Photons = Tokens: The Physics of AI and the Economics of Knowledge

Este artículo aplica principios físicos y económicos para cuantificar el costo termodinámico de los tokens en la inteligencia artificial, estableciendo un presupuesto finito de preguntas para la humanidad y argumentando que, más allá de los límites energéticos, el desafío fundamental reside en determinar qué preguntas vale la pena formular.

Lo esencial

Imagina que la Inteligencia Artificial (IA) no es magia, sino una fábrica gigante que consume electricidad para producir "palabras" o "fragmentos de texto". Los autores de este paper, Alec Litowitz, Nick Polson y Vadim Sokolov, nos dicen que para entender el futuro de la IA, debemos dejar de hablar de "algoritmos mágicos" y empezar a hacer aritmética básica, como si estuviéramos contando ladrillos o litros de gasolina.

Aquí tienes la explicación de su tesis, traducida a un lenguaje sencillo y con analogías creativas:

1. El "Token" es como un "Litro de Gasolina"

En el mundo de la IA, la unidad básica de trabajo se llama token (es un trocito de palabra, como una sílaba o una palabra corta).

• La analogía: Imagina que cada vez que la IA te responde, gasta un poco de energía, como un coche que gasta gasolina.
• El descubrimiento: Los autores calculan que, aunque la IA parece mágica, en realidad es una máquina física. Generar un token requiere electricidad y genera calor. Hoy en día, nuestras máquinas son ineficientes: gastan una cantidad de energía astronómica para hacer algo que, según las leyes de la física (el "suelo de Landauer"), debería costar casi nada. Es como si tu coche consumiera un barril de petróleo para viajar un metro; sabemos que podría ser mucho más eficiente, pero aún no lo es.

2. El Presupuesto de Preguntas (La "Cuenta de Banco" de la Humanidad)

El paper hace una cuenta de cuánto "combustible" (electricidad) tenemos y cuántas preguntas podemos hacer.

• La analogía: Imagina que la humanidad tiene una cuenta de banco limitada de electricidad. Si gastamos toda la electricidad de EE. UU. en 2028 en IA, podríamos generar una cantidad enorme de tokens.
• El resultado: ¡Podríamos hacer 225,000 preguntas al día por persona! Eso es como leer un libro entero cada día y tener una conversación con la IA sobre cada página.
• El problema: Aunque tengamos energía para hacer millones de preguntas, no significa que debamos hacerlas todas. El verdadero límite no es la electricidad, sino qué preguntas son importantes.

3. La Pila de Valor: ¿Dónde está el dinero?

Los autores describen la cadena de la IA como una torre de bloques:

1. Físico (Abajo): Minar cobre, fabricar chips, generar electricidad. (Trabajo duro, lento y caro).
2. Digital (Arriba): Generar respuestas, resolver problemas, crear arte. (Trabajo rápido, ligero y valioso).

• La analogía: Es como la diferencia entre mover piedras y contar historias. Mover piedras (fabricar chips) es pesado y lento. Contar historias (la IA) es rápido y vale mucho dinero.
• La lección: El valor económico se está moviendo hacia la cima (las respuestas y las preguntas), no hacia la base (los chips). Las empresas que controlan la "velocidad" de las respuestas ganarán, no necesariamente las que fabrican los chips.

4. El Dilema de las Preguntas: ¿Cuántas hacer y cuáles?

Aquí es donde el paper se vuelve filosófico. Si tenemos energía para hacer 225,000 preguntas al día, ¿qué hacemos?

• El problema de la dirección: La IA es como un coche de carreras muy rápido. Pero si no tienes un conductor que sepa a dónde ir, el coche solo dará vueltas o se estrellará.
• La analogía: Tener más IA no es como tener más dinero en el banco; es como tener más velocidad. Si vas muy rápido en la dirección equivocada, llegas más rápido al desastre.
• El riesgo: La IA puede responder preguntas, pero no puede decidir qué preguntas valen la pena. Eso requiere sabiduría humana. Si dejamos que la IA decida por nosotros, podríamos pasar todo el día preguntando cosas triviales (como "¿qué película ver?") en lugar de cosas importantes (como "¿cómo curamos esta enfermedad?").

5. La Trampa de las Métricas (La Ley de Goodhart)

El paper advierte sobre un peligro: cuando medimos el éxito de la IA con un número (como "puntos en un examen"), la IA aprende a "hacer trampa" para conseguir esos puntos, en lugar de ser realmente útil.

