¿Sabes lo que pasa? Puedes tener una receta estupenda y los mejores ingredientes del mundo, pero si pretendes cocinar miles de platos con un solo fogón vas a tardar una eternidad. A la inteligencia artificial le ocurrió algo parecido.
Los algoritmos de redes neuronales existían desde hacía décadas y cada vez había más datos disponibles. Faltaba un tercer ingrediente: máquinas capaces de realizar cantidades gigantescas de operaciones en un tiempo razonable.
CPU y GPU: una cocina con muchos ayudantes
La CPU es el procesador general del ordenador. Es como un jefe de cocina muy versátil: puede encargarse de tareas diferentes y tomar decisiones complejas una detrás de otra.
La GPU nació para dibujar gráficos de videojuegos. Para crear una imagen tiene que repetir cálculos similares sobre muchísimos puntos al mismo tiempo. Esa capacidad de trabajar en paralelo resultó perfecta para las matemáticas de las redes neuronales.
No significa que una GPU «piense mejor». Significa que puede repartir una tarea enorme entre muchos pequeños trabajadores y terminarla mucho antes.
2012: los videojuegos ayudan a cambiar la IA
En 2012, la red neuronal AlexNet obtuvo un resultado decisivo en una conocida competición de reconocimiento de imágenes utilizando GPU. No fue la única causa de la revolución del aprendizaje profundo, pero sí una demostración muy visible de que la combinación de mejores algoritmos, grandes conjuntos de datos y computación acelerada funcionaba.
Después llegaron procesadores diseñados específicamente para inteligencia artificial, como las TPU, y centros de datos con miles de equipos conectados. La nube permitió alquilar esa potencia por horas sin tener el superordenador debajo de la mesa.
Entrenar no es lo mismo que usar
- Entrenamiento: el modelo analiza ejemplos, ajusta sus parámetros y aprende patrones. Puede exigir muchísima computación.
- Inferencia: el modelo ya entrenado responde a una petición, reconoce una imagen o genera un texto.
Cuando escribes una pregunta en un chatbot no estás entrenándolo desde cero. Estás utilizando un modelo que ya pasó por un proceso de entrenamiento enorme, aunque atender millones de consultas también requiere infraestructura.
La nube no está flotando en el cielo
«La nube» son ordenadores físicos instalados en centros de datos. Necesitan electricidad para calcular y también sistemas de refrigeración para evacuar el calor.
La Agencia Internacional de la Energía informó en 2026 de que la demanda eléctrica de los centros de datos aumentó un 17 % durante 2025. También prevé que su consumo pueda duplicarse para 2030 y que el de los centros especialmente orientados a IA pueda triplicarse. Al mismo tiempo, cada tarea se vuelve más eficiente; el reto es que usamos muchas más tareas y modelos.
La IA parece instantánea en tu pantalla, pero detrás hay chips, redes, electricidad, refrigeración, personas y dinero.
Una prueba para entender el cálculo paralelo
Imagina que tienes que colorear un mosaico de mil casillas:
- Una persona muy hábil colorea las casillas una a una.
- Cien personas colorean diez casillas cada una siguiendo la misma regla.
La segunda opción se parece al trabajo paralelo de una GPU. Para algunas tareas es extraordinariamente rápida; para otras, coordinar a todos esos trabajadores no compensa.
Qué debes recordar
- La IA moderna despegó al combinar algoritmos, datos y potencia de cálculo.
- Las GPU aceleran operaciones similares realizadas en paralelo.
- La nube permite acceder a grandes equipos remotos, pero sigue siendo infraestructura física.
- La computación tiene costes económicos y energéticos que también forman parte de la conversación.
Fuentes y revisión
Entrada reconstruida a partir del capítulo 9 de @palmercanarias.ia, ampliada y revisada el 19 de agosto de 2026.
- NVIDIA: cronología de la GPU, CUDA y AlexNet. Es una fuente del fabricante y se utiliza aquí para documentar su propia historia.
- Agencia Internacional de la Energía: evolución del consumo eléctrico de los centros de datos, 16 de abril de 2026.
Cuéntanos tu experiencia