El coste de la IA se reduce más rápido que el de la computación clásica
Redactado con inteligencia artificial.
Un estudio de Epoch AI revela que el coste de la inteligencia artificial disminuye un 47% cada trimestre, lo que equivale a ser 13 veces más barato anualmente. Esta notable reducción contrasta con la percepción de los usuarios sobre el aumento de precios en los servicios de IA de empresas como OpenAI y Anthropic.
La acelerada reducción de costes de la IA
Según un estudio de Epoch AI, el coste para alcanzar un nivel específico de rendimiento en inteligencia artificial (IA) está disminuyendo a un ritmo sin precedentes, con una caída del 47% cada trimestre. Esto significa que, en términos anuales, la IA se vuelve 13 veces más accesible. La investigación, realizada por este instituto independiente de San Francisco, subraya la eficiencia mejorada de los modelos actuales frente a los de hace un año.
Comparación con la Ley de Moore
La Ley de Moore, formulada por Gordon Moore, cofundador de Intel, señala que el número de transistores en los circuitos integrados se duplica aproximadamente cada dos años. Aunque esta ley ha guiado el desarrollo de la microelectrónica durante décadas, el estudio de Epoch AI sugiere que la IA está abaratándose cuatro veces más rápido que los chips, y 18 veces más rápido que el coste de las baterías de litio.
La eficiencia de los modelos actuales
Por ejemplo, el modelo Opus 5.5 de Anthropic ofrece un rendimiento similar al de su predecesor Fable 5.1, pero a un coste significativamente menor: 4 dólares por millón de tokens de entrada y 20 dólares por millón de salida. Esto refleja una tendencia de mejora en la eficiencia de los modelos de IA, lo que contribuye a su abaratamiento.
Consideraciones finales
Es importante considerar las cifras del estudio como aproximaciones y no como datos definitivos. Epoch AI utilizó pruebas matemáticas, científicas y de habilidad para elaborar su informe, teniendo en cuenta el coste de obtener resultados específicos. Sin embargo, la empresa advierte que los laboratorios pueden optimizar sus modelos para obtener mejores resultados en pruebas sin que esto se traduzca en mejoras equivalentes en aplicaciones del mundo real.