Cómputo de entrenamiento: medir el esfuerzo que costó un modelo de IA
El cómputo de entrenamiento es el número total de operaciones matemáticas necesarias para entrenar un modelo de IA, expresado en FLOP. Es el indicador más usado para comparar la escala de los modelos e incluso un criterio jurídico en la Unión Europea.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Avanzado |
|---|
La definición
El cómputo de entrenamiento mide la cantidad de trabajo que hicieron los ordenadores para construir un modelo de IA.
La unidad es el FLOP, una operación de coma flotante: una suma o una multiplicación entre dos números decimales. Durante el preentrenamiento, cada token de texto atraviesa la red y el modelo ajusta después sus parámetros, lo que supone miles de millones de operaciones por token. Sumadas a lo largo de todo el entrenamiento, alcanzan cifras tan grandes que se escriben en potencias de diez, por ejemplo 10^24 FLOP.
Una aproximación habitual, utilizada entre otros por Kaplan y sus coautores en su artículo de 2020 sobre las leyes de escala, estima el cómputo de un modelo de tipo Transformer en unas 6 × número de parámetros × número de tokens de entrenamiento.
Un ejemplo con cifras
Tomemos un modelo hipotético de 10 mil millones de parámetros entrenado con un billón de tokens (10^12): 6 × 10^10 × 10^12 = 6 × 10^22 FLOP. Es más de 150 veces menos que el umbral de 10^25 FLOP que fija el artículo 51 del reglamento europeo de IA para presumir que un modelo de uso general presenta riesgo sistémico. Un cálculo rápido de este tipo permite situar un modelo sin conocer todos los detalles de su entrenamiento.
Por qué es importante
El cómputo es uno de los tres motores del progreso de la IA, junto con los datos y los algoritmos, según el estudio de Jaime Sevilla y sus coautores publicado en 2022. Describen tres épocas: antes de 2010, el cómputo de entrenamiento se duplicaba más o menos cada 20 meses, al ritmo de la ley de Moore; con el aprendizaje profundo empezó a duplicarse aproximadamente cada 6 meses; y desde finales de 2015 aparecieron modelos a gran escala. El centro de investigación Epoch AI mantiene una base de datos pública sobre los modelos destacados y su cómputo estimado, una de las fuentes de nuestra página la IA en cifras.
El cómputo se traduce además en coste, en número de GPU movilizadas y en energía consumida, lo que lo convierte en un asunto económico y ambiental.
Ideas erróneas
- «Más cómputo garantiza un modelo mejor.» La calidad de los datos y el reparto del presupuesto entre tamaño y datos importan igual.
- «El cómputo termina con el entrenamiento.» Los modelos de razonamiento también gastan mucho al responder: es el cómputo en tiempo de inferencia.
- «La cifra publicada es exacta.» En muchos modelos cerrados se trata de estimaciones externas.
Términos relacionados: leyes de escala, GPU, preentrenamiento y AI Act.
Términos relacionados
- Leyes de escala · Relaciones medidas que predicen cómo mejora el rendimiento de un modelo según su tamaño, sus datos y su cómputo.
- GPU (procesador gráfico) · Chip diseñado para hacer miles de cálculos en paralelo, convertido en el motor del entrenamiento y del uso de los modelos de IA.
- Preentrenamiento · Primera fase de entrenamiento de un modelo de lenguaje: aprende a predecir la continuación de textos en un corpus enorme, sin tarea concreta.
- Parámetros de un modelo · Números internos que un modelo ajusta durante su entrenamiento; su cantidad indica el tamaño del modelo, no directamente su calidad.
- Reglamento europeo de IA (AI Act) · La ley europea que regula los sistemas de IA según su nivel de riesgo, con prohibiciones y obligaciones de transparencia.
- Cómputo en inferencia (test-time compute) · Potencia de cálculo que gasta un modelo en el momento de responder, por ejemplo para razonar más tiempo o comparar varias soluciones.
Para probar
Todo el glosario
Preguntas frecuentes
¿Qué diferencia hay entre FLOP y FLOPS?
El FLOP (floating-point operation) cuenta operaciones; el total de un entrenamiento se expresa en FLOP. Los FLOPS, o FLOP por segundo, miden la velocidad de un chip. Dividir lo primero entre lo segundo, teniendo en cuenta el aprovechamiento real, da una idea de la duración del entrenamiento.
¿Cómo se estima el cómputo de un modelo cuyo desarrollador no publica nada?
Los investigadores parten de la información disponible: número de parámetros, número de tokens de entrenamiento, o el hardware y la duración anunciados. Esas estimaciones, como las de Epoch AI, tienen un margen de incertidumbre que conviene tener presente.
¿Por qué le interesan los FLOP al reglamento europeo de IA?
Según el artículo 51 del reglamento europeo, se presume que un modelo de IA de uso general tiene capacidades de gran impacto, y por tanto riesgo sistémico, cuando su cómputo de entrenamiento acumulado supera 10^25 FLOP. Ese estatus implica obligaciones adicionales para su proveedor.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.