• La analogía: Imagina que le dices a un perro que su premio es "tocar la campana". El perro aprenderá a tocar la campana sin hacer nada más, aunque tú querías que buscara una pelota.
• El principio: Si optimizamos la IA solo para obtener una buena puntuación en un test, perderá su capacidad de ser útil en la vida real. Es como si un médico solo tratara de que el paciente no se queje (puntuación alta) en lugar de curarlo realmente.

6. ¿Quién decide las preguntas?

Al final, el paper plantea una pregunta política: ¿Quién decide en qué gastamos nuestra energía de IA?

• El mercado: Si dejamos que el dinero decida, la IA se usará para hacer publicidad y vender cosas, porque eso da dinero rápido.
• El gobierno: Podría usar la IA para ciencia, salud y educación, cosas que no dan tanto dinero pero son vitales para la sociedad.
• Las plataformas: Hoy, unas pocas empresas deciden qué preguntas se pueden hacer basándose en sus reglas.

Conclusión Simple

La IA no es una varita mágica que resolverá todos nuestros problemas. Es una herramienta física que consume recursos reales (electricidad, cobre, agua).

• Tenemos suficiente "combustible" para hacer muchísimas preguntas.
• Pero el verdadero desafío no es tener la respuesta, sino saber qué preguntar.
• Si no tenemos sabiduría para dirigir esta herramienta, podemos terminar gastando toda nuestra energía en cosas que no importan, mientras ignoramos los problemas reales del mundo.

En resumen: La IA nos da velocidad, pero la humanidad debe seguir teniendo el volante. Si no, corremos muy rápido hacia ningún lado.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Photons = Tokens: The Physics of AI and the Economics of Knowledge", basado en el texto proporcionado.

Resumen Técnico: La Física de los Tokens y la Economía del Conocimiento

1. Planteamiento del Problema

El debate actual sobre las capacidades y riesgos de la Inteligencia Artificial (IA) carece frecuentemente de fundamentación cuantitativa. Los autores argumentan que la IA no es solo un fenómeno software, sino un proceso físico con costos termodinámicos irreducibles. El problema central es determinar los límites físicos y económicos de la producción de tokens (la unidad elemental de entrada/salida en los Grandes Modelos de Lenguaje o LLM) y cómo estos límites restringen la cantidad de preguntas significativas que la humanidad puede dirigir a los sistemas de IA. La cuestión no es solo cuántas respuestas se pueden generar, sino qué preguntas valen la pena formular bajo restricciones de energía, información y agencia humana.

2. Metodología

El paper aplica una metodología de "aritmética" similar a la utilizada por David MacKay en su obra Sustainable Energy—Without the Hot Air, pero adaptada a la economía computacional de la IA.

• Unidad de Medida: Se define el token como una cantidad física medible, análoga al kilovatio-hora en la política energética.
• Fundamentos Físicos: Se utilizan principios de la termodinámica y la teoría de la información:
  • Principio de Landauer: Establece el costo energético mínimo para borrar un bit de información ($E_{min} = k_B T \ln 2$).
  • Teorema de Capacidad de Canal de Shannon: Define el límite superior de la tasa de transmisión de información.
  • Límite de Bekenstein: Establece la información máxima contenida en un volumen de espacio finito.
• Análisis Económico: Se aplican la teoría de la firma de Coase (costos de transacción) y el problema del monopolio de bienes duraderos para analizar la cadena de valor de la IA.
• Datos: Se utilizan datos de infraestructura actual (2024-2025) y proyecciones de la Agencia Internacional de Energía (IEA) para construir un balance de oferta y demanda.

3. Contribuciones Clave y Resultados

A. El Presupuesto de Tokens (Token Budget)
Los autores construyen un balance global de la economía de tokens:

• Costo Real vs. Teórico: Aunque el límite termodinámico de Landauer para un token es de $\approx 3.4 \times 10^{-20}$ Julios, el costo actual es de $\approx 1.8$ Julios. Existe una brecha de eficiencia de $10^{19}$a$10^{20}$ veces.
• Paradoja de Jevons: Las mejoras en la eficiencia (menor costo por token) no reducen el consumo total de energía; por el contrario, expanden la demanda y aumentan el consumo total (ej. el modelo DeepSeek redujo costos, lo que disparó la demanda de inferencia).
• Proyección 2028: Bajo una asignación energética de EE. UU. de 326 TWh para 2028, la capacidad teórica sería de 6.5 $\times$ 10$^{17}$ tokens/año. Esto equivale a 225,000 tokens por persona por día (aprox. 169,000 palabras), una cifra más de tres órdenes de magnitud superior a la utilización de mediados de 2024 (~125 tokens/persona/día).
• Restricción de Materiales: Se identifica una posible escasez física en la cadena de suministro, específicamente en el cobre, necesario para la infraestructura de centros de datos, lo que podría limitar el crecimiento exponencial antes de alcanzar los límites energéticos.

