Inteligencia artificial
Cómo los Memristores Están Haciendo que la IA Sea Más Similar a los Humanos
El Auge de la Informática Neuromórfica, Hardware de IA Similar al Cerebro
A medida que la IA se convierte en el centro de la industria tecnológica, ha surgido un problema creciente: la gran demanda de cálculo y energía de la IA cuando se realiza utilizando CPUs y GPUs.
Como resultado, los investigadores están trabajando arduamente en Unidades de Procesamiento de Neuronas (NPUs), también llamadas chips neuromórficos, un tipo de hardware de IA que imita las neuronas del cerebro.
“No es que nuestros chips o computadoras no sean lo suficientemente potentes para lo que están haciendo. Es que no son lo suficientemente eficientes. Utilizan demasiada energía.”
El cambio hacia hardware inspirado en el cerebro podría cambiar la forma en que abordamos la inteligencia artificial. Los diseños neuromórficos ofrecen tres ventajas principales sobre los chips convencionales:
- Arquitectura adaptable: circuitos que pueden reconfigurarse según los datos de entrenamiento.
- Eficiencia energética radical: en algunos casos, utilizando solo 1/100ª parte de la potencia de una GPU.
- Menor salida de calor: reduciendo los costosos requisitos de enfriamiento que afectan a los centros de datos de IA de hoy en día.
(Puedes leer más sobre el hardware especializado en IA, incluidas las NPU, en nuestro informe dedicado sobre el tema.)
“Ser capaz de desarrollar microchips que imiten la actividad neural real significa que no necesitas mucha potencia para el modo de espera o cuando la máquina no se está utilizando.
Eso es algo que puede ser una gran ventaja computacional y económica.”
John LaRocco – científico de investigación en psiquiatría en la Facultad de Medicina de Ohio State.
Los investigadores están probando varios métodos prometedores para crear chips neuromórficos. Un enfoque implica utilizar la ferroelectricidad incipiente—un fenómeno que aún no se entiende bien y que podría permitir que los materiales cambien espontáneamente su polarización eléctrica bajo las condiciones adecuadas. Otro se centra en sutras activos hechos de vanadio o titanio, materiales que pueden cambiar dinámicamente sus propiedades eléctricas para imitar la señalización similar al cerebro.
Quizás el camino más ampliamente discutido es el uso de memristores—una clase revolucionaria de componentes electrónicos capaces de almacenar información a través de cambios de resistencia. Estos dispositivos pueden realizar tareas de IA con solo 1/800ª parte del consumo de energía normal, lo que los convierte en una de las soluciones más eficientes en energía en desarrollo.
Cómo los Memristores Imitan las Sinapsis
Deslizar para desplazarse →
| Característica | CPU | GPU | NPU / Chip de Memristor |
|---|---|---|---|
| Arquitectura | Secuencial, propósito general | Paralelo, enfocado en matrices | Inspirado en el cerebro, adaptable |
| Uso de energía | Alto | Moderado a alto | Extremadamente bajo (1/100–1/800 potencia) |
| Eficiencia de aprendizaje | Lento, memoria externa | Entrenamiento rápido, memoria externa | En memoria, autoadaptativo |
| Mejor caso de uso | Computación general | Entrenamiento de modelos de IA | IA de borde, robótica, IA de baja potencia |
Los memristores son componentes electrónicos que imitan las sinapsis que conectan las neuronas al recordar qué estado eléctrico se les asignó después de que se apagó su alimentación.
Esto puede reducir en gran medida la energía y el tiempo perdidos al trasladar datos de un lado a otro entre procesadores y memoria.
Una de las principales fortalezas de los memristores es su capacidad para el aprendizaje in situ eficiente y autoadaptativo, lo cual es fundamental para aplicaciones en robótica y vehículos autónomos.
Además, el bajo consumo de energía de los memristores es particularmente beneficioso en robótica y vehículos autónomos, donde la eficiencia energética es fundamental.
