El 'hardware lottery' (lotería del hardware) es un concepto que describe cuándo una idea de investigación tiene éxito no por ser intrínsecamente superior, sino por adaptarse advantageously al hardware y software disponibles en un momento dado. Este fenómeno histórico ha causado que muchas investigaciones prometedoras fueran abandonadas prematuramente, mientras que otras menos óptimas prosperaron simplemente porque contaron con las herramientas adecuadas.
La historia de la computación muestra cómo esta lotería ha moldeado el progreso tecnológico. En los primeros ordenadores, cada máquina se diseñaba para una tarea específica: la máquina diferencial de Babbage solo calculaba polinomios. Sin embargo, la llegada de la Ley de Moore en 1969 cambió todo. Los fabricantes de chips pudieron centrarse en procesadores de propósito general que resolvían múltiples tareas, ya que podían obtener márgenes de beneficio predecibles sin experimentar con diseños especializados. Esto creó una separación entre las comunidades de investigación de hardware, software y algoritmos, que pasaron a evolucionar de forma aislada.
Las consecuencias de no ganar esta «lotería» quedaron evidenciadas en el caso de las redes neuronales profundas. Aunque los componentes algorítmicos como la retropropagación existían desde 1963, no pudieron implementarse exitosamente porque las CPUs de la época sufrían el 'cuello de botella de von Neumann', incapable de manejar la masiva paralelización requerida para el entrenamiento de redes profundas. No fue hasta principios de los años 2000, con la llegada de las GPUs (unidades de procesamiento gráfico) diseñadas originalmente para videojuegos, que las redes neuronales pudieron florecer. Las GPUs casualmente ofrecían la arquitectura paralela necesaria, permitiendo que ideas de décadas finalmente rindieran frutos.
Hoy, con el auge del hardware específico para aprendizaje profundo, existe el riesgo de que la especialización excesiva haga aún más costoso explorar direcciones de investigación alejadas del camino establecido. Si bien esto mejora la eficiencia comercial, podría silenciar alternativas necesarias para alcanzar una inteligencia artificial verdaderamente diferente.