La Inteligencia Artificial está demandando nuevo hardware más potente y específicamente diseñado para las cargas de trabajo y cálculos diferentes a las actuales, como son predicción, inferencia o intuición.
Para IBM, si vamos a hacer grandes avances en IA, nuestro hardware también debe cambiar. Comenzando con GPU, luego evolucionando a dispositivos analógicos, y después a computadoras cuánticas tolerantes a fallas.
El Deep Learningdistribuido (DDL) ha progresado a un ritmo de aproximadamente 2.5 veces por año desde 2009, cuando las GPU pasaron de aceleradores gráficos de videojuegos a formadores modelo de aprendizaje profundo. Los algoritmos DDL se «entrenan» en los datos visuales y de audio, y la mayor cantidad de GPU debería significar un aprendizaje más rápido.
Hasta la fecha, la eficiencia de escala del 95 por ciento del establecimiento récord de IBM (es decir, una capacitación mejorada a medida que se agregan más GPU) puede reconocer el 33.8 por ciento de 7,5 millones de imágenes, usando 256 GPU en 64 sistemas de energía «Minsky».
¿Qué hardware necesitamos desarrollar para continuar este ritmo de progreso e ir más allá de la Inteligencia Artificial?
En IBM Research creen que esta transición de las GPU ocurrirá en tres etapas. Primero, utilizarán GPU y crearán nuevos aceleradores con CMOS convencional a corto plazo para continuar; segundo, buscarán formas de explotar dispositivos analógicos y de baja precisión para reducir aún más la potencia y mejorar el rendimiento; y luego cuando ingresemos en la era de la computación cuántica, ésta potencialmente ofrecerá enfoques completamente nuevos.
Los aceleradores en CMOS aún tienen mucho que lograr porque los modelos de aprendizaje automático pueden tolerar cálculos imprecisos. Es precisamente porque «aprenden» que estos modelos pueden funcionar a través de errores (errores que nunca toleraremos en una transacción bancaria). En 2015, Suyong Gupta, et al. han demostrado en su documento ICML Aprendizaje profundo con precisión numérica limitada que, de hecho, los modelos de precisión reducida tienen una precisión equivalente al estándar actual de 64 bits, pero usan tan solo 14 bits de precisión de coma flotante.
Vemos esta precisión reducida, una tendencia de computación más rápida que contribuye a la mejora de 2.5X por año, al menos hasta el año 2022.
Eso nos da unos cinco años para ir más allá del cuello de botella de von Neumann y para los dispositivos analógicos. Mover datos hacia y desde la memoria ralentiza la capacitación de la red de aprendizaje profundo. Entonces, encontrar dispositivos analógicos que puedan combinar memoria y computación será importante para el progreso de la computación neuromórfica .
Computación neuromórfica que imita las células cerebrales
Su arquitectura de «neuronas» interconectadas reemplaza el cuello de botella de von-Neumann con señales de baja potencia que van directamente entre las neuronas para una computación más eficiente. El Laboratorio de Investigación de la Fuerza Aérea de los EE. UU. está probando una matriz de 64 chips del sistema IBM TrueNorth Neurosynaptic diseñado para la inferencia profunda de redes neuronales y el descubrimiento de información. El sistema usa CMOS digital estándar pero solo consume 10 vatios de energía para alimentar sus 64 millones de neuronas y 16 mil millones de sinapsis.
Recientemente, científicos de IBM demostraron la computación en memoria con 1 millón de dispositivos para aplicaciones en IA, publicando sus resultados, detección de correlación temporal usando memoria de cambio de fase computacional, en Nature Communications, y también presentándola en la sesión IEDM Recuperación de detección comprimida usando memoria computacional.
Nuestro objetivo es construir una sociedad centrada en el progreso socioeconómico. Creemos que la tecnología y la conectividad pueden ayudar a mejorar la vida de millones de personas y empresas. Tenemos el compromiso de hacerlo reduciendo nuestro impacto ambiental y construyendo una sociedad digital inclusiva que respeta nuestro planeta.
Imaginemos una pyme que utiliza diferentes herramientas para proteger su actividad diaria: un antivirus en los equipos, un firewall en la red, copias de seguridad, aplicaciones en la nube y un sistema de correo corporativo. Un día, el antivirus detecta un archivo sospechoso en el ordenador de un empleado. Poco después, se produce un inicio de sesión desde una ubicación poco habitual y, casi al mismo tiempo, se registra una descarga masiva de documentos desde una carpeta compartida.
Por separado, cada señal puede parecer poco relevante: un archivo bloqueado, un acceso permitido o una descarga autorizada. Sin embargo, vistas en conjunto, estas alertas pueden indicar que una cuenta ha sido comprometida y que alguien está intentando acceder a información sensible. Ahí es donde un SIEM (Security Information and Event Management) aporta valor, ya que conecta señales dispersas y ayuda a entender si hay una amenaza real detrás de varios eventos aislados.
