Se ha dicho que la revolución económica de la IA generativa marcará un hito en la historia de la humanidad, convirtiendose en la etapa definitiva de la revolución industrial; el epitome de la mecanización.
La humanidad, al asegurar la generación y transmisión de la electricidad, dio un paso importante hacia el desarrollo de capacidades para producir máquinas que pueden construir otras máquinas. Este proceso de producción ha sido fundamental para mejorar la cadena de producción y satisfacer la demanda de productos de todo tipo. Y entre más eficiente, mayor es la reducción del precio de los productos.
Ante la posibilidad de que la IA, como software que construye software, se pueda alcanzar la optimización, la aceleración y mejora de elaboración de conocimiento cientifico, que busca alcanzar un nivel de automejora recursiva. Se tiene la idea de que esta tecnología transformativa costará cada vez menos. Sin embargo, se da por sentado que «la singularidad» carece de límites; pero la IA, no esta excenta de barreras físicas o de costos económicos. Factores que hacen que una tecnología transformativa cueste cada vez menos de producir son los que ponen piso a su desarrollo.
Si se toma como motor de la IA, el avance de los chips y GPU’s, esta ha sido una de las tecnologías transformativas con mayor abaratamiento de los precios que llegan al consumidor, solo por detrás de la secuenciación del genoma y los discos duros.
Esto lleva a preguntarnos, qué factores llevan a la tecnología a su abaratamiento o qué otros factores determinan el alza de precios.
La ley de Wright: Aprender produciendo
Documentada por Theodore Wright en 1936, durante el proceso de fabricación de aviones. La cual nos dice que: con cada duplicación del producto se baja un porcentaje del costo, debido a la regularidad de pequeñas y continuas mejoras.
El porcentaje que baja el costo con cada duplicación es conocida como: tasa de aprendizaje.
Unidades modulares
Partes identicas y pequeñas, producidas por millones haciendo que se aprenda rápido al producirlas. Por ejemplo: un panel, una celda, un chip o un disco, caen en esta categoría. Al contrario de proyectos que se hacen pocas veces, cada uno distinto y dependiente del sitio donde se fabrica, se aprende poco. Hidroeléctricas, geotermia, plantas nucleares y centros de datos son elementos complejos de optimizar, considerados como un ejemplo de aprendizaje negativo.
Capacidad de reducción de tamaño
Cuando el producto es información, se tiene mucho espacio de mejora; cuando es energía o masa, la física pone un límite. Si se venden bits, ya sea guardados o procesados, o bases de ADN leídas, se gana más haciendo las cosas más pequeñas: transistores más chicos, más bits por cm² de disco. Cada salto de densidad abarata todo a la vez y el límite físico está muy lejos. Al contrario de la energía o la masa, donde el límite físico se hace presente con mayor fuerza.
Las políticas crean demanda o la frenan
Al principio, algún ente social tiene que pagar las primeras duplicaciones. Una tecnología transformativa es cara en sus primeras etapas de desarrollo, pocos la pueden financiar y la curva de aprendizaje no parece descender. La tesis de Gregory Nemet en How Solar Energy Became Cheap (2019), hace un estudio de como los financiamientos gubernamentales en Alemania a principios del 2000, fueron los que ayudaron a crear un mercado para los páneles solares, generando una demanda para la producción en masa de celdas solares.
El proyecto del genoma humano financiado con investigación pública, impulsó la secuenciación de nueva generación.
La carrera por la IA y su posterior desaceleración intencional, crean riesgos en la reducción de los costos de producción y venta de GPUs.
Competencia
Que baje el costo de un producto no garantiza un precio bajo. El abaratamiento llega al comprador cuando hay competencia y cuando no existen formas de generar clientes cautivos.
Factores que frenan la caida de los precios
Cuando la manufactura ya se optimizó y el costo queda determinado por las materias primas, no hay espacio para mejora.
Permisos, instalaciones, mano de obra y obra civil.
Ciertos requerimientos de instalaciones físicas hacen que los mejores sitios se agoten.
Choques de demanda y oferta. Como ha sido el caso de la demanda de DRAM muy por encima de la producción.
El precio final de la IA
Factores de producción, mercado y politicas dejan un margen muy amplio para dar una cifra concreta y definitiva. El costo total de producir un FLOP en un centro de datos, repartido entre sus componentes y proyectado de 2025 a 2040, se encuentra entre el rango del 3% al 22% anualmente.
Sin embargo, aunque no se tenga una cifra en especifico, no estámos como al principio, ahora podemos concluir que ese valor se encuentra entre dos escenarios: Power-gated o Chip-gated. Ambas son dos limitantes físicas que pueden determinar el consumo en masa de la IA. Si una empresa esta en el escenario Chip-gated, los precios del consumo de IA están sujetos al centro de datos, es decir un 3% de caida anual. Si se esta solo Power-gated, los costos caeran 22% anualmente.
No solo basta con transformar energia en cómputo, sino asegurar una producción de chips más eficientes y con mejor capacidad. Si las compañias productoras de chips pueden asegurar un desarrollo constante de los chips más avanzados, estas capturarán el valor del computo de la IA con mayor eficacia y habrá una caida abrupta de los precios de la IA por más tiempo. Sin estas condiciones satisfechas, se tendrá una limitante muy próxima, que fijará un piso en el precio del consumo de la IA, determinada por el coste de los centros de datos.




