Una nueva investigación en física revela una asimetría sorprendente: ejecutar una red neuronal —la parte de 'pensar'— podría teóricamente costar cero energía, pero enseñarle —la parte de 'aprender'— siempre quema unos cuantos cuantos de energía por dato. El hallazgo desafía nuestras suposiciones sobre la eficiencia energética tanto de los cerebros artificiales como de los biológicos.
La investigación
El físico Alexei V. Tkachenko (afiliado al Laboratorio Nacional de Brookhaven y a la Iniciativa para las Ciencias Teóricas, según los metadatos del preprint) publicó un artículo en marzo de 2025 en arXiv, con la última revisión en agosto de 2026. Construyó un modelo matemático de una red neuronal feedforward, el tipo más común en IA, y lo trató como un sistema físico sujeto a las leyes de la termodinámica.
Tkachenko encontró dos límites exactos. Primero, si la red procesa información infinitamente lento (cuasi-estáticamente), el trabajo requerido para la inferencia es exactamente cero, independientemente de la entrada, los pesos o el sesgo. Segundo, a cualquier velocidad finita, el costo energético es al menos la distancia de Wasserstein-2 al cuadrado entre los estados inicial y final dividida por la duración. En términos prácticos, esto significa que el costo energético de la inferencia se establece por la rapidez con que cambias el estado, y a la velocidad más rápida utilizable, es alrededor de k_B T por dimensión de la capa más ancha —eso es una unidad de energía térmica por neurona.
Sorprendentemente, el aprendizaje es diferente. Escribir parámetros en la red incurre en un costo irreducible de unos pocos k_B T por peso y sesgo, y este costo sobrevive incluso en el límite cuasi-estático. En simulaciones, el trabajo de inferencia saturó el límite de transporte dentro del 4%, y la precisión colapsó una vez que el trabajo disipado cayó por debajo de la escala térmica.
Por qué importa
Esta investigación proporciona un límite fundamental a la eficiencia energética de cualquier red física, incluidos los cerebros biológicos. Tu cerebro consume alrededor de 20 vatios, y este estudio sugiere que la mayor parte de esa energía no se usa para el acto de pensar en sí, sino para aprender y mantener la red (aunque este artículo se centra en el aprendizaje). Para la IA, implica que el costo energético de ejecutar una red entrenada (inferencia) puede hacerse arbitrariamente pequeño con ingeniería inteligente, pero entrenar nuevos modelos siempre costará una cierta cantidad por parámetro. Esto podría guiar el diseño de hardware: en lugar de optimizar la aritmética, enfocarse en minimizar la energía de las escrituras en memoria.
Lo que puedes hacer
Para tu propio cerebro, esta investigación resalta que aprender cosas nuevas es fundamentalmente más intensivo en energía que recordar o usar lo que ya sabes. Así que cuando estudias, no te sorprendas si te sientes mentalmente cansado —ese es el costo termodinámico de aprender. Para maximizar la eficiencia, espacia tus sesiones de estudio para darle tiempo a tu cerebro de consolidar, y concéntrate en entender en lugar de memorizar de memoria, lo que podría reducir las actualizaciones redundantes de parámetros.
Fuente: arXiv q-bio.NC
¿Sientes curiosidad por tu propio cerebro? Haz nuestro test de coeficiente intelectual adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.