Se están explorando muchos caminos sobre cómo crear los mejores memristores, desde memristores de óxido de titanio relativamente convencionales hasta el uso de neuronas humanas reales (organoides) o incluso hongos.
La idea de utilizar material orgánico, incluidas neuronas reales, para imitar la actividad de las neuronas tiene sentido a nivel teórico. Sin embargo, en la práctica, la interfaz de dicha “computadora” con sistemas de TI tradicionales puede ser desafiante.
“Nuestros sistemas de computación existentes nunca estuvieron diseñados para procesar grandes cantidades de datos o para aprender de solo unos pocos ejemplos por sí mismos.
Una forma de aumentar tanto la eficiencia energética como la de aprendizaje es construir sistemas artificiales que operen según principios observados en el cerebro.”
Esta falta de eficiencia es asombrosa en comparación con el cerebro humano. Un niño pequeño puede aprender a reconocer dígitos manuscritos después de ver solo unos pocos ejemplos de cada uno, mientras que una computadora generalmente necesita miles para lograr la misma tarea.
Y el cerebro humano realiza esta hazaña mientras consume alrededor de 20W de potencia, mientras que los últimos centros de datos de IA están buscando una escala de GW, o casi cien millones de veces más de potencia.
Una nueva opción intermedia podría ser crear chips artificiales que actúen como neuronas en su principio básico. Este es el camino que han tomado los investigadores de la Universidad del Sur de California, la Universidad de California, la Universidad de Massachusetts, la Universidad de Syracuse, el Laboratorio de Investigación de la Fuerza Aérea y el Centro de Investigación Ames de la NASA.
Publicaron sus resultados en Nature Electronics1, bajo el título “Una neurona artificial de impulso basada en un memristor difusivo, un transistor y una resistencia”.
Replicando Cómo las Neuronas se Disparan Usando Memristores Difusivos
¿Cómo Funcionan las Neuronas?
La forma en que las neuronas interactúan entre sí y, en última instancia, procesan información es mediante señales eléctricas y químicas.
Si una señal es lo suficientemente fuerte, genera un impulso eléctrico llamado potencial de acción al permitir que los iones de sodio positivamente cargados inunden la célula.
Fuente: Nature Electronics
Cuando se recibe esta señal eléctrica, causa la liberación de neurotransmisores.
Hasta ahora, los memristores electrónicos y los circuitos de óxido de metal-complementario (CMOS) han utilizado señales eléctricas para simular virtualmente dicha función, lo que requiere cientos de transistores para simular una neurona.
En cambio, los investigadores desarrollaron un dispositivo llamado “memristor difusivo”, que también utiliza interacciones químicas reales para iniciar procesos computacionales.
¿Qué Son los Memristores Difusivos y Cómo Funcionan?
Mientras que los sistemas de silicio tradicionales confían en electrones para realizar cálculos, los memristores difusivos utilizan el movimiento de átomos en su lugar. Utilizan iones de plata incrustados en materiales de óxido para generar pulsos eléctricos que imitan funciones cerebrales naturales.
Fuente: Nature Electronics
Por supuesto, esto no replica exactamente cómo funciona una neurona, pero el principio es muy similar.
“Aunque no son exactamente los mismos iones en nuestras sinapsis y neuronas artificiales, la física que gobierna el movimiento de iones y la dinámica son muy similares.”
En parte, esta similitud se debe a que los iones de plata son fáciles de difundir en este sistema de memristor, similar a cómo los iones de sodio pueden moverse en células orgánicas.
Además del plata, el memristor también utiliza paladio, silicio, titanio y hafnio. La investigación pudo visualizar en tiempo real la difusión de plata en respuesta a un estímulo eléctrico.
