Chips neuromórficos: un enfoque de hardware para la eficiencia energética de la IA

Los sistemas de inteligencia artificial contemporáneos, particularmente los grandes modelos, son notablemente intensivos en energía. Se estima que para 2030 el consumo global de energía por parte de la IA podría ascender a 945 teravatios-hora (TWh), una cifra que supera con creces el consumo energético total de un país como España, que en 2025 fue de 256 TWh. Esta situación plantea un desafío crucial sobre cómo construir inteligencias artificiales más potentes sin incurrir en un gasto energético desproporcionado.

En este contexto, los chips neuromórficos se presentan como una solución prometedora. Según informa The Conversation España, estos circuitos están diseñados para emular principios fundamentales del sistema nervioso, diferenciándose de la arquitectura Von Neumann tradicional, donde el procesamiento y la memoria residen en unidades separadas. A diferencia de esta última, los chips neuromórficos integran ambas funciones, minimizando el tráfico de datos, el consumo de energía y la generación de calor, de manera análoga al funcionamiento de una red neuronal biológica.

Una de las contribuciones centrales de esta tecnología son las redes neuronales de impulsos. Estas redes transmiten información mediante señales discretas, activándose únicamente cuando detectan un evento relevante y permaneciendo inactivos en su ausencia. Un ejemplo de su aplicación práctica podría ser una cámara de seguridad que, en lugar de analizar continuamente cada fotograma, solo procesa cambios significativos, como un movimiento o una variación de luz. Este principio es la base de su eficiencia.

El chip NeuRRAM, desarrollado en la Universidad de California en San Diego, es un ejemplo de este tipo de circuitos. Este avance y otros similares buscan ofrecer ventajas en términos de autonomía, baja latencia y un consumo energético reducido, haciéndolos atractivos para una amplia gama de aplicaciones que incluyen sensores, robótica, dispositivos médicos, audífonos, drones, vehículos autónomos y sistemas industriales. Además, la capacidad de procesar datos localmente, gracias a componentes como los memristores que integran almacenamiento y procesamiento, puede mejorar la privacidad al reducir la necesidad de enviar información a servidores externos.

La investigación en computación neuromórfica no se limita a entornos académicos. Empresas como Intel están desarrollando chips de investigación como Loihi 2 y han creado Lava, un marco abierto para programar aplicaciones neuromórficas. Por su parte, IBM explora enfoques similares con NorthPole. Asimismo, centros de investigación como la Universidad de Cambridge están investigando nuevos materiales, como el óxido de hafnio, para crear memristores más estables y eficientes. Esta labor ha sido apoyada por el Gobierno Regional de Cantabria y financiada por la Unión Europea bajo el proyecto de investigación 2023-TCN-008 UETAI.

Es importante precisar que esta tecnología no pretende sustituir a corto plazo a los procesadores gráficos (GPU) utilizados para el entrenamiento de grandes modelos de lenguaje, ni se espera que integren pronto los dispositivos móviles de consumo masivo. Su potencial inmediato reside en la inteligencia artificial en el borde (_edge AI_), donde la ejecución local de tareas que requieren respuestas rápidas y bajo consumo es crítica. Aunque ya existen prototipos, la programación de estos sistemas es compleja, faltan estándares y su paso del laboratorio a la fabricación masiva podría extenderse durante años. En un futuro, es probable que los chips neuromórficos constituyan un componente más dentro de un ecosistema de hardware cada vez más diversificado.