Ondas de radio para hacer inteligencia artificial: la revolución energética que puede cambiar la computación frontera

Un nuevo sistema permite ejecutar modelos de inteligencia artificial directamente con señales de radio, sin chips potentes ni alto consumo energético. El avance abre la puerta a una IA distribuida, eficiente y sin hardware pesado en dispositivos periféricos.

Por Enrique Coperías, periodista científico

Una cámara, un dron y sensores urbanos reciben y procesan inteligencia artificial a través de ondas de radio emitidas por una estación central. La imagen ilustra el sistema WISE, una nueva arquitectura que permite ejecutar modelos de IA en dispositivos periféricos con un consumo energético mínimo, sin necesidad de chips potentes ni de almacenar localmente los modelos. Crédito: IA-DALL-E-©Rexmolón Producciones

Las ondas de radio, invisibles y omnipresentes, llevan décadas transportando llamadas telefónicas, datos móviles o señales de wifi. Ahora, un equipo internacional de ingenieros propone que también sirvan para algo más ambicioso: hacer cálculos de inteligencia artificial (IA) directamente en el aire, sin necesidad de chips potentes ni de grandes consumos energéticos.

El resultado es un sistema que permite ejecutar algoritmos de aprendizaje automático en dispositivos pequeños —cámaras, sensores, drones— con un gasto energético ínfimo y sin almacenar localmente los modelos de IA.

El trabajo, publicado en la revista Science Advances, está dirigido por Tingjun Chen, profesor de Ingeniería Eléctrica e Informática de Nortel Networks, junto con el equipo de Dirk Englund, del Laboratorio de Investigación Electrónica (RLE) del MIT. Y describe una arquitectura que han bautizado WISE (Wireless Intelligent Smart Edge).

El cuello de botella energético de la IA

La inteligencia artificial moderna es voraz. Los modelos que reconocen imágenes, entienden el habla o traducen idiomas requieren millones —a veces miles de millones— de operaciones matemáticas. En los grandes centros de datos, esa carga se reparte entre las unidades de procesamiento gráfico (GPU) y aceleradores especializados. Pero llevar ese mismo tipo de inteligencia a dispositivos frontera —aparatos que procesan datos cerca de donde se generan, en lugar de enviarlos a la nube o a un centro de datos— plantea un problema fundamental: la energía.

En móviles, cámaras de vigilancia o sensores del internet de las cosas (IoT), el mayor gasto no siempre es el cálculo en sí, sino mover los datos entre la memoria y el procesador. Cada acceso a memoria cuesta energía. Y cuando el modelo de IA es grande, ese coste se dispara. A esto se suma otro inconveniente: descargar modelos desde la nube consume ancho de banda y plantea dudas sobre la privacidad.

Los autores del estudio parten de una constatación incómoda: incluso los chips más avanzados están muy lejos del límite físico teórico de eficiencia energética, definido por el principio de Landauer. Para acercarse a ese límite, Chen y Englund sostienen que no basta con mejorar el hardware digital. Hay que cambiar el paradigma de cómputo.

Calcular con la física: computación en radiofrecuencia

WISE se inscribe en una corriente emergente conocida como in-physics computing: la idea de aprovechar directamente fenómenos físicos —ondas, interferencias, corrientes analógicas— para realizar operaciones matemáticas. En lugar de traducir todo a ceros y unos, el propio comportamiento de las señales hace parte del trabajo.

En este caso, los investigadores usan un componente extremadamente común en electrónica de radiofrecuencia: el mezclador. Este dispositivo, presente en casi cualquier receptor inalámbrico, multiplica dos señales cuando las combina. Esa multiplicación, que en un ordenador digital requeriría transistores y energía, ocurre aquí de forma natural, como consecuencia de la física del circuito.

La clave está en darse cuenta de que las operaciones fundamentales de muchos modelos de IA —las multiplicaciones entre matrices y vectores— pueden implementarse como combinaciones de ondas de radio. Si los datos de entrada y los pesos del modelo se codifican adecuadamente en frecuencias y fases, la propia mezcla de las señales produce el resultado del cálculo.

WISE, un modelo de IA que viaja por el aire

La arquitectura WISE separa —o desagrega— el modelo de inteligencia artificial del dispositivo frontera que lo usa. En lugar de almacenar el modelo en cada sensor o dron, una radio central emite continuamente los pesos del modelo como una señal inalámbrica. Todos los dispositivos cercanos pueden escuchar esa emisión y usarla para inferir resultados sobre sus datos locales.

Cada cliente envía sus datos de entrada a un mezclador pasivo, donde se combinan con la señal recibida del modelo de IA. El resultado es otra señal de radio que contiene el producto matemático necesario para la inferencia. Tras un muestreo mínimo y un procesamiento digital ligero, el dispositivo obtiene la predicción final.

El sistema recuerda más a una retransmisión de radio que a una descarga de software. Un único envío sirve para múltiples dispositivos al mismo tiempo, lo que reduce drásticamente el consumo energético y el uso del espectro.

