Moltes empreses i creadors de models d’IA s’estan centrant massa en augmentar la potència de càlcul (“computar més fort”), quan el realment important és **computar de manera més intel·ligent**.

Avui dia, entrenar grans models d’IA pot resultar molt costós i lent si només s’intenta escalar recursos de computació tradicionals, com les CPU. L’ús de **GPU al núvol** redueix significativament tant els costos com el temps d’entrenament — fins a sis vegades menys cost i cinc vegades menys temps en comparació amb CPU convencionals. A més, existeixen xips especialitzats, com els **TPU de Google** o l’**Inferentia d’Amazon**, dissenyats específicament per entrenar models d’IA de manera més eficient, consumint menys energia i gestionant grans volums de dades.

Tanmateix, la tendència no hauria de ser només utilitzar més maquinari, sinó **optimitzar com s’utilitza**. Nous enfocaments com l’**optimització del pressupost d’inferència** permeten que els models d’IA adaptin la seva complexitat segons la dificultat del problema: dediquen més recursos als problemes difícils i menys als fàcils. Això s’aconsegueix amb algoritmes com l’**Inference Budget-Constrained Policy Optimization (IBPO)**, que assignen “pressupostos d’inferència” de manera intel·ligent, millorant l’eficiència sense perdre precisió en la resolució de problemes.

En resum, el futur de la computació en IA passa per **utilitzar millor els recursos**, aprofitant hardware especialitzat i tècniques d’optimització que maximitzin l’eficiència, en lloc de simplement escalar la potència de càlcul sense criteri.