Apple evalúa a PrismML para correr IA comprimida en el iPhone

Apple mantiene conversaciones con PrismML, una startup de Silicon Valley surgida de investigaciones del Instituto de Tecnología de California (Caltech), para evaluar una tecnología que permite correr modelos de inteligencia artificial potentes directamente en el iPhone. El director ejecutivo de PrismML, Babak Hassibi, confirmó a CNBC que Apple y otras empresas están midiendo la velocidad, la eficiencia energética y el rendimiento de sus modelos comprimidos, aunque describió las conversaciones como muy tempranas y dijo que "las cosas están progresando bien".

El martes 14 de julio de 2026, PrismML publicó versiones comprimidas del modelo de código abierto Qwen, de Alibaba. Según la compañía, redujo el tamaño del modelo de aproximadamente 54 GB a menos de 4 GB, lo que permite que sus 27.000 millones de parámetros corran en un iPhone 15 o en modelos más recientes.

El anuncio llegó un día después de que Apple abriera la beta pública de iOS 27, que incluye el rediseño de Siri que la compañía viene demorando. Apple busca que su asistente compita con los de OpenAI y Anthropic sin resignar su estrategia de mantener la mayor cantidad posible de datos y procesamiento dentro del dispositivo.

Correr modelos más grandes de manera local resolvería una de las principales limitaciones técnicas de Apple: los sistemas de IA más capaces suelen requerir más memoria y potencia de procesamiento de la que ofrece un teléfono. Hacerlo en el dispositivo reduciría la latencia, bajaría los costos de infraestructura en la nube, reforzaría el argumento de privacidad de la marca y permitiría que algunas funciones operen sin conexión a internet.

Cómo funciona la compresión

PrismML logra la reducción simplificando la forma en que se almacenan los valores internos del modelo: en lugar de 16 bits por valor, usa apenas uno o tres valores posibles. Hassibi comparó el método con el paso de la industria de semiconductores de la computación de 8 bits a la de 4 bits, aunque dijo que su técnica va un paso más allá.

Según la startup, los modelos comprimidos consumen entre 10 y 15 veces menos memoria, generan respuestas entre 6 y 8 veces más rápido y gastan entre 3 y 6 veces menos energía que las versiones convencionales en el mismo hardware. Hassibi reconoció una contrapartida: los modelos pierden algunos puntos porcentuales de rendimiento general, y la capacidad de recordar datos factuales se debilita antes que habilidades como el razonamiento, las matemáticas o la programación.

PrismML libera de forma gratuita dos versiones comprimidas del modelo, pensadas para correr en iPhone, MacBook y computadoras con procesadores de Nvidia. La tecnología nació en el grupo de investigación de Hassibi en Caltech, que retiene las patentes y se las licencia en exclusiva a la startup. En marzo de 2026, PrismML cerró una ronda semilla de 16,25 millones de dólares respaldada por Khosla Ventures y otros inversores.

Hassibi adelantó que el próximo modelo en pasar por el proceso de compresión será Gemma, de Google, y que luego seguirán modelos más grandes, incluidos algunos de laboratorios de punta que hoy solo corren en centros de datos.

Analistas consultados por CNBC señalaron que las afirmaciones de PrismML todavía deben probarse fuera de demostraciones controladas. Tarun Pathak, de Counterpoint Research, dijo que la prueba real llegará con millones de consultas y miles de combinaciones de dispositivos. Phil Solis, de IDC, apuntó que el consumo de batería en tareas prolongadas o en segundo plano será una de las incógnitas centrales. El debate se da además en un momento en que crece la discusión sobre si las ganancias de eficiencia en IA podrían reducir la demanda de chips de memoria e infraestructura de centros de datos: Morgan Stanley proyectó que los costos de memoria de Apple podrían subir con fuerza durante el año fiscal 2027, lo que eventualmente podría encarecer al iPhone.