entrenamiento es el terremoto. La inferencia es la marea. Uno es dramático, el otro persistente, y ambos pueden remodelar un poco la costa. Es una metáfora inusual, quizás, pero se sostiene... más o menos.

Los costes energéticos ocultos que la gente olvida 😬

Cuando alguien estima el consumo energético de la IA basándose únicamente en el chip, suele subestimarlo. No siempre de forma catastrófica, pero sí lo suficiente como para tener consecuencias. ( Google Cloud , IEA )

Aquí están las piezas ocultas:

Enfriamiento ❄️

Los servidores generan calor. El hardware de IA potente genera mucho calor. La refrigeración es imprescindible. Cada vatio consumido por el procesamiento tiende a requerir un mayor consumo de energía solo para mantener temperaturas razonables. ( IEA , Google Cloud )

Movimiento de datos 🌐

Transferir datos a través de sistemas de almacenamiento, memoria y redes también consume energía. La IA no se limita a "pensar", sino que también reorganiza la información constantemente. ( IEA )

Capacidad de inactividad 💤

Los sistemas diseñados para soportar la máxima demanda no siempre funcionan a esa demanda. La infraestructura inactiva o subutilizada sigue consumiendo electricidad. ( Google Cloud )

Redundancia y fiabilidad 🧱

Copias de seguridad, sistemas de conmutación por error, regiones duplicadas, capas de seguridad: todo ello valioso, todo ello forma parte del panorama energético general. ( AIE )

Almacenamiento 📦

Datos de entrenamiento, incrustaciones, registros, puntos de control, resultados generados: todo esto se almacena en algún lugar. El almacenamiento es más barato que la computación, sin duda, pero no es gratuito en términos energéticos. ( IEA )

Por eso, la pregunta " ¿Cuánta energía consume la IA?" no se puede responder con un simple gráfico comparativo. Es importante considerar todos los aspectos. ( Google Cloud , IEA )

¿Por qué una sugerencia de IA puede ser diminuta y la siguiente, enorme? 📝➡️🎬

No todas las solicitudes son iguales. Una petición breve para reescribir una frase no es comparable a solicitar un análisis extenso, una sesión de codificación con varios pasos o la generación de imágenes de alta resolución. ( Google Cloud )

Factores que tienden a aumentar el consumo de energía por interacción:

Una respuesta breve por texto puede ser relativamente barata. Un flujo de trabajo multimodal complejo, en cambio, puede ser, bueno, bastante caro. Es un poco como pedir café en lugar de contratar un servicio de catering para una boda. Técnicamente, ambos se consideran "servicios de comida". Uno no es como el otro ☕🎉

Esto es especialmente importante para los equipos de producto. Una función que parece inofensiva con un uso bajo puede volverse costosa a gran escala si cada sesión de usuario es más larga, más compleja y requiere mayor capacidad de procesamiento. ( DOE , Google Cloud )

La IA para el consumidor y la IA empresarial no son lo mismo 🏢📱

La persona promedio que usa IA de forma casual podría pensar que las indicaciones ocasionales son el gran problema. Por lo general, ahí no reside la verdadera cuestión energética. ( Google Cloud )

El uso empresarial cambia las matemáticas:

  • miles de empleados

  • copilotos siempre disponibles

  • procesamiento automatizado de documentos

  • resumen de llamadas

  • análisis de imágenes

  • herramientas de revisión de código

  • Agentes en segundo plano que se ejecutan constantemente

Ahí es donde el consumo energético total empieza a ser crucial. No porque cada acción sea catastrófica, sino porque la repetición tiene un efecto multiplicador. ( DOE , IEA )

En mis propias pruebas y revisiones de flujo de trabajo, aquí es donde la gente se sorprende. Se centran en el nombre del modelo o en la llamativa demostración e ignoran el volumen. El volumen suele ser el verdadero motor, o la salvación, dependiendo de si se trata de facturar a los clientes o de pagar la factura de la luz 😅

