# IA verde para investigadores

> Guía para investigadores sobre métodos de IA eficientes, medición y comunicación de la energía en artículos, presupuestos de cálculo, financiación y matemáticas.

Source: https://greenai.guide/es/guias/ia-verde-para-investigadores/  
Updated: 2026-11-19

## En resumen

Los investigadores pueden hacer más verde la IA de dos maneras: desarrollando métodos que requieran menos cálculo y midiendo y comunicando la energía que consume su propio trabajo. La poda, la cuantización, la destilación, unos métodos numéricos mejores y los modelos híbridos de física y aprendizaje automático reducen el coste de la IA, mientras que herramientas como CodeCarbon y la calculadora Green Algorithms hacen visible ese coste en los artículos.

## Puntos clave

- Patterson y sus colegas concluyeron que la elección del modelo, del centro de datos y del procesador puede reducir la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces.
- La inferencia, y no solo el entrenamiento, merece atención investigadora: se ejecuta cada vez que se usa un modelo.
- Indique la energía, el hardware, el tiempo de ejecución y la ubicación en cada artículo, con una herramienta gratuita como CodeCarbon o la calculadora Green Algorithms.
- Las matemáticas aportan más allá de los algoritmos: métricas, incertidumbre, benchmarks y modelización de cómo se extiende el uso de la IA.
- Fije un presupuesto de cálculo para cada proyecto que incluya las ejecuciones fallidas y las búsquedas de hiperparámetros, no solo el modelo final.

## ¿Por qué importa la IA verde en la investigación? {#why-does-green-ai-matter-for-research}

Porque la investigación establece los métodos que todos los demás copian, y porque la propia investigación consume
mucho cálculo. Una técnica que reduce a la mitad el coste de la inferencia, una vez adoptada, ahorra energía cada vez
que se ejecuta cualquier modelo que la utilice.

Los argumentos se plantearon pronto. El artículo de Strubell, Ganesh y McCallum de 2019 cuantificó el coste económico
y ambiental del entrenamiento de varios modelos de lenguaje y propuso formas de reducirlo. Más tarde, Patterson y sus
colegas concluyeron que la elección de la arquitectura del modelo, del centro de datos y del procesador puede reducir
la huella de carbono del entrenamiento hasta unas 100 a 1.000 veces. Luccioni, Jernite y Strubell mostraron que
ejecutar modelos generativos multipropósito puede ser órdenes de magnitud más caro que usar modelos específicos para la
misma tarea.

Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria,
planteó la agenda de investigación en tres etapas, cada una abierta a técnicas distintas: el entrenamiento desde cero,
el ajuste fino o la adaptación, y el despliegue, ya sea en la nube o en un dispositivo de bajo consumo. También señaló
que gran parte del trabajo existente está en entregables de proyectos y en repositorios de código poco conocidos, por
lo que un primer paso para cualquier proyecto es averiguar qué se ha hecho ya.

## ¿Qué métodos hacen más eficientes los modelos? {#which-methods-make-models-more-efficient}

Las principales familias son eliminar lo que el modelo no necesita, usar menos bits, aprender con menos datos e
incorporar al modelo estructuras ya conocidas. La mayoría pueden combinarse.

### Poda y dispersión {#pruning-and-sparsity}

La **poda** (pruning) elimina los pesos que contribuyen poco a la salida. La **dispersión** (sparsity) significa que la
mayoría de los valores de una matriz o de una activación son cero, de modo que el cálculo puede omitirlos. Las redes
grandes suelen tener muchos más parámetros de los que necesita la tarea final, porque la sobreparametrización ayuda a
la optimización, así que después del entrenamiento se puede eliminar buena parte.

Entre las preguntas abiertas figuran: cómo fijar objetivos de dispersión antes del entrenamiento en lugar de por
ensayo y error, cómo mantener eficiente la **dispersión dinámica** (en la que los ceros dependen de la entrada) en
hardware real y por qué la dispersión sigue infrautilizada dadas las limitaciones de arquitectura de los chips
convencionales. Las ganancias teóricas suelen superar las aceleraciones medidas, por lo que importan los resultados
empíricos en hardware real.

### Cuantización y precisión mixta {#quantisation-and-mixed-precision}

La **cuantización** almacena y calcula con menos bits, por ejemplo, enteros de 8 bits en lugar de coma flotante de
32 bits. La **precisión mixta** usa menor precisión donde es seguro y mayor precisión donde hace falta. La UNESCO y el
UCL informan de que técnicas de compresión como la cuantización pueden ahorrar hasta un 44% de energía manteniendo la
precisión. Los especialistas en análisis numérico están bien situados para determinar dónde es segura una precisión
reducida y cómo se propagan los errores.

