La mayoría de la inteligencia artificial actual funciona a base de multiplicaciones. Detrás de cada respuesta generada, cada foto organizada en la nube o cada recomendación musical, las redes neuronales ejecutan millones —a veces miles de millones— de operaciones que multiplican entradas por pesos aprendidos. Lizy K. John, profesora de ingeniería eléctrica y de computadores en la Universidad de Texas en Austin, lleva cinco años convencida de que ese es un esfuerzo desproporcionado para la tarea que se realiza.

Su propuesta se llama “redes neuronales sin pesos” (weightless neural networks). En lugar de multiplicar una y otra vez, estos modelos hacen pasar entradas binarias a través de tablas de búsqueda interconectadas, algo más parecido a consultar un catálogo de respuestas precalculadas que a resolver el mismo problema aritmético repetidamente. Según John, dependiendo de la aplicación, la reducción de tamaño y latencia puede llegar a tres órdenes de magnitud manteniendo una precisión comparable.

El origen de esta idea no es nuevo. En los años 80, una empresa británica lanzó un producto comercial basado en tablas de búsqueda para reconocimiento de patrones, pero la técnica cayó en el olvido. Solo un grupo de la Universidad Federal de Río de Janeiro la mantuvo viva en silencio durante décadas. John entró en el campo casi por casualidad: un colega la invitó a una reunión semanal sabiendo que su experiencia en implementación de hardware podía dar cuerpo a la teoría. Su hilo conductor siempre ha sido la eficiencia energética, un tema que ya exploraba con redes neuronales de impulsos (spiking neural networks).

Hasta ahora, el equipo de John ha demostrado resultados en problemas acotados: sensores médicos de bajo consumo, seguimiento de actividad física y detección de palabras clave en dispositivos de borde (edge). Sin embargo, la ambición no se detiene ahí. La investigadora cree que la misma arquitectura podría escalar hacia los modelos transformer que hoy alimentan a los chatbots más populares. Si eso ocurre, estaríamos ante un cambio de paradigma comparable al paso de CPUs a GPUs para el entrenamiento profundo.

Las implicaciones son enormes. La huella de carbono de la IA generativa preocupa a reguladores y grandes tecnológicas por igual. Un modelo que sustituya multiplicaciones de punto flotante por accesos a memoria rápida reduciría drásticamente el consumo por inferencia, abriendo la puerta a IA avanzada en smartphones, wearables y sensores industriales sin depender de la nube. Además, la simplicidad del cálculo facilita la creación de aceleradores ASIC especializados, un mercado donde startups y gigantes como Google o Amazon ya compiten ferozmente.

No todo es optimismo sin más. Escalar tablas de búsqueda a miles de millones de parámetros plantea retos de memoria y de entrenabilidad que aún no están resueltos. La retropropagación, columna vertebral del deep learning actual, no encaja de forma natural en este esquema. John y su equipo exploran híbridos y métodos de optimización alternativos, pero la comunidad científica seguirá escéptica hasta ver resultados en benchmarks estándar como ImageNet o GLUE.

Mientras tanto, la historia de las redes sin pesos recuerda una lección recurrente en IA: las ideas descartadas por limitaciones de hardware de su época pueden resurgir cuando la tecnología las alcanza. Lo que en los 80 era una curiosidad para reconocimiento de patrones simples, hoy podría ser la llave para una IA ubicua, sostenible y privada. La apuesta de Lizy K. John merece seguimiento cercano: si tiene éxito, la próxima generación de modelos de lenguaje no "pensará" multiplicando, sino recordando.