Chips neuromórficos, neuronas digitales que procesan y guardan información

Muchos de los sistemas asociados a las inteligencias artificiales actuales calculan, mueven datos y consumen energía de forma casi permanente. Los grandes modelos necesitan centros de datos, procesadores especializados, memoria de alto rendimiento, refrigeración y enormes cantidades de electricidad –se calcula que gastarán 945 TWh, en 2030 (para ponerlo en contexto, España consumió 256 TWh de energía en 2025)–.

La pregunta ya no es solo cómo construir una IA más potente. El reto, especialmente en tiempos de crisis energética, es cómo construir una IA que no tenga que gastar tanto para parecer inteligente. Aquí entran en escena los chips neuromórficos, circuitos inspirados en el cerebro que no intentan calcularlo todo todo el tiempo; solo se activan ante señales relevantes.

El cerebro no calcula como un portátil

Un chip neuromórfico es un circuito diseñado para imitar algunos principios básicos del sistema nervioso. No es un cerebro en miniatura; no siente, no piensa ni va a despertar un día preguntándose quién lo ha fabricado. Lo que hace es tomar prestadas ciertas estrategias biológicas: neuronas que se activan cuando reciben suficiente señal, conexiones parecidas a sinapsis –zona de conexión y comunicación entre dos neuronas–, comunicación mediante impulsos y procesamiento distribuido –utiliza un gran número de ordenadores organizados en una infraestructura de telecomunicaciones distribuida–.

Hay una gran diferencia con un ordenador convencional. En la arquitectura clásica, memoria y procesador están separados. Los datos se guardan en un lugar y se calculan en otro, por eso, cada operación obliga a mover información de ida y vuelta. Ese tráfico consume energía, genera calor y limita la velocidad.

Sin embargo, el cerebro trabaja de otra manera. En una red neuronal biológica, memoria, procesamiento y comunicación están mucho más entrelazados y las neuronas no están todas activas todo el tiempo; muchas permanecen en silencio hasta que reciben una señal significativa.

IA que actúa solo si es necesario

Una de las aportaciones centrales de esta tecnología son las redes neuronales de impulsos. En lugar de transmitir información de forma continua, estas redes envían señales discretas: el chip se activa cuando ocurre algo relevante y permanece inactivo cuando no hay nada importante que procesar.

Imagine aplicar esto en una cámara de seguridad. Un sistema convencional puede analizar fotograma a fotograma, aunque la escena apenas cambie. Una cámara neuromórfica, en cambio, podría centrarse en eventos: un movimiento, una sombra, una variación de luz. No necesita “mirarlo todo” con la misma intensidad todo el tiempo. Solo procesa el cambio.

Por eso, esta tecnología es atractiva para sensores, robots, dispositivos médicos, audífonos, drones, vehículos autónomos o sistemas industriales, ya que puede ser muy eficaz en tareas donde importan la autonomía, la baja latencia y el consumo reducido.

Sinapsis electrónicas

En este contexto, los memristores son dispositivos capaces de “recordar” su estado eléctrico anterior que se utilizan para imitar, de forma muy simplificada, el comportamiento de una sinapsis.

En una sinapsis biológica, la conexión entre neuronas transmite señales y participa en el aprendizaje y la memoria. Los memristores intentan trasladar esa lógica al mundo electrónico. En vez de separar radicalmente almacenamiento y procesamiento, son componentes que hacen ambas cosas en el mismo lugar.

Esto, además, tiene una ventaja añadida: la privacidad. Si un dispositivo puede interpretar ciertos patrones sin mandar continuamente información a servidores externos, se reduce la exposición de datos sensibles.

Primeros pasos en la industria y los centros de investigación

La computación neuromórfica no es una fantasía aislada en laboratorios. Intel lleva años investigando esta vía con Loihi 2, un chip neuromórfico de investigación. También, ha desarrollado Lava, un marco abierto para programar aplicaciones neuromórficas. Por su parte, IBM, con NorthPole, explora otra ruta: integrar memoria y cálculo dentro del propio chip para mejorar la eficiencia en tareas de inferencia –que extraen información implícita a partir de patrones, textos o imágenes–.

Estos chips no necesariamente usarán obleas de silicio tradicionales. Por ejemplo, investigadores de la Universidad de Cambridge han trabajado hace poco con materiales basados en óxido de hafnio para crear memristores estables y de bajo consumo.

¿Sustituirán a la tecnología actual?

Esta tecnología no va a sustituir en el corto plazo a los procesadores GPU que entrenan grandes modelos de lenguaje, ni formará parte de cerebros artificiales en los móviles que compremos las próximas navidades. Esos escenarios aún están lejos.

Su potencial inmediato está en la IA en el borde o edge AI, que funciona en el propio dispositivo del usuario, sin enviar todos los datos a la nube. Las aplicaciones donde tiene más sentido son aquellas que necesitan responder rápido, consumir poco y procesar datos localmente. Por ejemplo, en un parche médico que monitoriza señales corporales, un audífono que filtra sonidos, un robot que se mueve por un hospital o un sensor industrial que detecta fallos.

La eterna promesa con límites muy acotados

Durante años, la computación neuromórfica fue una promesa elegante, pero difícil de llevar al mercado. Hoy hay prototipos y artículos científicos, aunque programar estos sistemas no es sencillo. Faltan estándares y pasar del laboratorio a la fabricación masiva puede llevar años.

En el futuro, probablemente, serán una pieza más dentro de un ecosistema de hardware que cada vez es más diverso: GPU, aceleradores especializados, chips de memoria, sensores inteligentes y memristores.

La pregunta más interesante no es si reemplazarán a todo lo demás, sino en qué tareas serán mejores.

Este trabajo ha sido apoyado por el Gobierno Regional de Cantabria y financiado por la UE bajo el proyecto de investigación 2023-TCN-008 UETAI.