Inteligencia artificial
Cómo los Memristores están haciendo que la IA sea más parecida a la humana
Añade Securities.io a tus fuentes preferidas en Google
El auge del hardware de IA neuromórfico, similar al cerebro
A medida que la IA se convierte en el centro de la industria tecnológica, ha surgido un problema creciente: la enorme demanda de capacidad informática y energía que requiere cuando se ejecuta mediante CPU y GPU.
Por ello, los investigadores trabajan intensamente en unidades de procesamiento neuronal (NPU), 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 hacen. Es que no son lo suficientemente eficientes. Consumen demasiada energía.”
El paso hacia un hardware inspirado en el cerebro podría transformar nuestra forma de abordar la inteligencia artificial. Los diseños neuromórficos ofrecen tres grandes ventajas frente a los chips convencionales:
- Arquitectura adaptativa: circuitería que puede reconfigurarse según los datos de entrenamiento.
- Eficiencia energética radical: en algunos casos, consumen apenas 1/100th de la energía de una GPU.
- Menor generación de calor: reducen las costosas necesidades de refrigeración que afectan a los centros de datos de IA actuales.
“Poder desarrollar microchips que imiten la actividad neuronal real significa que no se necesita mucha energía en modo de espera o cuando la máquina no está en uso.
Eso puede ser una gran ventaja computacional y económica potencial.
Los investigadores están probando varios métodos prometedores para crear chips neuromórficos. Uno consiste en aprovechar la ferroelectricidad incipiente, un fenómeno aún poco comprendido que podría permitir a los materiales cambiar espontáneamente su polarización eléctrica en las condiciones adecuadas. Otro se centra en sustratos activos de vanadio o titanio, materiales capaces de modificar dinámicamente sus propiedades eléctricas para imitar la señalización cerebral.
Quizá la vía más comentada sea el uso de memristores, una clase revolucionaria de componentes electrónicos capaces de almacenar información mediante cambios en la resistencia. Estos dispositivos pueden realizar tareas de IA consumiendo tan solo 1/800th de la energía habitual, lo que los convierte en una de las soluciones más eficientes en desarrollo.
Cómo los memristores imitan las sinapsis
Desliza para desplazarte →
| Característica | CPU | GPU | NPU / chip con memristores |
|---|---|---|---|
| Arquitectura | Secuencial, propósito general | Paralelo, enfocado en matrices | Inspirado en el cerebro, adaptativo |
| Uso de energía | Alto | Moderado a alto | Extremadamente bajo (1/100–1/800 de la energía) |
| Eficiencia de aprendizaje | Lento, memoria externa | Entrenamiento rápido, memoria externa | En memoria, auto‑adaptativo |
| Mejor caso de uso | Computación general | Entrenamiento de modelos de IA | IA en el borde, robótica, IA de bajo consumo |
Los memristores son componentes electrónicos que imitan las sinapsis que conectan las neuronas al recordar el estado eléctrico en el que quedaron incluso después de cortar la alimentación.
Esto puede reducir enormemente la energía y el tiempo perdidos al trasladar datos continuamente entre los procesadores y la memoria.
Una de las principales fortalezas de los memristores es su capacidad para un aprendizaje in situ eficiente y auto‑adaptativo, lo cual es crítico 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 primordial.
Se están explorando numerosas vías para crear los mejores memristores, desde los relativamente convencionales memristores de óxido de titanio hasta el uso de neuronas humanas reales (organoides) o incluso hongos.
La idea de utilizar material orgánico, incluidas neuronas reales, para imitar la actividad neuronal tiene sentido en teoría. En la práctica, sin embargo, conectar un “ordenador” de este tipo con los sistemas informáticos tradicionales puede resultar difícil.
“Nuestros sistemas informáticos existentes nunca fueron diseñados para procesar enormes cantidades de datos o para aprender por sí solos a partir de solo unos pocos ejemplos.
Una forma de impulsar tanto la eficiencia energética como la de aprendizaje es construir sistemas artificiales que operen según los principios observados en el cerebro.”
Esta falta de eficiencia resulta asombrosa al compararla con el cerebro humano. Un niño puede aprender a reconocer dígitos escritos a mano tras ver solo unos pocos ejemplos de cada uno, mientras que un ordenador suele necesitar miles para realizar la misma tarea.
Además, el cerebro humano lo consigue consumiendo unos 20 W, mientras que los centros de datos de IA más recientes se acercan a la escala de gigavatios, casi cien millones de veces más energía.
Una opción intermedia sería crear chips artificiales que funcionen como neuronas en su principio básico. Esta es la vía seguida por 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 con el título “Una neurona artificial de disparo basada en un memristor difusivo, un transistor y una resistencia”.
Cómo reproducir el disparo de las neuronas mediante memristores difusivos
¿Cómo funcionan las neuronas?
Las neuronas interactúan entre sí y, en última instancia, procesan información mediante señales eléctricas y químicas.