La velocidad es un factor decisivo en la ciberseguridad actual. Las empresas operan en un entorno donde las amenazas no solo evolucionan. Por este motivo, la capacidad para responder a los ciberataques con agilidad es fundamental para que el impacto sea el mínimo posible. Aquí es donde el Mean Time to Respond (MTTR), o Tiempo Medio de Respuesta, cobra un papel protagonista como indicador clave para conectar directamente la estrategia de ciberseguridad con la continuidad del negocio.
Si aún no has empezado a utilizar la IA en tu empresa, debes saber que esta tecnología ya no es exclusiva de las grandes corporaciones o departamentos especializados. Cada vez más organizaciones la están incorporando en procesos cotidianos para mejorar la productividad, automatizar tareas repetitivas, analizar información y tomar decisiones con mayor agilidad.
Sin embargo, muchas organizaciones aún observan esta revolución desde la distancia, creyendo que no está a su alcance. Algunas consideran que el proceso de adopción es complejo, mientras que otras creen que requiere grandes inversiones o equipos técnicos altamente especializados. La realidad es que existen formas progresivas y accesibles de empezar, incluso con proyectos piloto de alcance limitado.
En este artículo, te mostraremos de manera clara y sin tecnicismos cómo puedes estructurar el uso de la IA en tu organización para optimizar costes, liberar tiempo de tus equipos y mantener la competitividad en un entorno cada vez más digitalizado.
Gestionar flotas de cientos o miles de líneas móviles supone un reto logístico, operativo y financiero para muchas grandes empresas. Para el director de TI y para el departamento financiero, pocas cosas son tan incómodas como detectar sobrecostes imprevistos por exceso de consumo de datos en la factura mensual de telecomunicaciones.
El problema es que controlar ese gasto no siempre ha sido fácil. Durante años, muchas organizaciones han recurrido a soluciones instaladas en el propio dispositivo, como aplicaciones de monitorización, perfiles MDM o agentes locales. Este modelo puede aportar visibilidad, pero también introduce fricción, ya que exige intervenir en el terminal, gestionar permisos, resolver incidencias técnicas y abordar dudas legítimas sobre la privacidad del empleado. La pregunta, por tanto, es inevitable: ¿es posible controlar el consumo de datos de una flota móvil corporativa sin instalar nada en el teléfono del empleado?
En este sentido, la tecnología agentless o sin agentes locales, ofrece una alternativa más eficiente para controlar el consumo de datos de una flota móvil corporativa sin necesidad de instalar software en cada smartphone o tablet. El objetivo ya no es supervisar el dispositivo, sino gestionar el tráfico corporativo de forma centralizada, con menos complejidad operativa y mayor capacidad de ampliación.
El verano vuelve a poner a prueba la capacidad de las empresas para combinar flexibilidad, productividad y continuidad operativa. Cada vez más profesionales buscan teletrabajar temporalmente desde una segunda residencia o un destino vacacional sin descuidar sus responsabilidades laborales. Esta práctica, conocida como workation, no debe entenderse como unas vacaciones encubiertas, sino como una fórmula de organización flexible que puede mejorar el bienestar del equipo sin comprometer los objetivos empresariales.
La transformación digital española está viviendo una aparente paradoja. Durante años, nuestro país avanzó más lentamente que otros mercados europeos en la adopción de servicios básicos de computación en la nube. Sin embargo, cuando las organizaciones españolas decidieron apostar por esta tecnología, lo hicieron con una orientación claramente estratégica. Así lo refleja el informe Cloud Nation 2026 que refleja precisamente este fenómeno. Aunque España continúa mostrando una adopción desigual en algunos servicios Cloud básicos, las empresas que han dado el salto destacan por un uso avanzado de la nube superior a la media de la Unión Europea. Especialmente relevante es su liderazgo en soluciones empresariales de alto valor como ERP, CRM, capacidad de cómputo, plataformas de desarrollo y entornos vinculados a Inteligencia Artificial y Edge Computing.
Este dato confirma que la nube ya no es simplemente una herramienta tecnológica, sino que se ha convertido en una infraestructura estratégica sobre la que se construyen los nuevos modelos de negocio.
Pero este éxito plantea un desafío que muchas organizaciones todavía subestiman. Cuanto más sofisticado es el ecosistema Cloud de una empresa, mayor es su dependencia de una conectividad robusta, resiliente y segura. Y es precisamente ahí donde se decidirá buena parte del liderazgo digital de la próxima década, en la capacidad de sostener servicios cloud cada vez más críticos para el negocio.