### Destilación y modelos más pequeños {#distillation-and-smaller-models}

La **destilación** entrena un modelo «alumno» pequeño para que imite a un «maestro» grande. El alumno es más barato de
ejecutar en cada solicitud. Los trabajos relacionados sobre **ajuste fino eficiente en parámetros**, que adapta un
número reducido de parámetros adicionales en lugar del modelo entero, y sobre aprendizaje continuo evitan volver a
entrenar desde cero.

### Reutilizar modelos {#reusing-models}

En lugar de entrenar modelos nuevos, combine los existentes. Wortsman y sus colegas mostraron que promediar los pesos
de varios modelos ajustados («model soups») puede mejorar la precisión sin ningún coste adicional de inferencia.
Fusionar y reutilizar modelos es un área prometedora para la investigación en eficiencia.

### Eficiencia en el uso de datos {#data-efficiency}

Entrenar con menos datos, pero mejores, reduce directamente la energía del entrenamiento. Entre las técnicas figuran
eliminar ejemplos duplicados y de poco valor, el aprendizaje activo (elegir los ejemplos más informativos para
etiquetarlos) y las arquitecturas que generalizan a partir de pocos ejemplos.

### Métodos numéricos y movimiento de datos {#numerical-methods-and-data-movement}

Gran parte de la IA es álgebra lineal, y décadas de análisis numérico son aplicables. El álgebra lineal numérica
aleatorizada y el sketching (comprimir una matriz conservando sus propiedades importantes) pueden reducir tanto la
aritmética como el **movimiento de datos**, que en muchos dispositivos cuesta más energía que la propia aritmética. La
atención aproximada, que calcula solo las partes de la matriz de atención que importan, es un ejemplo activo en los
grandes modelos de lenguaje. La diferenciación automática, la técnica general en la que se basa la retropropagación,
vincula la IA con los códigos científicos existentes.

### Modelos híbridos de física y aprendizaje automático {#hybrid-physics-ml}

En lugar de sustituir toda una simulación por una red neuronal, sustituya solo la parte que se presta a ello. Un patrón
habitual es un **modelo sustituto** (surrogate) aprendido para el componente que más energía consume de un modelo
climático o de ingeniería, conservando el resto de la física. Los modelos **informados por la física** incorporan las
leyes conocidas a la función de pérdida o a la arquitectura, lo que puede requerir muchos menos parámetros y menos
datos. Otras herramientas estructurales son la convexidad, los algoritmos desplegados (convertir los pasos de un
solucionador clásico en capas de la red) y la simetría, como en el aprendizaje profundo geométrico.

El sandpit también planteó ideas menos exploradas:

- añadir un término de energía o de «carbono» al objetivo de entrenamiento, por ejemplo, penalizando las neuronas
  activas o los expertos costosos en un modelo de mezcla de expertos;
- la corrección de errores durante cálculos largos, con comprobaciones periódicas para que no haya que repetir una
  ejecución; y
- detectar cuándo los sistemas de IA multiagente se quedan atascados en bucles y desperdician tokens.

Consulte [entrenamiento e inferencia eficientes](/es/buenas-practicas/entrenamiento-e-inferencia-eficientes-de-la-ia/) y
[matemáticas para una IA eficiente](/es/articulos/las-matematicas-que-hacen-la-ia-mas-eficiente/).

## ¿Cómo debo medir y comunicar la energía en los artículos? {#how-should-i-measure-and-report-energy-in-papers}

Mida sobre la marcha, comunique un conjunto estándar de datos e incluya las ejecuciones que no llegaron al artículo.
Sin esto, las afirmaciones sobre eficiencia no pueden comprobarse ni compararse.

Herramientas gratuitas:

- **CodeCarbon**, un paquete de Python de código abierto, estima las emisiones a partir de la potencia que consumen la
  CPU, la GPU y la memoria y de la intensidad de carbono de la red local. Añádalo a sus scripts de entrenamiento y
  evaluación.
- La calculadora **Green Algorithms**, de Lannelongue, Grealey e Inouye, estima la huella de un cálculo a partir del
  hardware, el tiempo de ejecución, la memoria y la ubicación. Es adecuada para trabajos de HPC y para el trabajo
  realizado antes de empezar a registrar.
- Los contadores de hardware, como RAPL en muchas CPU y las interfaces de potencia de los fabricantes de GPU, ofrecen
  lecturas directas en las que se basan estas herramientas.

