Los modelos de IA pequeños conquistan el mundo real

¿Qué ha ocurrido?

En 2019, Adebayo Alonge, fundador de una startup nigeriana, se encontraba en un hotel de Ciudad del Cabo listo para demostrar RxScanner, un dispositivo portátil que utiliza espectroscopia infrarroja y un modelo de IA en la nube para detectar medicamentos falsificados. Este problema es crítico en África, donde la Organización Mundial de la Salud estima que uno de cada diez productos médicos en países en desarrollo es falsificado o de mala calidad, causando miles de muertes anuales. Sin embargo, durante la demostración, la falta de conectividad a internet dejó el dispositivo inoperativo. En solo dos horas, su equipo logró comprimir el modelo de IA para que funcionara completamente en un teléfono Android sin conexión. Ese incidente dio origen a una versión offline del producto que hoy se utiliza en más de una docena de países, incluyendo Ghana, Kenia, Myanmar y Nigeria. Este caso, reportado por IEEE Spectrum y difundido por Slashdot, ilustra el auge de la inteligencia artificial pequeña (small AI), modelos optimizados para ejecutarse en dispositivos de bajo consumo sin depender de la nube.

Otros ejemplos destacados incluyen el trabajo de Bala Murugan y su equipo en el Vellore Institute of Technology (India), que desarrollaron un dron capaz de fotografiar plantas de anacardo y detectar manchas indicadoras de enfermedades procesando las imágenes localmente, sin necesidad de computadoras externas ni conexión a internet. En Uruguay, se han implementado sistemas similares para identificar infestaciones de hormigas en viñedos. En Brasil, investigadores han utilizado small AI para realizar electrocardiogramas desde un dispositivo Arduino, llevando diagnósticos cardíacos a zonas sin acceso a equipos médicos complejos. Marcelo Jose Rovai creó un modelo TinyML que, funcionando con solo 3 vatios de potencia, detecta charcos de agua donde los mosquitos podrían reproducirse, ayudando a prevenir enfermedades como la malaria. Estas aplicaciones demuestran que la IA no requiere necesariamente grandes centros de datos; puede ser local, eficiente y accesible.

¿Por qué es importante?

El movimiento hacia la small AI representa un cambio de paradigma frente a la tendencia dominante de modelos masivos como GPT-4 o Gemini, que requieren centros de datos multimillonarios y consumen enormes cantidades de energía. Según un estudio de la Universidad de Massachusetts Amherst, entrenar un solo modelo grande puede emitir tanto CO2 como cinco automóviles a lo largo de su vida útil. En contraste, la small AI ofrece ventajas clave en accesibilidad y resiliencia. Al ejecutarse localmente, elimina la dependencia de internet, lo que la hace ideal para regiones con infraestructura limitada, como zonas rurales de África, Asia o América Latina. También reduce la latencia, mejora la privacidad al procesar datos en el dispositivo y disminuye costos operativos al evitar tarifas de suscripción a servicios en la nube.

Además, la small AI fomenta la innovación local. Los desarrolladores pueden crear soluciones adaptadas a problemas específicos sin requerir grandes inversiones en hardware o conectividad. Esto es particularmente relevante en sectores como la agricultura de precisión, donde los agricultores necesitan herramientas asequibles para detectar enfermedades en cultivos, o la salud pública, donde la detección temprana de enfermedades como la malaria puede salvar vidas. La capacidad de funcionar con baterías y paneles solares amplía aún más su alcance en entornos remotos.

¿Qué consecuencias tendrá?

La adopción de small AI podría acelerar la digitalización en economías emergentes, donde la infraestructura de telecomunicaciones es limitada. Según la Unión Internacional de Telecomunicaciones, el 37% de la población mundial aún no usa internet, y en África subsahariana la cifra supera el 60%. La small AI permite que comunidades sin acceso a la nube se beneficien de la inteligencia artificial. Sectores como la agricultura, la salud y la monitorización ambiental serán los primeros en transformarse. Por ejemplo, los drones con IA local pueden ayudar a los agricultores a optimizar el uso de pesticidas y fertilizantes, reduciendo costos y daños ambientales. En salud, dispositivos como el RxScanner pueden verificar la autenticidad de medicamentos en farmacias rurales, combatiendo un problema que la OMS estima afecta al 10% de los productos en países en desarrollo.

A largo plazo, esta tendencia podría descentralizar la inteligencia artificial, reduciendo la dependencia de unos pocos gigantes tecnológicos que controlan los grandes modelos (como OpenAI, Google o Microsoft). La small AI fomenta un ecosistema más diverso, donde startups y desarrolladores locales pueden competir con soluciones especializadas. Sin embargo, existen desafíos. Los modelos pequeños suelen estar limitados en capacidad de generalización y requieren conjuntos de datos muy específicos para ser efectivos. Además, el mantenimiento y la actualización de estos modelos distribuidos puede ser complejo, especialmente si los dispositivos no tienen conectividad. A pesar de ello, los avances en compresión de modelos (como cuantización y poda), hardware de bajo consumo (como microcontroladores y FPGAs) y técnicas de aprendizaje federado están mejorando rápidamente el equilibrio entre rendimiento y eficiencia.

¿Qué deben saber los lectores?

Los lectores deben comprender que la IA no es solo cuestión de grandes modelos en la nube. La small AI ya está salvando vidas, protegiendo cultivos y mejorando diagnósticos médicos en entornos con recursos limitados. Para empresas y desarrolladores, esta tendencia abre oportunidades para crear productos más accesibles y sostenibles. Además, es un recordatorio de que la innovación tecnológica no siempre requiere lo último en hardware; a veces, la solución más efectiva es la más simple y local. La small AI también plantea preguntas sobre la privacidad y la seguridad: al procesar datos localmente, se reduce el riesgo de filtraciones, pero la actualización de modelos en dispositivos sin conexión sigue siendo un reto. En cualquier caso, el futuro de la IA no está solo en los grandes centros de datos, sino también en los pequeños dispositivos que llevamos en el bolsillo o que vuelan sobre los campos de cultivo.

"El futuro de la IA no está solo en los grandes centros de datos, sino también en los pequeños dispositivos que llevamos en el bolsillo o que vuelan sobre los campos de cultivo."