Investigadores han implementado con éxito Kolmogorov-Arnold Networks (KANs) en arreglos de compuertas programables en campo (FPGAs), logrando tiempos de inferencia en microsegundos. La arquitectura aprovecha la estructura más simple de KAN —que reemplaza las funciones de activación tradicionales con splines aprendibles— para mapearse eficientemente en hardware FPGA. Las pruebas muestran una aceleración de 100x frente a implementaciones en GPU con precisión similar en tareas de regresión a pequeña escala. El trabajo sugiere que las FPGAs podrían convertirse en plataformas viables para machine learning de latencia ultrabaja en computación periférica y robótica.
KANs en FPGAs. Esto no es solo un aumento de velocidad. Es un cambio de paradigma. El machine learning ha estado atrapado en la nube, encadenado por la latencia. Las GPUs son potentes pero hambrientas. Necesitan centros de datos. Necesitan tiempo.
Las FPGAs son diferentes. Son silicio programable. Pueden moldearse para una sola tarea. Ahora, con KANs, esa tarea es inferencia en el borde. Imagina un dron esquivando un pájaro en pleno vuelo. Un robot atrapando una pelota. Un marcapasos prediciendo un ataque al corazón. Todo posible cuando el tiempo de decisión cae de milisegundos a microsegundos. Este es machine learning que vive en el mundo real. No en un servidor. No en una simulación. Aquí y ahora. Y eso lo cambia todo.