Para los consumidores, el impacto puede parecer abstracto. Para las empresas, se vuelve concreto muy rápidamente:

  • facturas de infraestructura más elevadas

  • mayor presión para optimizar

  • Mayor necesidad de modelos más pequeños siempre que sea posible

  • informes internos de sostenibilidad

  • mayor atención al almacenamiento en caché y al enrutamiento ( Google Cloud , Green AI )

Cómo reducir el consumo energético de la IA sin renunciar a ella 🌱

Esta parte es importante porque el objetivo no es "dejar de usar la IA". Por lo general, eso no es realista, ni siquiera necesario. Un mejor uso es la opción más inteligente.

Estas son las palancas más importantes:

1. Utilice el modelo más pequeño que cumpla su función

No todas las tareas requieren la opción más compleja. Un modelo más ligero para clasificación o resumen puede reducir el desperdicio rápidamente. ( Green AI , Google Cloud )

2. Acortar las indicaciones y los resultados

Si la información de entrada es demasiado extensa, la de salida también lo será. Más tokens implican más cálculos. A veces, simplificar la solicitud es la solución más sencilla. ( Estrategias de cuantización, procesamiento por lotes y servicio en LLM Energy Use , Google Cloud )

3. Almacenar en caché los resultados repetidos

Si la misma consulta aparece repetidamente, no la regenere cada vez. Esto es obvio, pero a menudo se pasa por alto. ( Google Cloud )

4. Agrupar las tareas cuando sea posible

La ejecución de tareas en lotes puede mejorar la utilización y reducir el desperdicio. ( Estrategias de cuantificación, procesamiento por lotes y servicio en el uso de energía de LLM )

5. Enrutar las tareas de forma inteligente

Utilice modelos grandes solo cuando la confianza disminuya o la complejidad de la tarea aumente. ( Inteligencia Artificial Verde , Google Cloud )

6. Optimizar la infraestructura

Mejor planificación, mejor hardware, mejor estrategia de refrigeración: cosas sencillas, pero con enormes beneficios. ( Google Cloud , DOE )

7. Mide antes de asumir

Muchos equipos creen saber adónde va la energía. Luego la miden y ahí está: la parte más costosa está en otro lugar. ( Google Cloud )

El trabajo de eficiencia no es glamuroso. Rara vez recibe aplausos. Pero es una de las mejores maneras de hacer que la IA sea más asequible y más defendible a gran escala 👍

Mitos comunes sobre el consumo de electricidad de la IA 🚫

Vamos a aclarar algunos mitos, porque este tema se complica rápidamente.

Mito 1: Cada consulta de IA es enormemente derrochadora

No necesariamente. Algunos son modestos. La escala y el tipo de tarea son muy importantes. ( Google Cloud )

Mito 2: El entrenamiento es lo único que importa

No. La inferencia puede predominar con el tiempo cuando el uso es masivo. ( Google Research , DOE )

Mito 3: Un modelo más grande siempre significa un mejor resultado

A veces sí, a veces definitivamente no. Muchas tareas funcionan bien con sistemas más pequeños. ( Inteligencia Artificial Verde )

Mito 4: El consumo de energía equivale automáticamente a un impacto de carbono

No exactamente. El carbono también depende de la fuente de energía. ( IEA , Strubell et al. )

Mito 5: Se puede obtener un número universal para el consumo de energía de la IA

No se puede, al menos no de una forma que conserve su significado. O sí se puede, pero se generalizará tanto que dejará de ser valioso. ( IEA )

Por eso, preguntar " ¿Cuánta energía consume la IA?" es una pregunta inteligente, pero solo si estás preparado para una respuesta elaborada en lugar de un eslogan.

Entonces... ¿cuánta energía consume realmente la IA? 🤔

Esta es la conclusión fundamentada.

La IA utiliza:

  • un poco , para algunas tareas sencillas

  • mucho más , para la generación multimodal pesada

  • una cantidad muy grande , para el entrenamiento de modelos a gran escala

  • una cantidad enorme en total , cuando millones de solicitudes se acumulan con el tiempo ( Google Cloud , DOE )

Esa es su forma.