Deslizar para desplazarse →
| Capa / Material | Rol en el Dispositivo | Por Qué Es Importante |
|---|---|---|
| Iones de plata (Ag) | Especie móvil para impulsos | Se difunde con facilidad, permitiendo pulsos de iones similares a la descarga neuronal |
| Matriz de óxido (por ejemplo, HfO2) | Huésped de iones / medio de conmutación | Controla el movimiento de iones y la formación de filamentos para estados memristivos |
| Paladio (Pd) | Interfaz de electrodo / catalizador | Contacto estable y química de interfaz favorable |
| Titanio (Ti) | Capa de adhesión / barrera | Mejora la estabilidad del electrodo y la integridad de la pila |
| Silicio (Si) | Substrato / integración de CMOS | Permite la integración vertical dentro de una huella de transistor |
El Futuro: Chips Neuromórficos y IA Eficiente en Energía
Una ventaja clave de este nuevo tipo de memristor es que cabe dentro de la huella de un solo transistor, mientras que los diseños anteriores requerían decenas o incluso cientos.
La prueba inicial utilizó solo un puñado de estos memristores difusivos, demostrando que se pueden utilizar para construir la red neuronal de varios niveles típica utilizada por casi todos los sistemas de IA hoy en día.
Fuente: Nature Electronics
El próximo paso será ensamblar muchos más de estos sistemas para probar cuán eficientes pueden ser al realizar tareas de IA.
“Estamos diseñando los bloques de construcción que eventualmente nos llevaron a reducir el tamaño del chip en órdenes de magnitud, y reducir el consumo de energía en órdenes de magnitud.
Así que puede ser sostenible realizar IA en el futuro, con un nivel de inteligencia similar sin quemar energía que no podemos sostener.”
Descubrir si otros iones pueden usarse también podría ser útil, ya que los iones de plata no se utilizan comúnmente en la fabricación de semiconductores, lo que podría limitar la velocidad de adopción de este diseño por la industria.
Otro efecto de los memristores difusivos es que podrían ayudar a comprender mejor cómo funcionan los cerebros biológicos.
A largo plazo, es probable que sean especialmente útiles para la llamada “computación de borde”, donde la computación se realiza directamente en el sitio, como por ejemplo con un robot o un automóvil autónomo que debe tomar una decisión sin conexión a un centro de datos de IA.
Invertir en Fabricantes de Chips Neuromórficos
Intel (INTC )
Intel es un gigante en el sector de semiconductores y ha evolucionado con los años desde ser un fundador de la industria hasta un líder científico y de innovación, perdiendo el primer lugar de volumen de fabricación ante empresas como TSMC de Taiwán.
Intel es un líder en computación neuromórfica, incluyendo a través de su chip Loihi 2.
También creó la Comunidad de Investigación Neuromórfica de Intel, que incluye la Universidad Estatal de Pensilvania, involucrada en la investigación de dióxido de vanadio, así como muchos otros grupos de investigación potenciales de diseños neuromórficos.
(INTC )
Intel también es muy activo en la imitación de sentidos biológicos a través de la replicación de la forma en que funciona nuestro cerebro (en sí mismo una rama de la computación neuromórfica), algo que discutimos más a fondo en nuestro artículo “Chips Olfativos Biomiméticos: ¿Son la Inteligencia Artificial y las Narices Electrónicas el Próximo Canario en la Mina de Carbón?”
En general, la investigación de Intel Lab está a la vanguardia de la innovación en semiconductores, incluida la IA, la computación cuántica, la computación neuromórfica, etc. (Discutimos los avances de Intel en computación cuántica en nuestro artículo “El Estado Actual de la Computación Cuántica”).
También puedes leer más sobre el negocio actual y los programas de I+D de Intel en nuestro informe de inversión dedicado.
Últimas Noticias y Desarrollos de Acciones de Intel (INTC)
Estudio Referenciado
1. Zhao, R., Wang, T., Moon, T. et al. Una neurona artificial de impulso basada en un memristor difusivo, un transistor y una resistencia. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
