El duelo entre las «criptos» y la IA que se libra en las tarjetas gráficas

No hay mal que por bien no venga. El descenso de capacidad de cómputo que se requiere para minar todo tipo de criptomonedas (como Bitcoin) puede liberar a muchas GPU (unidades de procesamiento gráfico) que se están utilizando para este fin de realizar estos trabajos para acuñar monedas virtuales.

Algo que, a su vez, puede ayudar a que muchas empresas que quieren usar la Inteligencia Artificial pero no tienen potencia suficiente para hacerlo encuentren en estas GPU liberadas la opción que necesitan.

El tope de 21 millones

El inventor de Bitcoin diseñó desde el principio esta criptomoneda con un tope para limitar la oferta (21 millones). Más allá de las repercusiones que puede tener en su precio (al ganar popularidad con el tiempo pero tener una disponibilidad limitada su precio tiende a subir), esto hace que también disminuya la necesidad de acuñar (o minar) nuevas monedas.

Se calcula que a finales de 2023 existían algo más de 19,5 millones de bitcoins, por lo que apenas quedarían poco más de 1,5 por emitir.

Además, y por cómo está diseñada esta criptomoneda, el número de bitcoins acuñados por bloque se reduce en un 50% después de cada 210.000 bloques, o aproximadamente una vez cada cuatro años.

Aunque es cierto que siempre existirá la necesidad de minar este tipo de moneda virtual (un estudio realizado en junio de 2020 por la empresa de análisis criptográfico Chainalysis estimó que hasta el 20% de los Bitcoin ya emitidos pueden perderse de forma permanente), lo cierto es que la minería de criptomonedas ya no es tan inmensa como hace unos años. Algo que puede liberar las GPU que se usaban para estos menesteres y cuya potencia puede aprovecharse ahora para otras labores, como la inteligencia Artificial. Un salvavidas para aquellas empresas que quieren usar esta tecnología pero que no encuentran estos productos de hardware tan demandadas (nvidia llego a ser la compañía más valorada en bolsa, por encima de las Google, Apple y Microsoft).

GPU descentralizadas

La misma potencia de cálculo descentralizada de la GPU que se utiliza para el renderizado también puede emplearse para la IA.

¿Cuántas GPU son necesarias para usar la inteligencia artificial (IA)? Depende del tipo de tarea y la complejidad del modelo que se esté utilizando. Por ejemplo, para entrenar modelos de aprendizaje profundo, se recomienda utilizar GPUs con una gran cantidad de núcleos CUDA y memoria VRAM. Por ejemplo, una sola GPU con al menos 8GB de VRAM puede ser suficiente para modelos más simples, pero para modelos más complejos, se recomienda 16GB o más.

Mientras, si solo queremos realizar procesos de inferencia (utilizar un modelo entrenado para hacer predicciones y, por tanto, uno de los usos más frecuentes), una sola GPU puede ser suficiente. Sin embargo, si se requiere un alto rendimiento y baja latencia, se pueden utilizar múltiples GPUs.

En cualquier caso, y desde el momento en que se necesitan múltiples GPUs para entrenar modelos complejos y realizar inferencias a gran escala, alquilar potencia de cálculo lejana no es nada nuevo, y muchas empresas globales barajan datos en todo el mundo utilizando servicios de empresas estadounidenses como Google Cloud, Microsoft Azure y Amazon Web Services.

Según datos de Nvidia (quien acapara más del 80% del mercado de esas tarjetas gráficas en todo el mundo) más de 40.000 empresas están utilizado sus GPU para diferentes propósitos, siendo todos los trabajos relacionados con la IA uno de los que más está creciendo en los últimos tiempos.

Alquilar capacidad

En este contexto, están apareciendo empresas que alquilan esta capacidad de cálculo de las GPU que ahora tienen disponibles para que puedan ser usadas para la IA. Además, como provienen del mundo de las criptomonedas y están acostumbradas a usar la tecnología blockchain, los métodos de facturación y pago están diseñados para dar a los participantes un alto grado de anonimato.