Lo fundamental es no simplificar el problema reduciéndolo a una cifra alarmante o a un gesto de desdén. El consumo energético de la IA es real. Importa. Se puede mejorar. Y la mejor manera de abordarlo es con contexto, sin dramatismos. ( IEA , IA Verde )

Gran parte del debate público oscila entre extremos: por un lado, «la IA es prácticamente gratuita»; por otro, «la IA es un apocalipsis eléctrico». La realidad es más cotidiana, lo que la hace más esclarecedora. Se trata de un problema de sistemas. Hardware, software, uso, escala, refrigeración, decisiones de diseño. ¿Prosaico? Un poco. ¿Importante? Mucho. ( IEA , Google Cloud )

Conclusiones clave ⚡🧾

Si viniste aquí preguntando: ¿Cuánta energía consume la IA?, aquí tienes la conclusión:

  • No existe un número que sirva para todos

  • El entrenamiento suele consumir la mayor parte de la energía al principio

  • La inferencia se convierte en un factor importante a gran escala

  • El tamaño del modelo, el hardware, la carga de trabajo y la refrigeración son factores importantes

  • Pequeñas optimizaciones pueden marcar una diferencia sorprendentemente grande

  • La pregunta más inteligente no es solo "¿cuánto?", sino también "¿para qué tarea, en qué sistema, a qué escala?" ( IEA , Google Cloud )

Sí, la IA consume energía real. La suficiente como para merecer atención. La suficiente como para justificar una mejor ingeniería. Pero no de una forma simplista y simplificada.

Preguntas frecuentes

¿Cuánta energía consume la IA para una sola solicitud?

No existe un valor universal para una sola solicitud, ya que el consumo de energía depende del modelo, el hardware, la longitud de la solicitud, la longitud de la respuesta y cualquier herramienta adicional utilizada. Una respuesta de texto breve puede ser relativamente económica, mientras que una tarea multimodal extensa puede consumir mucha más energía. La respuesta más significativa no es una cifra principal, sino el contexto que rodea la tarea.

¿Por qué varían tanto las estimaciones del consumo energético de la IA?

Las estimaciones varían porque a menudo se comparan cosas muy diferentes bajo la etiqueta de IA. Una estimación puede describir la respuesta de un chatbot sencillo, mientras que otra puede abarcar la generación de imágenes, vídeo o el entrenamiento de modelos a gran escala. Para que una estimación sea útil, necesita contexto, como el tipo de tarea, el tamaño del modelo, el hardware, la utilización, la refrigeración y la ubicación.

¿El entrenamiento de la IA o su funcionamiento diario suponen un mayor coste energético?

El entrenamiento suele ser el proceso inicial que consume mayor energía, ya que puede implicar el funcionamiento prolongado de numerosos chips con conjuntos de datos enormes. La inferencia, por otro lado, representa el coste continuo que se genera cada vez que los usuarios envían solicitudes, y a gran escala también puede alcanzar un volumen muy elevado. En la práctica, ambos procesos son importantes, aunque de maneras diferentes.

¿Qué hace que una solicitud de IA consuma mucha más energía que otra?

Las ventanas de contexto más largas, las salidas más extensas, los procesos de razonamiento repetidos, las llamadas a herramientas, los pasos de recuperación y la generación multimodal tienden a aumentar el consumo de energía por interacción. Los objetivos de latencia también son importantes, ya que los requisitos de respuesta más rápida pueden reducir la eficiencia. Una pequeña solicitud de reescritura y un flujo de trabajo de codificación o procesamiento de imágenes extenso simplemente no son comparables.

¿Qué costes energéticos ocultos pasan por alto las personas cuando preguntan cuánta energía consume la IA?