Qué comunicar:

| Elemento | Ejemplo |
|---|---|
| Hardware | Modelo y número de GPU, CPU, memoria |
| Tiempo de ejecución | Horas de GPU de las ejecuciones finales **y** de todas las ejecuciones de ajuste y fallidas |
| Energía | kWh, medidos o estimados, con la herramienta y su versión |
| Ubicación | País o región de la red, y la intensidad de carbono utilizada |
| Emisiones | kg CO₂e |
| Inferencia | Energía por cada 1.000 solicitudes con un tamaño de lote y una longitud de secuencia indicados |
| Límites | Si se incluyen la refrigeración y los gastos generales del centro de datos (PUE) |

Sea claro sobre la incertidumbre. Las estimaciones basadas en modelos de potencia pueden diferir de los valores
medidos con contador, y las cifras de los proveedores, como los 0,24 Wh que Google comunica para un prompt de texto
mediano en Gemini, usan sus propios métodos y límites. Nuestra guía para
[medir la energía de la IA](/es/buenas-practicas/como-medir-la-energia-y-el-carbono-de-la-ia/) y el artículo
[la medición es el cuello de botella](/es/articulos/la-medicion-es-el-cuello-de-botella-de-la-ia-verde/) profundizan más.

## ¿Cómo fijo un presupuesto de cálculo? {#how-do-i-set-a-compute-budget}

Decida de antemano cuánto cálculo puede usar un proyecto y haga un seguimiento como si fuera dinero. Un presupuesto
hace visibles las concesiones y evita ajustes interminables.

- **Estime** las horas de GPU de los experimentos principales y añada un margen para la exploración.
- **Use pilotos a pequeña escala** para descartar ideas antes de ampliar la escala.
- **Prefiera búsquedas eficientes** de hiperparámetros, como la detención temprana de las ejecuciones malas, frente a
  grandes búsquedas en cuadrícula.
- **Reutilice checkpoints y modelos preentrenados** cuando encajen.
- **Programe los trabajos flexibles** en horas o regiones en las que la red sea más limpia.
- **Presente los resultados en relación con el cálculo**, por ejemplo, la precisión por kWh, y no solo la mejor
  precisión.

Los principios GREENER de Lannelongue y sus colegas (Governance, Responsibility, Estimation, Energy and embodied
impacts, New collaborations, Education and Research: gobernanza, responsabilidad, estimación, energía e impactos
incorporados, nuevas colaboraciones, formación e investigación) ofrecen un marco para grupos e instituciones.

## ¿Cómo afecta la eficiencia a la reproducibilidad? {#how-does-efficiency-affect-reproducibility}

Comunicar la energía y el cálculo hace que el trabajo sea más fácil de reproducir, y los métodos eficientes hacen que
reproducirlo sea más barato. Pocos grupos pueden comprobar un resultado que requiere miles de horas de GPU.

- Publique el código, las configuraciones y las semillas, e indique en cuántas ejecuciones se basa un resultado.
- Indique la varianza entre ejecuciones. Una única cifra de precisión obtenida en una sola ejecución de un proceso no
  determinista puede inducir a error.
- Publique versiones más pequeñas o destiladas de los modelos cuando sea posible, para que otros puedan construir
  sobre ellas.
- Comparta los resultados negativos sobre métodos de eficiencia, que evitan que otros los repitan.

## ¿Dónde pueden contribuir las matemáticas? {#where-can-mathematics-contribute}

Las matemáticas ayudan más allá de los algoritmos más rápidos: a decidir qué medir, cuánto fiarse de un modelo y cómo
se extiende el uso de la IA en la sociedad. El sandpit subrayó que los matemáticos tienen que demostrar, con
herramientas y pruebas, qué pueden mejorar.

- **Teoría de la eficiencia:** teoría de matrices aleatorias para la poda y la dispersión, teoría de la aproximación
  para los modelos pequeños, teoría de la optimización para un entrenamiento más rápido.
- **Análisis numérico:** precisión, estabilidad, cotas de error y solucionadores dentro de los flujos de IA.
- **Cuantificación de la incertidumbre:** hasta qué punto puede confiarse en un modelo sustituto, sobre todo fuera de
  sus datos de entrenamiento, lo que determina si puede reemplazar a un modelo físico costoso.
- **Métricas y benchmarks:** medidas acordadas y comparables de energía y calidad, y métricas de calidad que
  incorporen la eficiencia.
- **Modelización de escenarios y sistemas:** cómo cambian el uso total las mejoras de eficiencia (el
  [efecto rebote](/es/glosario/#rebound-effect)), teoría de juegos sobre por qué las organizaciones se sienten empujadas a
  usar la IA y el equilibrio entre la computación en el borde y la centralizada.
- **Elegir el método:** marcos para decidir cuándo un problema necesita realmente IA y cuándo un algoritmo clásico ya
  lo resuelve bien.

## ¿Cómo encuentro financiación y colaboradores? {#how-do-i-find-funding-and-collaborators}

Combine una pregunta de investigación sobre eficiencia con un socio de aplicación real al que le importen el coste o
la velocidad. Los financiadores y la industria responden mejor a los ahorros de energía que también aportan resultados
más rápidos, baratos o fiables.

