Si alguna vegada t'has preguntat com és que una màquina pot reconèixer la teva cara o entendre què dius, la resposta està en la fascinació pel cervell humà. Aquestes estructures biològiques, compostes per neurones interconnectades que transmeten senyals elèctrics, han servit de pla per crear el que avui coneixem com a xarxes neuronals artificials, que bàsicament són algorismes dissenyats per resoldre trencaclosques matemàtics complexos.
Al món actual, ens hem acostumat que la intel·ligència artificial sigui sinònim de superordinadors i un consum elèctric brutal. Tot i això, està sorgint un corrent molt interessant que busca optimitzar l'eficiència energèticaqüestionant si realment necessitem processar milions de multiplicacions per obtenir una resposta senzilla, imitant així la sobrietat energètica del nostre propi cervell.
L'arquitectura clàssica: del perceptró al Deep Learning
Per entendre on anem, cal saber d'on venim. Una xarxa neuronal bàsica normalment s'organitza en tres nivells. Tot comença a la capa d'entrada, que és on el sistema rep les dades de l'exterior, les analitza i les mana cap endavant. Després vénen les capes ocultes, que poden ser una sola o desenes d'elles; aquí és on passa el processament real, refinant la informació a cada etapa.
Finalment, arribem a la capa de sortida, que ens dóna el veredicte final. Depenent del que busquem, potser tinguem un sol node per a una resposta de si o no (classificació binària), o diversos nodes si el problema és més complex i requereix triar entre múltiples categories.
Quan parlem de aprenentatge profund o Deep Learning, ens referim a xarxes amb moltíssimes capes ocultes i milions de connexions. En aquest model, la relació entre neurones es defineix per un valor numèric anomenat pes. El problema és que aquestes xarxes són unes tragones de dades i energia, i requereixen milions d'exemples per no equivocar-se.
El cor de l'entrenament: Forward i Backpropagation
Perquè una xarxa aprengui, primer heu d'intentar endevinar. El procés de Propagació cap endavant és bàsicament un viatge d'esquerra a dreta: les dades entren, es multipliquen pels pesos, se'ls suma un ajustament anomenat bias i passen per una funció d'activació (com la Sigmoide o la ReLu) per decidir si la neurona es «dispara» o no.
Però com que al principi la xarxa no en sap res, fallarà estrepitosament. Aquí entra en joc la Retropropagació, que és on passa la màgia. L'algorisme viatja ara de dreta a esquerra i calcula l'error entre el resultat obtingut i el real. Usant derivades matemàtiques, la xarxa ajusta els pesos per minimitzar aquest error a la següent iterada.
Un detall clau en aquest procés és la taxa d'aprenentatge o learning rate. Si és molt alta, la xarxa aprèn ràpid però és imprecisa; si és molt baixa, el procés es torna etern. L'objectiu final és assolir el mínim global de la funció de cost i aconseguir que la xarxa sigui capaç de generalitzar la informació correctament.
La revolució de les xarxes neuronals sense pesos
Aquí és on la cosa es posa emocionant. La professora Lizy K. John i el seu equip estan trencant el motlle en proposar xarxes neuronals sense pesos. Mentre que la IA convencional es basa a fer milers de milions de multiplicacions (una operació molt costosa per al maquinari), aquest enfocament utilitza taules de cerca interconnectades.
En comptes de calcular una operació aritmètica complexa, la xarxa només consulta una resposta emmagatzemada basada en entrades binàries. És un sistema molt més semblant a com raonem els humans: no multipliquem números al nostre cap per decidir si caminar cap a l'esquerra o la dreta, sinó que processem senyals d'activació.
Els resultats són senzillament brutals. En tasques com el monitoratge mèdic (ECG o EEG) o el reconeixement de paraules clau, aquestes xarxes poden ser mil vegades més petites i eficients. Imagina passar d'un model de 17 megabytes a un de només 14 kilobytes. Això permet que la IA visqui directament al sensor mitjançant el Informàtica de vores sense necessitat d'enviar dades al núvol, el que a més és un puntàs a favor de la privadesa de l'usuari.
Cap a una IA sostenible i lleugera
No tot és eliminar els pesos; també existeix la tendència de les xarxes neuronals lleugeres. Aquestes es dissenyen per consumir la mínima energia i memòria possible, utilitzant tècniques com el sparse training o el podat (pruning), que consisteix a eliminar les connexions que no aporten res al resultat final.
Aquest enfocament és vital en sectors com la gestió energètica dedificis o la refrigeració de centres de dades, on optimitzar el consum pot suposar estalvis energètics de fins al 30%. La meta és clara: que la IA no sigui un problema climàtic, sinó part de la solució, permetent que dispositius de baix cost, com microcontroladors ARM Cortex, executin tasques intel·ligents en temps real.
Des dels transformadors que alimenten els chatbots moderns fins a les xarxes convolucionals (CNN) especialitzades en imatges, el camí cap a l'eficiència passa per reduir la complexitat computacional. El salt del perceptró clàssic a la IA generativa ha estat massiu en dades i potència, però la veritable avantguarda ara busca fer-ne més amb molt menys.
La transició des de les arquitectures denses carregades de multiplicacions cap a sistemes basats en cerques binàries i models podats permet que la intel·ligència artificial sigui viable en dispositius diminuts. En integrar conceptes d'eficiència energètica i simplificació matemàtica, s'està aconseguint que el processament de dades sigui dràsticament més ràpid i sostenible, obrint la porta a una computació local i privada que ja no depengui de GPU mastodòntiques per funcionar correctament.