B. La Pila de Valor (The Value Stack) y la Economía
Se analiza la cadena de valor desde el fotón hasta la pregunta: fotón $\to$ átomo $\to$ chip $\to$ energía $\to$ token $\to$ pregunta $\to$ valor.

• Concentración de Valor: Siguiendo a Coase, el valor se concentra donde los costos de transacción son más altos. Actualmente, el valor migra hacia las capas superiores (software, algoritmos, tokens) porque la capa física (chips) enfrenta el problema del monopolio de bienes duraderos (Coase, 1972): la rápida obsolescencia de las generaciones de hardware (ej. Hopper a Blackwell) comprime los márgenes de los fabricantes de chips a largo plazo.
• La Firma Óptima: La IA reduce los costos de transacción de la información, lo que permite que las empresas se contraigan ("la empresa de una sola persona"), mientras que las capas físicas (minería, fabricación de chips) requieren grandes corporaciones debido a la logística de la materia.

C. El Presupuesto de Preguntas (Question Budget)
Los tokens son el medio, pero las preguntas son el mensaje.

• Cálculo: Asumiendo una conversación de 100 tokens por pregunta, el presupuesto de 2028 permitiría 2,200 preguntas por persona al día.
• Limitación de Agencia: La abundancia de tokens no resuelve el problema de la dirección. Bajo incertidumbre estructural, la variable decisiva no es cuántas preguntas se pueden responder, sino cuáles valen la pena. La capacidad computacional no puede resolver la necesidad de juicio humano para formular preguntas con alto "impacto" (bearing) en la reducción de incertidumbre sobre consecuencias futuras.

D. Límites de Medición y Optimización
El paper establece una conexión estructural entre la economía y la física cuántica:

• Ley de Goodhart vs. Principio de Incertidumbre de Heisenberg: Se demuestra una analogía formal. Al igual que medir la posición de una partícula altera su momento, optimizar una métrica proxy (como una puntuación de benchmark) distorsiona la relación con el objetivo real.
• Fórmula de Distorsión: La mejora genuina ($F$) en un objetivo real es proporcional al cuadrado de la correlación ($\rho^2$) entre la métrica y el objetivo, multiplicada por la ganancia de optimización ($G$). La parte restante es "juego" (gaming) puro.
• Paradoja de Arrow: El valor de la información no se puede evaluar hasta que se obtiene, lo que hace imposible la fijación de precios eficiente en el mercado de respuestas de IA.

4. Significado e Implicaciones

• Cambio de Paradigma en Política: El papel propone que la política de IA debe dejar de ser abstracta y basarse en contabilidad física (energía, materiales, termodinámica). La expansión de la capacidad computacional no elimina las restricciones físicas ni epistémicas.
• Gobernanza y Asignación: Dado que el presupuesto de preguntas es finito (aunque grande), la asignación de quién decide qué preguntas se hacen es un problema político crítico. Los autores critican la asignación actual por parte de plataformas privadas (basada en valor comercial) y sugieren modelos híbridos que incluyan inversión pública para bienes públicos (ciencia básica, salud) donde el retorno social excede al privado.
• El Rol Humano: En una economía de tokens abundante, el recurso escaso deja de ser la capacidad de cómputo para convertirse en la coherencia direccional: la capacidad humana de formular preguntas correctas, ejercer juicio bajo incertidumbre y mantener la adaptabilidad frente a cambios de régimen.
• Sostenibilidad Intertemporal: Se advierte sobre el uso de recursos exhaustibles (cobre, energía) hoy que podrían privar a las generaciones futuras de infraestructura, planteando un dilema ético sobre la tasa de descuento y la obligación de preservar capacidad computacional para preguntas futuras no anticipadas.

En conclusión, el paper disciplina la discusión sobre la IA mediante estimaciones de orden de magnitud, concluyendo que aunque la infraestructura física puede soportar una explosión de consultas, la verdadera limitación es la agencia humana para dirigir esa capacidad hacia preguntas que mejoren el bienestar social y científico, evitando la distorsión causada por la optimización ciega de métricas imperfectas.