- **Los consejos nacionales de investigación**, como el EPSRC en el Reino Unido, la NSF en Estados Unidos y sus
  equivalentes, financian investigación metodológica; consulte las convocatorias sobre IA, infraestructura digital de
  investigación y cero emisiones netas.
- **Los programas europeos**, como Horizon Europe, y los clústeres de Eureka, como ITEA, financian proyectos
  colaborativos con la industria. GreenCode, un proyecto de ITEA, es un ejemplo en IA verde y energía del software.
- **Los proyectos breves con la industria**, las estancias y los contratos predoctorales cofinanciados son formas de
  bajo coste de iniciar una colaboración.
- **Los ingenieros de software de investigación** y los centros de HPC suelen tener experiencia y formación en
  computación verde.

Los equipos interdisciplinares son los que mejor funcionan: reúna en la misma sala a especialistas en hardware,
software, métodos numéricos y el ámbito de aplicación. El [directorio de investigación](/es/investigacion/) recoge grupos y
proyectos de IA verde.

## ¿Qué vías de doctorado existen? {#what-phd-routes-are-there}

Hay proyectos de doctorado en aprendizaje automático eficiente, análisis numérico, computación sostenible y baja en
carbono, HPC y codiseño de hardware y software. Muchos no llevan la etiqueta «IA verde», así que busque también esos
temas.

Entre las vías figuran:

- centros y programas de formación doctoral, como los UKRI Centres for Doctoral Training en el Reino Unido;
- redes doctorales de las Acciones Marie Skłodowska-Curie de la UE;
- contratos predoctorales cofinanciados o patrocinados por la industria; y
- proyectos vinculados a subvenciones de investigación más amplias.

Consulte el [directorio de doctorados](/es/doctorados/) para ver las oportunidades actuales y el
[directorio de cursos](/es/cursos/) para encontrar cursos breves sobre IA eficiente, software verde y computación para
la investigación.

## Qué hacer a continuación {#what-to-do-next}

1. **Añada CodeCarbon** o un registro similar a su próximo experimento, o estime su último proyecto con la calculadora
   [Green Algorithms](https://www.green-algorithms.org/).
2. **Añada una tabla de energía y cálculo** a su próximo artículo, incluidas las ejecuciones de ajuste y las fallidas.
3. **Fije un presupuesto de cálculo** para su proyecto actual y revíselo cada mes.
4. **Pruebe un método de eficiencia**, como la cuantización o la destilación, en un modelo que ya use, e informe de la
   concesión entre eficiencia y calidad.
5. **Compruebe lo que existe** antes de construir: busque en el [directorio de investigación](/es/investigacion/) y en los
   entregables recientes.
6. **Busque un socio** con una carga de trabajo de IA o de simulación costosa y proponga un proyecto conjunto.
7. **Busque formación** en el [directorio de cursos](/es/cursos/) y comparta el [directorio de doctorados](/es/doctorados/) con
   sus estudiantes.

## Preguntas frecuentes

### ¿Cómo informo del consumo de energía de mis experimentos?

Registre la energía con una herramienta como CodeCarbon mientras se ejecutan los experimentos, o estímela después con la calculadora Green Algorithms a partir del hardware, el tiempo de ejecución y la ubicación. Indique los kWh, el CO₂e, el hardware, las horas y la región de la red, e incluya las ejecuciones fallidas y de ajuste.

### ¿Perjudica la cuantización a la precisión?

A menudo solo ligeramente, pero depende del modelo y de la tarea. La UNESCO y el UCL informan de ahorros de energía de hasta el 44% gracias a técnicas de compresión como la cuantización, manteniendo la precisión; compruébelo con sus propios benchmarks.

### ¿Es la IA verde un campo de investigación real o una cuestión secundaria?

Es un campo en crecimiento que abarca el aprendizaje automático, el análisis numérico, el hardware y los sistemas informáticos. Los estudios sobre la energía del entrenamiento y la inferencia se remontan al menos a 2019, y la Ley de IA de la UE pide ahora a los proveedores de modelos de uso general que documenten su consumo de energía.

### ¿Puedo hacer un doctorado en IA verde?

Sí. Busque proyectos de aprendizaje automático eficiente, métodos numéricos, computación sostenible o HPC. Nuestro directorio de doctorados recoge las oportunidades actuales.

## Fuentes

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon (2026)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time](https://arxiv.org/abs/2203.05482), Wortsman et al., ICML (2022)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [AI Act, Annex XI: technical documentation for providers of general-purpose AI models](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Commission AI Act Service Desk (2024)
- [Green AI and energy-aware computing](https://greencode.ai/benefit/green-ai-and-energy-aware-computing/), GreenCode (ITEA) (2026)
