La F1 del supercómputo y la Inteligencia Artificial: de Mónaco al taller de la esquina El Financiero

Siempre me ha fascinado la F1 y no solo por la diversión que me da el fanatismo y el bluff de las poses, los selfies en el paddock o las gorras de edición limitada, sino por la parte menos vistosa: la ingeniería, la telemetría, la obsesión por exprimir milésimas de segundo.

Y quizá por eso también me divierte decir —con toda la ironía del caso— que soy de los pocos que han “corrido” en las calles donde se lleva a cabo Le Grand Prix de Mónaco, aunque haya sido en un mi Jetta92 y no en el monoplaza de Ferrari; y que ha tenido un amigo desde la infancia (RM) al que le interesaban más los coches que las matemáticas.

Cuento esto porque la conversación actual sobre inteligencia artificial se parece mucho a la F1: muchos reflectores, muchas marcas, muchas promesas… y, en medio de todo ese ruido, poca discusión técnica pero crucial sobre qué tipo de “motor” estamos construyendo para la ciencia, para las empresas y para las personas de a pie.

En el mundo del super cómputo científico (al que solemos llamar High Performance Computing - HPC), la preocupación es clara: las nuevas generaciones de chips están optimizadas para la IA generativa —con formatos numéricos de baja precisión destinados a entrenar modelos gigantes— mientras que la doble precisión (FP64) avanza poco o nada.

¿Por qué importa eso? Porque si quiero simular el efecto del glifosato en el maíz, los temblores, la evolución y efectos de un huracán, el flujo de aire alrededor de un avión, la dinámica de un reactor nuclear o el comportamiento de las computadoras cuánticas, necesito suficiente precisión numérica. No se trata solo de que la simulación “corra”, sino de que el error acumulado no destruya las ecuaciones que intentan describir la naturaleza del problema.

Durante décadas, el estándar ha sido FP64, y buena parte del software científico más crítico está construido sobre ese supuesto.

En paralelo, la IA para la ciencia —esa idea de entrenar modelos que imiten o aceleren simulaciones completas— necesitan “llantas en buenas condiciones” : datos generados con modelos fiables, bien resueltos, preferentemente en alta precisión. Si solo entrenáramos redes neuronales convolucionales o transformers sobre resultados aproximados y mal condicionados, acabaríamos amplificando el error en lugar de aprender la estructura real de la naturaleza de lo que pretendemos entender, simular, emular o controlar.

Por eso, cuando en la comunidad HPC vemos que la potencia en FP64 se estanca mientras la potencia en formatos de baja precisión se dispara, nuestra preocupación es legítima.

“Si queremos IA para la ciencia, no podemos matar la ciencia que alimenta a la IA.”

Aquí el reto es doble. Necesitamos seguir empujando el límite de la simulación clásica (FP64, modelos numéricos sólidos) e integrar inteligencia artificial como aliada: surrogate models, reducción de orden, aceleración de cómputo y análisis inteligente de datos.

Ahora bien, sería un error gravísimo extraer la conclusión de que “si no tengo el último súper chip para ciencia, la IA no es para mí”. La mayoría de las pequeñas y medianas empresas, e incluso muchos profesionistas independientes, no necesitan un laboratorio de física de partículas.

Lo que necesitan es algo más simple pero no menos transformador: un sistema de recomendación que entienda mejor a sus clientes, un asistente que automatice reportes, contratos y trámites, un analista que revise patrones de venta, inventarios, fraudes o riesgos, herramientas que traduzcan, expliquen, resuman o revisen textos complejos.

Todo eso se puede hacer con modelos pre-entrenados, servicios en la nube y hardware modesto. No hay que reentrenar un modelo de billones de parámetros desde cero ni competir con los centros de datos de las grandes empresas tecnológicas.

En términos de F1, el HPC científico de frontera es el monoplaza en Mónaco.

La pyme y el profesionista necesitan un coche fiable, eficiente y bien mantenido para su ciudad; quizá con buen motor, pero no con alas aerodinámicas de fibra de carbono de última generación.

