La expansión de la inteligencia artificial no depende solo de crear modelos cada vez mayores. También existe una carrera por hacerlos más pequeños, rápidos y baratos de ejecutar. En ese espacio trabaja Multiverse Computing, una empresa nacida en 2019 en Donostia que ha trasladado técnicas de inspiración cuántica a la compresión de grandes modelos de inteligencia artificial.
La compañía explica que comenzó desarrollando soluciones cuánticas y algoritmos para acelerar sistemas sencillos de aprendizaje automático. Con el crecimiento de los grandes modelos de lenguaje, su equipo adaptó esas técnicas para reducir el tamaño de redes neuronales complejas sin alterar de forma significativa su funcionamiento. El objetivo no es crear un modelo desde cero, sino optimizar uno existente para que necesite menos memoria y capacidad de cálculo.
RTVE sitúa a Multiverse Computing entre las tecnológicas españolas de mayor crecimiento tras una ronda de financiación de 500 millones de euros. El medio señala que la empresa ha superado los 300 empleados y recoge el interés comercial de fabricantes de semiconductores como Intel y Qualcomm. Estas cifras y relaciones proceden del reportaje y de las explicaciones de la propia compañía, no de una auditoría técnica independiente.
Qué significa comprimir un modelo
Un gran modelo de lenguaje almacena millones o miles de millones de parámetros. Ejecutarlo exige memoria rápida, procesadores especializados y energía. La compresión busca identificar partes redundantes o menos relevantes y reducirlas, manteniendo un nivel de precisión que resulte suficiente para la tarea prevista.
Según el director comercial de Multiverse Computing entrevistado por RTVE, la empresa puede comprimir como mínimo un modelo a la mitad y alcanzar en algunos casos reducciones mayores. Reducir un modelo de 100 unidades de tamaño a 50 equivale a una disminución del 50 %. Esa relación permite entender la promesa económica: con el mismo hardware podría procesarse más trabajo o alojarse el sistema en un dispositivo con menos recursos.
El resultado no es idéntico para todos los modelos ni aplicaciones. Una compresión más agresiva puede eliminar información útil, por lo que debe buscarse un equilibrio entre memoria, velocidad, coste y precisión. La compañía compara ese trabajo con el de un sastre: la optimización se ajusta a la necesidad concreta de cada cliente.
Del centro de datos al dispositivo
El interés por modelos más ligeros crece por dos motivos. El primero es el coste de usar servicios de IA por consumo. Una prueba con pocos usuarios puede resultar sencilla, pero el gasto aumenta cuando el sistema se despliega a escala. El segundo es la posibilidad de ejecutar la IA cerca del usuario, en un ordenador, un teléfono, un vehículo o un equipo industrial, sin enviar constantemente los datos a un servidor remoto.
Multiverse Computing cita como ejemplo un sistema de visión para automoción que detecta peatones en condiciones de baja visibilidad. En una aplicación así, reducir la latencia y aumentar el número de imágenes procesadas por segundo puede adelantar la respuesta del vehículo. La utilidad real, no obstante, dependerá de las pruebas de seguridad, el hardware, el modelo y las condiciones de uso.
Una vía para competir con menos recursos
La empresa presenta la eficiencia como una posible ventaja europea frente a los grandes presupuestos de Estados Unidos y China. En lugar de competir únicamente mediante modelos más grandes y centros de datos más costosos, la estrategia consiste en sacar más rendimiento al hardware disponible.
Ese enfoque no elimina la necesidad de validar cada modelo comprimido. Una reducción de tamaño solo es útil si conserva la calidad exigida para la tarea, respeta la privacidad y puede medirse con pruebas comparables. La relevancia de Multiverse Computing está precisamente en haber convertido ese problema técnico en un negocio con proyección internacional desde España.
