Chips neuromórficos: la IA que aprende a ahorrar energía
Los procesadores neuromórficos de Intel e IBM prometen ejecutar IA local con una fracción del consumo actual, llevando la inteligencia a sensores y baterías.
Chips que imitan el cerebro
El bombeo de datos hacia los centros de cómputo tiene los días contados, al menos según la industria de los chips neuromórficos: procesadores diseñados para funcionar como las redes de neuronas biológicas, procesando información en ráfagas y casi sin despilfarrar energía. A diferencia de las GPU, que ejecutan cálculos masivos en paralelo a base de potencia bruta, estos circuitos solo "disparan" cuando hay algo que calcular, igual que hace una neurona real.
La apuesta es de calado: se estima que entrenar y operar grandes modelos de IA ya consume por sí sola cerca del 1,5 % de la electricidad mundial, y la cifra se duplica aproximadamente cada dos años. Si la IA quiere llegar a sensores, gafas, vehículos o satélites, no puede arrastrar detrás un centro de datos.
Los protagonistas: Loihi, NorthPole y más allá
Dos proyectos concentran buena parte del interés. El primero es Loihi 2, el procesador neuromórfico de Intel, que Integra unos ocho millones de "neuronas" digitales organizadas en una arquitectura asíncrona: cada núcleo solo se activa cuando recibe espigas de corriente. El segundo es NorthPole, de IBM, un sistema inspirado en el cerebro que sitúa la memoria junto al cálculo, eliminando el cuello de botella clásico de la arquitectura von Neumann (el famoso "memory wall").
Detrás llegan actores como BrainChip, con su chip Akida, y universidades que exploran memristores, componentes capaces de recordar cuánta corriente los atravesó y de emular la sinapsis con un solo dispositivo analógico.
Por qué importa el consumo
Los números que manejan los laboratorios son llamativos:
- Los prototipos neuromórficos consumen hasta 100 veces menos en tareas de detección de patrones que una GPU equivalente.
- Los sensores conectados a estos chips pueden operar meses con una pila de botón, frente a horas o días en el diseño tradicional.
- Responden en microsegundos, lo que los hace idóneos para coches autónomos, robots y prótesis.
Aplicaciones reales, no ciencia ficción
El salto de laboratorio a mercado está en marcha. En energía, redes de sensores neuromórficos vigilan líneas eléctricas sin necesidad de baterías recargadas. En salud, los laboratorios prueban implantes cocleares y neuronas artificiales con el fin de restaurar la visión o el movimiento. Y en vigilancia industrial, estos chips detectan defectos en líneas de montaje funcionando en el borde, sin dejar la fábrica.
El objetivo no es competir con la IA generativa, sino llevarla donde hoy no puede llegar: a los dispositivos que viven de una batería.
El reto de programar neuronas
Aún hay obstáculos. Programar un chip que aprende por refuerzo hebbiano ("las neuronas que se disparan juntas, se conectan juntas") exige herramientas nuevas, lejos del ecosistema maduro de frameworks como PyTorch o TensorFlow. Además, la industria carece de estándares para describir redes de espigas, aunque iniciativas como snnTorch o el kit Lava de Intel están acelerando la curva de adopción.
La transición recuerda a la del salto de CPU a GPU para deep learning a principios de los años 2010. Entonces nadie sabía programar bien una GPU; hoy dominan el mercado de la IA. El neuromórfico podría ser el siguiente relevo generacional.
Fuentes
Intel Research — Neuromorphic Computing
IBM Research — NorthPole
Nature — Neuromorphic Engineering
IEEE Spectrum — Computación con redes de espigas