La paradoja es que muchos pequeños negocios se están quedando atrás no por falta de tecnología, sino por mitos como que “La IA es solo para gigantes.” o peor “Si no tengo mi propio data center, no vale la pena.” incluso “Eso del cómputo acelerado es demasiado técnico para mi despacho, mi consultorio o mi taller.”

Y no: justamente porque la infraestructura se ha vuelto tan potente y accesible, hoy es más fácil que nunca consumir IA como servicio y enfocarse en lo que realmente importa: el problema de negocio, el flujo de trabajo, el valor para el cliente.

Pero volvamos al tema de las precisiones numéricas, FP64 vs FP8, etc. ¿Por qué creo que es importante hablar sobre cosas técnicas justo antes de salir de vacaciones? Bueno, porque, si no entendemos ni siquiera la diferencia de propósito, caemos en dos extremos peligrosos.

Uno es el derrotismo tecnológico “Como no tengo el último chip de doble precisión, no puedo hacer ciencia seria ni IA útil.” o “Todo está acaparado por los gigantes.”

Otro es el “El triunfalismo vacío” con frases como “La IA lo puede todo, en cualquier contexto, con cualquier dato y sin límites físicos.” o “Total, si lo corre una GPU nueva, debe ser perfecto.”

La realidad está en medio, en ciertos problemas científicos, la precisión es innegociable. Vale la pena exigir que la industria de hardware siga cuidando FP64, porque ahí se juega la fiabilidad de modelos climáticos, de seguridad nuclear, de cadenas energéticas, etc.

Para muchos problemas de negocio, podemos trabajar felizmente con baja precisión, modelos ya entrenados y herramientas de automatización. Aquí el mayor valor está en diseñar bien el flujo de trabajo y entender qué se le puede pedir realmente a la IA.

Conocer estos detalles —aunque sea a alto nivel— te permite no dejarte asustar por el marketing (“solo sirve si es FP64 en la última GPU”) ni dejarte encandilar (“si tiene IA, ya está garantizada la verdad absoluta”).

Es como entender lo básico de un motor: no hace falta ser ingeniero de F1, pero conviene saber qué es el aceite, los frenos y la presión de las llantas para no creer cualquier cosa que te diga el vendedor.

Cuando digo que soy de los pocos que han “corrido” en Mónaco, lo digo con una mezcla de cariño y humor: la simulación te podría permitir vivir el circuito sin haber pisado nunca la pista. Pero justo ahí está la clave: entre el simulador de F1 y el carro de diario hay un continuo de tecnologías que comparten principios, piezas y aprendizajes.

Con la inteligencia artificial pasa lo mismo: en un extremo tenemos los supercomputadores que empujan la ciencia básica, donde las discusiones sobre FP64, arquitecturas y bibliotecas como cuBLAS son literalmente asuntos primordiales.

En el otro extremo, tenemos al pequeño negocio, a la clínica local, al taller, al despacho profesional que podría mejorar muchísimo su operación con herramientas de IA moderadas, accesibles, bien diseñadas.

Impulsar la IA para la ciencia no está peleado con impulsar la adopción de IA en empresas pequeñas. De hecho, se necesitan mutuamente. La ciencia provee modelos robustos, métodos y validación mientras que el tejido productivo adopta y democratiza el impacto de esas tecnologías en la vida cotidiana.

Lo importante es no confundir los roles. A un centro de supercómputo hay que exigirle FP64, buen software científico y capacidad de entrenar modelos de frontera. A una pyme hay que ayudarla a formular buenas preguntas de negocio y a elegir las herramientas de IA que le resuelvan algo concreto, sin exigirle entender la ficha técnica de cada GPU.

En otras palabras, mientras corres el circuito de Monaco quieres el coche más rápido con la aerodinámica más sofisticada. En la ciudad quieres llegar bien, seguro y a tiempo. En ambos casos, entender lo esencial de la máquina te da libertad: libertad para aprovecharla a tu favor, y para no dejarte impresionar por las poses y los falsos fans.

La IA está ya en los dos mundos. Nuestra tarea —como científicos, ingenieros, docentes, empresarios o profesionistas— es asegurarnos de que no se quede solo en los Pits de salida de la F1, sino que también llegue, con sentido y con criterio, al taller de la esquina, al consultorio, al restaurante, a la oficina de cada día.