OpenAI explica cómo reduce los costes de su IA mientras mejora su rendimiento
La directora financiera de la compañía describe la estrategia técnica y empresarial que permite ofrecer inteligencia artificial más potente y barata: desde chips especializados hasta mejoras en los modelos y el diseño de productos.
OpenAI mejora simultáneamente cuatro áreas: chips especializados en IA, infraestructura de cómputo (centros de datos y servidores), eficiencia de los modelos mediante técnicas como destilación (entrenar versiones pequeñas que imitan a las grandes) y diseño de productos más intuitivos. Cada avance amplifica a los demás, reduciendo costes mientras aumenta el rendimiento y la escala de acceso.
Sarah Friar, directora financiera de OpenAI, ha explicado públicamente cómo la compañía consigue hacer que sus sistemas de inteligencia artificial sean cada vez más útiles y baratos al mismo tiempo. Según Friar, la clave está en mejorar simultáneamente cuatro capas tecnológicas: los chips que ejecutan los cálculos, la infraestructura de computación (los centros de datos y servidores donde se entrenan y ejecutan los modelos), los propios modelos de IA, y el diseño de los productos que llegan al usuario final. Cada avance en una de estas capas amplifica el efecto de las demás, generando lo que la empresa llama «inteligencia abundante» — IA accesible a escala masiva.
En la capa de hardware, OpenAI trabaja con fabricantes de chips especializados en IA, como Nvidia, para optimizar el rendimiento de sus GPUs (procesadores gráficos diseñados originalmente para videojuegos, pero que resultan ideales para entrenar modelos de aprendizaje automático). Paralelamente, mejora cómo distribuye y gestiona la carga de trabajo en sus centros de datos, lo que reduce tiempos de espuesta y costes operativos. Estos avances permiten entrenar modelos más grandes sin disparar los gastos de electricidad o tiempo de procesamiento.
A nivel de modelos, la compañía aplica técnicas para hacer que los sistemas sean más eficientes sin perder calidad: por ejemplo, mediante destilación (entrenar modelos pequeños que imitan el comportamiento de otros más grandes) o ajustes finos (fine-tuning, adaptar un modelo general a tareas específicas con pocos datos adicionales). Esto permite ofrecer respuestas rápidas y precisas incluso en dispositivos con menos potencia, o reducir el coste por consulta cuando millones de personas usan ChatGPT al mismo tiempo.
Finalmente, Friar destaca que el diseño de producto también importa: interfaces más claras, mejores herramientas para desarrolladores y funciones que anticipan lo que el usuario necesita reducen el número de interacciones necesarias para completar una tarea, lo que a su vez ahorra cómputo. Según la ejecutiva, esta combinación de mejoras técnicas y estratégicas es lo que permite a OpenAI bajar precios mientras expande el uso de sus modelos en empresas, educación y aplicaciones personales, acercándose al objetivo de que la IA avanzada esté al alcance de cualquiera.