Los compradores y vendedores de potencia de cálculo utilizan un «contrato inteligente» en el que las condiciones se establecen en un libro de registro digital de acceso público. Las partes del contrato sólo se identifican por una serie de letras y números y el comprador paga con criptomoneda.

El proceso extiende el anonimato de la criptomoneda al propio contrato, ya que ambos utilizan la tecnología de registro digital conocida como blockchain.

Por eso, han surgido este tipo de plataformas en los dos últimos años para aprovechar la menor actividad en el campo de las criptomonedas, lo que permite que algunos de estas máquinas que antes se utilizaban para minar monedas digitales como el bitcoin hayan quedado liberadas. Estas plataformas tratan de reunir potencia informática dispersa por todo el planeta y alquilarla a desarrolladores de IA.

El servicio de venta de potencia de cálculo dispersa se denomina modelo de GPU descentralizado, en referencia a las unidades de procesamiento gráfico. Las GPU de Nvidia se utilizan ampliamente en aplicaciones de IA y son codiciadas en estas plataformas.

Pequeñas tareas

Las empresas emergentes y los desarrolladores individuales utilizan las plataformas descentralizadas para crear y operar pequeñas aplicaciones de IA que no requieren una gran potencia informática ni respuestas en fracciones de segundo. Sin embargo, las redes descentralizadas no suelen ser capaces de entrenar grandes modelos de IA, como el de ChatGPT. Para ello se necesitan miles de chips que transmitan datos entre sí con rapidez. Y para este tipo de operaciones, los grandes proveedores como Meta, OpenAI, AWS, Microsoft o Google tienen grandes acuerdos con nVidia para evitar quedarse sin estas piezas de hardware necesarias para hacer posible la IA.

Por eso, operadores están construyendo clústeres de procesadores más grandes en un solo lugar, a menudo pensando en las necesidades de clientes específicos.

Aunque es obvio que existe cierta demanda de IA a nivel de consumidor (¿quién no ha jugado alguna vez con chatbots de IA?), la demanda real vendrá de las empresas que buscan experimentar transformaciones de IA. Ahí es donde Nvidia entra en escena, porque estas empresas suelen utilizar los productos de Nvidia para nuevos proyectos relacionados con la IA.

Algunas beneficiadas

Edge Matrix Computing, fundada en 2022, es una de las empresas que buscan construir clústeres de chips más grandes. EMC ha conectado más de 3.000 GPU en su red descentralizada, incluidos chips Nvidia utilizados para el entrenamiento de IA. Los usuarios compran acceso a los chips con tokens de EMC.

Según Fetch.ai, las mayores oportunidades de crecimiento se encuentran en sectores como la logística, el transporte y las redes de energía inteligentes. Como prueba de su creciente enfoque en la industria, Fetch.ai se asoció recientemente con las empresas alemanas Bosch y Deutsche Telekom en una plataforma de IA.

Desde 2017, Bosch se ha asociado con Nvidia en coches autoconducidos impulsados por IA, por lo que ese podría ser solo un ejemplo de un área en la que Fetch.ai recibe un gran impulso. En el pasado, Deutsche Telekom se ha asociado con Nvidia en conceptos de «ciudades inteligentes», por lo que esta podría ser otra área.

Saltarse el embargo en China

Desde que Estados Unidos restringió la venta de chips avanzados a China en 2022, cada vez más clientes chinos acuden a plataformas descentralizadas en busca de potencia de cálculo, según publicaba el Wall Street Journal recientemente.

No en vano, debido a este embargo se supone que la venta de estas unidades no está permitidio en el país asiático, lo que está obligando a los desarrolladores y empresas de ese país a tener que buscar alternativas para poder utilizar estas herramientas.

La opción de contratar estos servicios de GPU descentralizada está viviendo una explosión en China, tanto por demanda como por oferta de ordenadores que se han quedado liberados de potencia al no ser necesario tanta minería de criptomonedas.

Un proveedor de GPU descentralizadas con más de 40.000 chips en su red, conocido como io.net, asegura en su guía de usuario que no impone restricciones a la hora de determinar quién es su cliente. Esto «permite a los usuarios acceder al suministro de GPU y desplegar clusters en menos de 90 segundos», afirma.