Una investigación de la Universidad de Málaga (UMA) ha desarrollado una metodología para ejecutar modelos de inteligencia artificial directamente en ordenadores, teléfonos móviles y otros dispositivos de bajo consumo. La propuesta evita que los datos tengan que viajar a servidores externos y abre una vía para trabajar con sistemas de IA en los propios equipos donde se genera la información.
El trabajo forma parte de la tesis doctoral de Paula Ruiz Barroso, investigadora del grupo Scalable AI Computing, integrado en el Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos de la UMA. La tesis, dirigida por Nicolás Guil Mata y Francisco Castro Payán, obtuvo la calificación de sobresaliente cum laude en el programa de Ingeniería Mecatrónica, según informó Nova Ciencia el 30 de octubre de 2026.
Una alternativa al procesamiento centralizado
La tecnología descrita se sitúa dentro de lo que se conoce como computación en el extremo o Edge Computing. Frente a los sistemas que remiten la información a grandes infraestructuras de la nube, este enfoque intenta que el análisis se realice en el dispositivo local. La diferencia es relevante cuando se manejan datos personales, porque limita su circulación hacia plataformas externas y reduce la dependencia de centros de servidores.
La metodología también puede disminuir el gasto energético asociado al funcionamiento de ciertos sistemas de inteligencia artificial, de acuerdo con la información publicada sobre la investigación. Entre sus posibles ámbitos de aplicación figuran la visión artificial, el reconocimiento biométrico y la detección precoz de patologías cardíacas. La noticia no presenta estos usos como servicios ya implantados, sino como campos en los que la tecnología podría emplearse.
- Privacidad: los datos pueden procesarse en el equipo que los recoge, sin enviarlos necesariamente a servidores externos.
- Consumo: el planteamiento busca reducir los recursos necesarios para ejecutar modelos de IA.
- Dispositivos: la metodología está orientada a equipos con memoria y capacidad de cálculo limitadas.
El reto de llevar modelos complejos a equipos pequeños
El principal obstáculo técnico es que los móviles, sensores y dispositivos portátiles no disponen de los mismos recursos que una infraestructura de servidores. Las redes neuronales avanzadas pueden exigir una memoria y una potencia de procesamiento que estos equipos no tienen. Por eso, trasladar una aplicación de inteligencia artificial fuera de la nube no consiste únicamente en instalar el mismo modelo en otro aparato: hay que adaptarlo a sus restricciones.
Para abordar esa dificultad, el grupo Scalable AI Computing ha diseñado un marco de co-diseño entre hardware y algoritmos. La estrategia permite reducir el tamaño de los modelos y ajustar la forma en que se ejecutan en cada dispositivo. El objetivo es mantener su funcionamiento dentro de equipos con menos recursos, aunque la información disponible no detalla qué rendimiento alcanza cada aplicación ni en qué condiciones se ha validado.
Para las universidades y otros espacios donde se trabaja con información sensible, el procesamiento local plantea una cuestión especialmente relevante: la protección de los datos debe formar parte del diseño tecnológico desde el principio. La investigación de la UMA aborda esa dirección, pero la noticia no acredita por sí sola una implantación en centros educativos ni permite concluir que todos los riesgos de privacidad queden resueltos. La limitación de recursos, la adaptación de los modelos y la validación de sus resultados siguen siendo elementos necesarios antes de trasladar una tecnología de este tipo a usos reales.
