Una prometedora startup de inteligencia artificial con sede en Miami, Subquadratic, salió recientemente del modo stealth con una afirmación que ha generado revuelo en la comunidad de IA: habría resuelto un “cuello de botella” matemático que, según sus fundadores, ha limitado el rendimiento y la escalabilidad de los grandes modelos de lenguaje (LLM) durante casi una década.

El anuncio, publicado en un breve comunicado y reforzado por una serie de presentaciones técnicas, señala que el obstáculo radica en la optimización de la complejidad computacional de los procesos de entrenamiento. Durante años, los investigadores han luchado contra la creciente demanda de recursos de GPU y la explosión del número de parámetros, lo que encarece los costos y frena la velocidad de innovación. Subquadratic asegura haber desarrollado una nueva formulación algorítmica que reduce la complejidad de ciertas operaciones clave de forma subcuadrática, de ahí su nombre.

¿Qué implica una mejora subcuadrática?

En términos simples, la mayoría de los algoritmos empleados para entrenar LLMs presentan una complejidad que crece de manera cuadrática respecto al número de tokens o parámetros involucrados. Esto significa que duplicar el tamaño del modelo casi cuadruplica el coste computacional. Una solución subcuadrática implica que el crecimiento sea menos pronunciado, lo que se traduce en entrenamientos más rápidos y menos consumo energético. Si la promesa de Subquadratic se confirma, los costos de entrenamiento podrían reducirse entre un 30% y un 50%, y el tiempo necesario para lanzar nuevos modelos se acortaría considerablemente.

Evidencias preliminares

Tras el anuncio, la startup empezó a publicar “recibos” (receipts) en forma de benchmarks internos. En pruebas con un modelo de 6 B parámetros, lograron entrenar en un 40% menos de tiempo que los métodos tradicionales, sin perder precisión en tareas de razonamiento y generación de texto. Además, los resultados preliminares indican una disminución del 35% en el consumo energético, lo que abre la puerta a una IA más sostenible.

Aunque la información sigue siendo escasa y la comunidad académica aún no ha revisado los papers en detalle, varios expertos expresan cautela pero también interés. "Si realmente han conseguido romper la barrera cuadrática, podríamos estar ante una revolución en la forma de escalar los LLMs", comenta la investigadora Ana Martínez, del Instituto de Tecnologías de la Información de la Universidad de Barcelona.

Impacto en el ecosistema

Una mejora de este tipo no solo beneficia a gigantes como OpenAI, Google o Meta, sino también a startups y organizaciones con presupuestos más modestos. La reducción de costos permitiría democratizar el acceso a modelos de mayor capacidad, impulsando la innovación en áreas como medicina personalizada, educación adaptativa y análisis de datos a gran escala.

Además, la disminución del consumo energético se alinea con la creciente presión regulatoria y social para que la IA sea más verde. La Comisión Europea está evaluando normas que podrían gravar el uso intensivo de energía en centros de datos, y una solución como la de Subquadratic ayudaría a cumplir esos futuros requisitos.

Desafíos y próximos pasos

A pesar del entusiasmo, quedan varios retos. Primero, la comunidad necesita validar los resultados mediante revisiones por pares y pruebas en entornos de producción reales. Segundo, la integración de la nueva técnica en los marcos de trabajo existentes (PyTorch, TensorFlow) podría requerir adaptaciones significativas. Por último, la competencia ya está trabajando en alternativas como la sparsity y los modelos mixtos, por lo que la ventaja competitiva de Subquadratic puede ser temporal.

En los próximos meses, la startup planea publicar un artículo técnico detallado y abrir un repositorio de código abierto para que investigadores y desarrolladores puedan experimentar con la metodología. Si logra mantener la transparencia y reproducibilidad, podría consolidarse como un punto de inflexión en la evolución de los LLMs.

En conclusión, la promesa de Subquadratic de superar una limitación matemática histórica podría significar una aceleración importante en el desarrollo de modelos de lenguaje más grandes, eficientes y accesibles. El tiempo y la validación independiente determinarán si esta afirmación pasa de ser una expectativa a una nueva norma en la industria de la IA.