Google

Durante la última década, la inteligencia artificial se ha concentrado principalmente en la nube. Modelos grandes, entrenados y ejecutados en centros de datos centralizados, han impulsado chatbots, herramientas empresariales y aplicaciones de consumo, pero este enfoque tiene sus desventajas. La dependencia de la nube introduce latencia, aumenta los costos de infraestructura y requiere que los datos de los usuarios se transmitan a través de redes. A medida que la IA se integra en los sistemas operativos y el software cotidiano, estas limitaciones se hacen cada vez más evidentes.

Google está señalando ahora un cambio en su estrategia de implementación de la IA. Junto con sus modelos Gemini basados en la nube, la compañía ha estado expandiendo su pila de IA en el borde (edge AI), incluyendo las herramientas Google Edge y un nuevo modelo compacto llamado FunctionGemma. En conjunto, estos esfuerzos apuntan a una estrategia que considera la ejecución local como una capa fundamental de la infraestructura de IA, en lugar de una optimización de nicho.

FunctionGemma está diseñado para ejecutarse directamente en dispositivos móviles e interpretar comandos de lenguaje natural en acciones sin depender de la inferencia en la nube, permitiendo que los teléfonos respondan instantáneamente a la intención del usuario. El modelo se enmarca dentro de la estrategia más amplia de Google para hacer que la IA sea utilizable incluso cuando la conectividad es limitada, y para reducir la necesidad de que cada interacción pase por sistemas centralizados. Según informó VentureBeat, el modelo está destinado a “controlar dispositivos móviles” traduciendo el lenguaje en comandos ejecutables, lo que subraya su papel como una capa de control en el dispositivo, más que como una interfaz conversacional.

FunctionGemma está diseñado para la ejecución en el borde

FunctionGemma es una variante especializada del modelo Gemma 3 270M de Google, pero su entrenamiento y propósito difieren significativamente de los modelos de lenguaje general. Como detalló MarkTechPost, FunctionGemma está optimizado para la llamada a funciones (function calling), lo que significa que convierte el lenguaje natural en salidas estructuradas que los sistemas de software pueden ejecutar directamente. En lugar de producir texto libre, el modelo genera instrucciones que se asignan a acciones definidas.

Este enfoque refleja una creciente comprensión de que muchas interacciones con la IA son operativas, no conversacionales. Los usuarios esperan que la IA integrada en los dispositivos haga cosas, no solo las explique. Los modelos de propósito general pueden comprender la intención, pero a menudo tienen dificultades para activar acciones precisas de manera confiable. Las pruebas internas de Google resaltan esta brecha. Un modelo pequeño de referencia tuvo un rendimiento inconsistente en tareas de acción móvil, pero después de un ajuste específico, la precisión de FunctionGemma mejoró sustancialmente, lo que demuestra cómo la especialización mejora la fiabilidad.

Debido a que FunctionGemma se ejecuta localmente, esas acciones ocurren de inmediato. No hay un viaje de ida y vuelta a través de la red y no es necesario transmitir los datos del usuario a servidores externos. VentureBeat señala que esto permite el control de dispositivos en tiempo real, incluso en escenarios sin conexión, lo que hace que el modelo sea adecuado para entornos móviles y embebidos. Esta ejecución local también se alinea con las crecientes expectativas de privacidad, ya que los datos confidenciales permanecen en el dispositivo en lugar de ser procesados de forma remota.

La pequeña huella de FunctionGemma es fundamental para su función. Como escribe MarkTechPost, el modelo fue diseñado para operar en hardware restringido manteniendo suficiente comprensión contextual para manejar comandos prácticos. En lugar de posicionarlo como un asistente independiente, Google está tratando a FunctionGemma como un componente que se puede integrar en aplicaciones, habilitando silenciosamente la IA orientada a la acción bajo la superficie.

Auge de las arquitecturas de IA híbridas

FunctionGemma encaja en el impulso más amplio de Google hacia la IA en el borde, que incluye las herramientas Google Edge diseñadas para ayudar a los desarrolladores a implementar y ejecutar modelos localmente en teléfonos, navegadores y dispositivos integrados. En conjunto, estos esfuerzos reflejan un cambio hacia arquitecturas de IA híbridas que dividen las responsabilidades entre los sistemas locales y la nube.

En este modelo, los modelos de borde ligeros manejan tareas rutinarias y de alta frecuencia donde la velocidad y la fiabilidad son más importantes, mientras que los modelos de nube más grandes se reservan para el razonamiento complejo, el análisis y la generación. Esta división reduce el uso de la computación en la nube y mejora la capacidad de respuesta sin sacrificar el acceso a capacidades avanzadas cuando sea necesario.

La economía del despliegue de la IA también cambia con este enfoque. Los costos de inferencia en la nube se escalan con el uso, lo que se vuelve costoso a medida que las funciones de inteligencia artificial se proliferan en los productos. Ejecutar modelos específicos en los dispositivos reduce la demanda continua de infraestructura y hace que el rendimiento sea más predecible. A medida que la IA se convierte en parte de los sistemas operativos y las aplicaciones principales, esa previsibilidad se vuelve cada vez más importante.

También hay implicaciones en cuanto a la gobernanza. El procesamiento de datos localmente limita la cantidad de información que debe transmitirse o almacenarse de forma centralizada, lo que reduce la exposición a medida que aumenta el escrutinio en torno a las prácticas de datos de la IA. La ejecución en el borde permite que las funciones de IA funcionen minimizando los riesgos asociados con la agregación de datos a gran escala.