La evolución del código sin manos

Un equipo de investigadores del instituto AIRI ha presentado una herramienta llamada KernelEvo, un sistema para generar y optimizar automáticamente núcleos GPU. Se trata de fragmentos de código especializados que se ejecutan en procesadores gráficos y llevan a cabo operaciones clave en los sistemas de inteligencia artificial actuales: multiplicaciones de matrices, convoluciones, normalizaciones, agregaciones y otros cálculos. Normalmente, desarrollar estos núcleos exige conocer a fondo la arquitectura de las GPU, elegir manualmente los esquemas de paralelización y realizar pruebas una y otra vez. KernelEvo propone sustituir esas tediosas iteraciones manuales por una búsqueda automática de la solución óptima. En lugar del enfoque tradicional de «escribir, comprobar y rehacer», el framework genera múltiples versiones de código en CUDA o Triton, las somete a pruebas, analiza su rendimiento, corrige errores y repite el ciclo. Durante el proceso puede llegar a generar hasta un millón de tokens de código y comentarios, lo que permite explorar un enorme abanico de implementaciones posibles. Aunque generar y probar el código requiere recursos de cálculo, el uso habitual resulta rentable, ya que las mejoras de rendimiento reducen los costes de entrenamiento y explotación de los modelos de IA. Las empresas que trabajan con GPU eligen entre varios enfoques: desarrollar todo a mano, utilizar grandes modelos de lenguaje como asistentes, recurrir a ciclos automáticos con retroalimentación como KernelEvo o emplear sistemas completamente autónomos capaces de encontrar por sí mismos estrategias de optimización. Pasar a métodos más automatizados reduce la necesidad de especialistas escasos y hace más predecible el rendimiento de los sistemas. Para las empresas, los núcleos GPU pasan a formar parte de la economía unitaria. Si una operación clave se acelera aunque solo sea entre una vez y media y dos veces, eso repercute directamente en el coste de los experimentos, la velocidad de entrenamiento de los modelos y el gasto en infraestructura en la nube. En los grandes clústeres, estas mejoras se traducen en efectos económicos considerables. Automatizar el desarrollo de núcleos reduce la dependencia de especialistas en optimización de bajo nivel, facilita el crecimiento de los equipos y ayuda a las empresas a lanzar productos al mercado más deprisa. El director general de AIRI, el doctor en Ciencias Físicas y Matemáticas Ivan Oseledets, señaló que, en un contexto de competencia creciente, la eficiencia con la que se entrenan y funcionan los modelos es tan importante como su calidad. Según él, KernelEvo demuestra que el coste de los cálculos de IA puede reducirse no solo comprando equipos más potentes, sino también optimizando de forma inteligente el código que se ejecuta en ellos. La herramienta es gratuita y se distribuye con licencia MIT.