Un equipo de físicos de Loughborough University, en Reino Unido, liderado por Pavel Borisov, presentó un chip inspirado en el funcionamiento del cerebro humano que podría cambiar el equilibrio entre potencia de cómputo y consumo energético en inteligencia artificial.
El desarrollo se inscribe en una problemática concreta: el crecimiento exponencial de la IA está tensionando la infraestructura energética global. Modelos cada vez más grandes demandan más recursos, lo que impacta directamente en costos operativos y huella de carbono. En este contexto, el hardware neuromórfico emerge como una alternativa que redefine cómo se procesan los datos.
Este chip propone una lógica distinta. En lugar de depender exclusivamente de software ejecutado sobre arquitecturas tradicionales, integra el procesamiento directamente en el material físico, replicando dinámicas del cerebro humano.
Del software al material: cómo funciona el nuevo chip
El dispositivo desarrollado por Loughborough University utiliza nanopartículas de óxido y un memristor de óxido nanoporo. Este componente es clave: permite almacenar información sobre estímulos previos y generar múltiples canales internos de procesamiento, de manera similar a las sinapsis neuronales.
A nivel conceptual, un memristor es un tipo de componente electrónico cuya resistencia varía según el historial de señales que ha recibido. Esto lo convierte en una pieza ideal para replicar comportamientos adaptativos, esenciales en sistemas de inteligencia artificial.
La diferencia central frente a la computación tradicional es estructural. En los sistemas actuales, los datos deben moverse constantemente entre memoria y procesador, lo que consume energía. En este caso, el chip procesa la información directamente donde se almacena, aprovechando las propiedades físicas del material.
Este cambio redefine la ecuación energética de la IA: menos movimiento de datos implica menor consumo.
Resultados experimentales: eficiencia y capacidades
Las pruebas realizadas muestran resultados concretos. El chip fue capaz de procesar series temporales complejas, como el modelo Lorenz-63 —utilizado para simular sistemas caóticos—, prediciendo su evolución con un consumo energético significativamente inferior al de un sistema convencional.
También se evaluó su desempeño en tareas básicas de inteligencia artificial, como operaciones lógicas (XOR), reconocimiento de imágenes pixeladas y reconstrucción de datos incompletos.
En estos escenarios, el ahorro energético puede alcanzar hasta 2000 veces respecto a soluciones basadas en software tradicional, aunque este valor varía según la complejidad de la tarea.
Este dato introduce un punto clave: la eficiencia no es uniforme, pero sí consistente en su dirección. El hardware neuromórfico demuestra que es posible ejecutar tareas de IA con una fracción del consumo actual.
Implicaciones para edge computing, IoT y centros de datos
El impacto de este tipo de desarrollos trasciende el laboratorio. La posibilidad de ejecutar modelos de inteligencia artificial en dispositivos con recursos limitados redefine múltiples escenarios tecnológicos.
En edge computing, por ejemplo, este enfoque permite procesar datos directamente en el dispositivo, sin necesidad de enviarlos a la nube. Esto reduce latencia, mejora la privacidad y disminuye el consumo energético global.
En el ecosistema IoT, habilita sensores inteligentes capaces de operar durante largos períodos con baterías pequeñas. En términos concretos, esto amplía el alcance de soluciones en industrias como manufactura, salud o ciudades inteligentes.
A nivel de centros de datos, la reducción del consumo energético aborda uno de los principales desafíos del sector. El crecimiento de la IA generativa ha incrementado la demanda eléctrica, generando presión sobre la infraestructura y los costos. Un modelo más eficiente podría aliviar este escenario.
Un cambio de paradigma en la arquitectura de la IA
El desarrollo de Loughborough University refleja una transición más amplia en la industria: la búsqueda de arquitecturas que integren inteligencia en el hardware, en lugar de depender exclusivamente del software.
Este enfoque no reemplaza las arquitecturas actuales, pero introduce una nueva capa de especialización. En aplicaciones donde la eficiencia energética es crítica, el hardware neuromórfico se posiciona como una alternativa viable.
El cambio es conceptual. La inteligencia artificial deja de ser únicamente un problema de algoritmos y pasa a ser también un problema de materiales.
En ese cruce entre física, electrónica y computación se define el próximo salto de la IA.
Leer más
- Melania Trump presentó al robot humanoide Figure 03 en una cumbre global sobre educación e inteligencia artificial en la Casa Blanca
- YouTube lanza “Ask” en TV: la función con IA para consultar contenido en tiempo real
- Anthropic endurece el acceso a Claude y deja fuera a OpenClaw
