Cómo funcionan los chips neuromórficos y por qué son importantes

El problema con la forma en que piensan las computadoras

Cada computadora convencional construida desde la década de 1940 sigue el mismo esquema básico: un procesador realiza el pensamiento, la memoria almacena los datos y un bus transporta la información entre ellos. Esto se llama la arquitectura de von Neumann, y tiene un defecto fatal. A medida que la inteligencia artificial exige conjuntos de datos cada vez más grandes y cálculos más rápidos, ese estrecho bus de datos se convierte en un cuello de botella paralizante. El procesador pasa más tiempo esperando datos que realmente computando.

El cerebro humano no enfrenta tal limitación. Sus 86 mil millones de neuronas almacenan y procesan información en el mismo lugar, utilizando pequeños pulsos electroquímicos que consumen aproximadamente 20 vatios, menos que una bombilla. Un clúster moderno de entrenamiento de IA, por el contrario, puede consumir decenas de megavatios. La computación neuromórfica tiene como objetivo cerrar esa brecha mediante la construcción de chips que funcionan como cerebros en lugar de calculadoras.

Qué hace que los chips neuromórficos sean diferentes

Los procesadores neuromórficos reemplazan la división tradicional CPU-memoria con redes de neuronas y sinapsis artificiales grabadas directamente en silicio. Estos circuitos se comunican utilizando redes neuronales de espigas (SNN, por sus siglas en inglés), un enfoque fundamentalmente diferente de las redes neuronales profundas que impulsan la IA actual.

En una red neuronal convencional, cada neurona se activa durante cada ciclo de computación, quemando energía ya sea que los datos sean significativos o no. En una SNN, las neuronas artificiales acumulan carga con el tiempo y se activan solo cuando alcanzan un umbral, exactamente como lo hacen las neuronas biológicas. El resultado es que la mayor parte del chip permanece en silencio en un momento dado, procesando solo las señales que importan.

Este diseño impulsado por eventos produce ganancias de eficiencia dramáticas. Según IBM, los chips neuromórficos pueden ser hasta 1000 veces más eficientes energéticamente que las GPU para tareas como el procesamiento sensorial en tiempo real y el reconocimiento de patrones.

Actores clave y arquitecturas

Varias iniciativas importantes de chips están impulsando el hardware neuromórfico hacia un uso práctico:

• Intel Loihi 2: el chip de investigación neuromórfico de segunda generación de Intel ofrece hasta 10 veces la velocidad de procesamiento de su predecesor. En 2024, Intel ensambló Hala Point, el sistema neuromórfico más grande del mundo, que contiene 1152 procesadores Loihi 2 para simular 1150 millones de neuronas.
• IBM NorthPole: diseñado para la inferencia de IA en lugar del entrenamiento, NorthPole integra toda la memoria en el chip, eliminando los retrasos en la transferencia de datos. IBM informa que es aproximadamente 4000 veces más rápido que su chip TrueNorth anterior, al tiempo que sigue siendo altamente eficiente energéticamente.
• BrainChip Akida: un procesador neuromórfico comercial dirigido a dispositivos periféricos, desde cámaras de seguridad hasta drones autónomos, donde los presupuestos de energía son ajustados y la latencia debe ser mínima.

Memristores: la pieza que falta

Un habilitador clave del hardware neuromórfico de próxima generación es el memristor, un componente que cambia su resistencia eléctrica en función del historial de corriente que ha fluido a través de él, muy parecido a como una sinapsis se fortalece o debilita con el uso. Los memristores permiten que los chips realicen computación y almacenamiento simultáneamente, evitando por completo el cuello de botella de von Neumann.

Investigadores de la Universidad de Cambridge desarrollaron recientemente un memristor basado en óxido de hafnio modificado que opera a corrientes de conmutación aproximadamente un millón de veces más bajas que las alternativas convencionales. El dispositivo produjo cientos de niveles de conductancia distintos y estables, un requisito crítico para la computación analógica en memoria, y podría reducir el consumo de energía del hardware de IA hasta en un 70 por ciento.

Hacia dónde se dirigen los chips neuromórficos

Es poco probable que los procesadores neuromórficos reemplacen a las GPU para entrenar modelos de lenguaje grandes en el corto plazo. Su fuerza radica en la inferencia en el borde: robots que reaccionan en tiempo real, dispositivos portátiles que monitorean datos de salud continuamente y vehículos autónomos que procesan fuentes de sensores con una latencia casi nula. Debido a que las redes neuronales de espigas manejan los datos temporales de forma natural, sobresalen en tareas que involucran sonido, movimiento y tacto.

A medida que las cargas de trabajo de IA continúan tensando las redes eléctricas globales, el modelo del cerebro para la computación eficiente se parece menos a una curiosidad y más a una necesidad. Los chips que piensan en espigas pueden determinar en última instancia si la inteligencia artificial puede escalar sin abrumar el suministro de energía del planeta.