Resultados: eficiencia energética frente a las GPU

Los experimentos realizados con radios definidas por software muestran cifras que, en el contexto actual de la IA, resultan llamativas. En tareas de clasificación de imágenes manuscritas (el clásico conjunto MNIST), WISE alcanza una precisión cercana al 96% con un consumo de solo 6 femtojulios por operación. En clasificación de audio, la eficiencia energética mejora aún más, hasta 2,8 femtojulios por operación, con precisiones superiores al 97%.

Para ponerlo en contexto: una GPU de última generación, como la NVIDIA H100, consume del orden de 70 femtojulios por operación equivalente. Es decir, más de diez veces más energía para el mismo tipo de cálculo de IA. Y eso sin contar la energía adicional asociada a mover datos dentro del chip.

Los investigadores demuestran además que, a medida que el tamaño del problema crece —algo habitual en modelos de aprendizaje profundo—, la eficiencia energética del sistema mejora aún más, acercándose teóricamente a límites físicos fundamentales.

Pruebas realizadas en el laboratorio de Tingjun Chen muestran un modelo de IA capaz de identificar miles de imágenes transmitidas de forma inalámbrica con gran precisión y en tiempo casi instantáneo, gracias al uso de ondas de radio para ejecutar los cálculos directamente en dispositivos periféricos. Cortesía: Universidad Duke

IA sin hardware pesado ni chips especializados

Uno de los puntos fuertes del enfoque es su pragmatismo tecnológico. A diferencia de otras propuestas de computación analógica basadas en fotónica, metamateriales o memorias experimentales, WISE se apoya en componentes electrónicos ya existentes y ampliamente utilizados en telecomunicaciones.

El corazón del sistema es un mezclador pasivo estándar, acompañado de conversores analógico-digitales modestos y algo de procesamiento digital convencional. Esto reduce las barreras para una posible adopción industrial y evita la necesidad de fabricar chips nuevos desde cero.

Según los autores, bastarían modificaciones relativamente pequeñas para integrar este tipo de computación en radiofrecuencia en futuros dispositivos inalámbricos.

Más allá de los dígitos escritos

Aunque las demostraciones se centran en tareas relativamente simples —reconocer números escritos o números hablados—, el alcance potencial es mayor. Las multiplicaciones de matrices son el núcleo de redes neuronales profundas, modelos convolucionales y transformadores, la arquitectura detrás de los grandes modelos de lenguaje.

El sistema también se adapta bien a escenarios con muchos dispositivos: sensores distribuidos, enjambres de drones o redes de cámaras inteligentes. Una sola transmisión inalámbrica del modelo puede alimentar a todos ellos, cada uno procesando sus datos en tiempo real.

Además, el enfoque introduce un beneficio colateral en términos de privacidad de datos. Al no enviar los datos crudos a la nube y al estar el modelo separado físicamente del dispositivo, se reduce el riesgo de filtraciones de información sensible.

Un cambio de paradigma en la computación

WISE no pretende sustituir a los centros de datos ni a la computación digital tradicional. Su propuesta es otra: replantear la inteligencia artificial en la frontera y cómo se ejecuta. En lugar de miniaturizar sin fin la arquitectura clásica, los autores sugieren aprovechar las propiedades físicas del medio inalámbrico que ya usamos para comunicarnos.

🗣️ «La tecnología avanza hacia dispositivos más pequeños que pueden hacer más que nunca —afirma Zhihui Gao, estudiante de doctorado en el laboratorio de Chen y autor principal del artículo—. Y añade—: Para lograrlo, necesitamos nuevas mejoras en la computación periférica. Con WISE, hemos demostrado cómo los dispositivos pueden funcionar con una potente IA sin depender de chips pesados o servidores lejanos».

Gao señaló que otra ventaja de WISE es su capacidad para utilizar la infraestructura existente. Las estaciones base ya instaladas para 5G, el emergente 6G o los routers wifi podrían ampliarse para transmitir estos modelos de IA con ajustes relativamente pequeños. Además, los dispositivos inalámbricos cotidianos ya contienen el hardware necesario para realizar los cálculos físicos, como los mezcladores de frecuencia.

Es una idea que recuerda a los orígenes de la electrónica analógica, pero aplicada a uno de los desafíos tecnológicos más complejos del presente. En un contexto de creciente preocupación por el consumo energético de la inteligencia artificial, soluciones como esta apuntan a que la eficiencia no vendrá solo de chips más rápidos, sino de pensar la computación de otra manera.

«No estamos añadiendo componentes exóticos ni creando hardware completamente nuevo—concluye Gao—. Estamos reutilizando características que están ampliamente implementadas y que no consumen energía adicional».

Quizá, en el futuro, parte de la inteligencia artificial que hoy atribuimos a máquinas en la nube esté flotando, literalmente, en el aire.▪️

• Información facilitada por la Universidad Duke

• Fuente: Zhihui Gao et al. Disaggregated machine learning via in-physics computing at radio frequency. Science Advances (2026). DOI: 10.1126/sciadv.adz0817