Muchos se centran únicamente en el chip, pero pasan por alto la refrigeración, la transferencia de datos, el almacenamiento, la capacidad de inactividad y los sistemas de confiabilidad, como las copias de seguridad o las regiones de conmutación por error. Estas capas de soporte pueden modificar sustancialmente el consumo energético total. Por eso, una prueba de rendimiento por sí sola rara vez refleja el panorama completo del consumo energético.

¿Un modelo de IA más grande siempre consume más energía?

Los modelos más grandes suelen requerir más capacidad de procesamiento y memoria, especialmente para resultados largos o complejos, por lo que a menudo consumen más energía. Sin embargo, un mayor tamaño no siempre implica un mejor rendimiento, y la optimización puede cambiar considerablemente la situación. Los modelos especializados más pequeños, la cuantización, el procesamiento por lotes, el almacenamiento en caché y un enrutamiento más inteligente pueden mejorar la eficiencia.

¿El principal problema energético reside en el uso de la IA por parte de los consumidores, o es la IA empresarial el problema más importante?

El uso ocasional por parte de los consumidores puede acumularse, pero el mayor impacto energético suele manifestarse en las implementaciones empresariales. Los sistemas de asistencia al usuario siempre activos, el procesamiento de documentos, el resumen de llamadas, la revisión de código y los agentes en segundo plano generan una demanda constante en grandes bases de usuarios. El problema no radica tanto en una acción puntual y drástica, sino en un volumen sostenido a lo largo del tiempo.

¿Cuánta energía consume la IA si se incluyen los centros de datos y la refrigeración?

Una vez que se incluye el sistema completo, la respuesta se vuelve más realista y suele ser mayor que las estimaciones basadas únicamente en chips. Los centros de datos necesitan energía no solo para el procesamiento, sino también para la refrigeración, la conectividad, el almacenamiento y el mantenimiento de la capacidad de reserva. Por eso, el diseño de la infraestructura y la eficiencia de las instalaciones son casi tan importantes como el diseño del modelo.

¿Cuál es la forma más práctica de medir el consumo de energía de la IA en un flujo de trabajo real?

El mejor método depende de quién realiza la medición y con qué propósito. Una regla general puede ser útil para comparaciones rápidas, mientras que los medidores de potencia, la telemetría de la GPU, los registros de facturación en la nube y los informes de los centros de datos proporcionan información operativa cada vez más precisa. Para un trabajo serio de sostenibilidad, una visión integral del ciclo de vida es aún más valiosa, aunque más lenta y exigente.

¿Cómo pueden los equipos reducir el consumo de energía de la IA sin renunciar a funciones útiles de la misma?

Las mayores ventajas suelen obtenerse utilizando el modelo más pequeño que aún cumpla su función, acortando las indicaciones y los resultados, almacenando en caché los resultados repetidos, agrupando el trabajo y asignando solo las tareas más complejas a modelos más grandes. La optimización de la infraestructura también es importante, especialmente la planificación y la eficiencia del hardware. En muchos flujos de trabajo, medir primero ayuda a evitar que los equipos optimicen lo incorrecto.

Referencias

  1. Agencia Internacional de Energía (AIE) - Demanda energética de la IA - iea.org

  2. Departamento de Energía de EE. UU. (DOE) - El DOE publica un nuevo informe que evalúa el aumento de la demanda de electricidad en los centros de datos - energy.gov

  3. Google Cloud - Medición del impacto ambiental de la inferencia de IA - cloud.google.com

  4. Google Research - Buenas noticias sobre la huella de carbono del entrenamiento en aprendizaje automático - research.google

  5. Investigación de Google : La huella de carbono del entrenamiento en aprendizaje automático se estabilizará y luego disminuirá - research.google

  6. arXiv - IA verde - arxiv.org

  7. arXiv - Strubell et al. - arxiv.org

  8. arXiv - Cuantización, agrupación y estrategias de servicio en el uso de energía de LLM - arxiv.org

Encuentra la última IA en la tienda oficial de AI Assistant

Sobre nosotros

Volver al blog