Si una señal es lo bastante intensa, permite la entrada masiva de iones de sodio con carga positiva en la célula y genera un impulso eléctrico llamado potencial de acción.
Fuente: Nature Electronics
Cuando se recibe esta señal eléctrica, se produce la liberación de neurotransmisores.
Hasta ahora, los memristores electrónicos y los circuitos de semiconductor complementario de óxido metálico (CMOS) han utilizado señales eléctricas para simular virtualmente este funcionamiento, necesitando cientos de transistores para representar una sola neurona.
En su lugar, los investigadores desarrollaron un dispositivo denominado “memristor difusivo”, que también emplea interacciones químicas reales para iniciar procesos de cálculo.
¿Qué son los memristores difusivos y cómo funcionan?
Mientras que los sistemas tradicionales de silicio dependen de los electrones para realizar cálculos, los memristores difusivos utilizan el movimiento de átomos. Emplean iones de plata incorporados en materiales de óxido para generar pulsos eléctricos que imitan las funciones naturales del cerebro.
Fuente: Nature Electronics
Por supuesto, no reproduce exactamente el funcionamiento de una neurona, pero el principio es muy similar.
“Aunque no sean exactamente los mismos iones en nuestras sinapsis y neuronas artificiales, la física que gobierna el movimiento y la dinámica de los iones es muy similar”.
Parte de esta similitud se debe a que los iones de plata se difunden con facilidad en este sistema de memristores, de forma parecida a cómo se desplazan los iones de sodio en las células orgánicas.
Además de plata, el memristor utiliza paladio, silicio, titanio y hafnio. Los investigadores pudieron visualizar en tiempo real la difusión de la plata como respuesta a un estímulo eléctrico.
Desliza para desplazarte →
| Capa / Material | Rol en el dispositivo | Por qué es importante |
|---|---|---|
| Iones de plata (Ag) | Especie móvil que genera los pulsos | Se difunde fácilmente, permitiendo pulsos impulsados por iones similares al disparo neuronal |
| Matriz de óxido (p. ej., HfO2) | Alojamiento de iones y medio de conmutación | Controla el movimiento de iones y la formación de filamentos para los estados memristivos |
| Paladio (Pd) | Electrodo / interfaz catalítica | 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) | Sustrato / integración CMOS | Permite la integración vertical dentro del espacio de un transistor |
El futuro: chips neuromórficos e IA energéticamente eficiente
Una ventaja fundamental de este nuevo tipo de memristor es que cabe en el espacio de un solo transistor, mientras que los diseños anteriores necesitaban decenas o incluso cientos.
La prueba inicial utilizó únicamente un pequeño número de memristores difusivos, pero demostró que pueden emplearse para construir la red neuronal multinivel habitual en casi todos los sistemas de IA actuales.
Fuente: Nature Electronics
El siguiente paso será ensamblar muchos más sistemas de este tipo para comprobar su eficiencia al ejecutar tareas reales de IA.
“Estamos diseñando los componentes básicos que acabarán permitiéndonos reducir el tamaño del chip y el consumo de energía en varios órdenes de magnitud.
Así, en el futuro será posible ejecutar IA de forma sostenible, con un nivel de inteligencia similar, sin consumir una cantidad de energía que no podemos mantener”.
También sería útil determinar si pueden emplearse otros iones, ya que los de plata no son habituales en la fabricación de semiconductores y podrían limitar la rapidez con la que la industria adopte este diseño.
Otro efecto de los memristores difusivos es que podrían ayudar a comprender mejor el funcionamiento del cerebro biológico.
A largo plazo, probablemente serán especialmente útiles para la llamada “computación en el borde”, en la que el cálculo se realiza directamente en el lugar, por ejemplo cuando un robot o un vehículo autónomo debe tomar una decisión sin conectarse a un centro de datos de IA.
Invertir en fabricantes de chips neuromórficos
Intel
Intel (INTC ) es un gigante del sector de los semiconductores. Con los años pasó de ser uno de los fundadores de la industria a convertirse en líder científico y de innovación, aunque cedió el primer puesto por volumen de fabricación a empresas como TSMC de Taiwán.
Intel es líder en computación neuromórfica, entre otras cosas gracias a su chip Loihi 2.
También creó la Intel Neuromorphic Research Community, que incluye a la Universidad Estatal de Pensilvania, implicada en la investigación del dióxido de vanadio, además de más de 75 grupos que estudian muchos otros posibles diseños neuromórficos.
INTC Gráfico de precios
Intel también trabaja activamente en imitar los sentidos biológicos reproduciendo la forma en que funciona el cerebro, una rama de la computación neuromórfica que analizamos con más detalle en “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 se encuentra a la vanguardia de la innovación en semiconductores, incluida la IA, la computación cuántica y la computación neuromórfica. Analizamos los avances cuánticos de Intel en “El estado actual de la computación cuántica”.
También puede obtener más información sobre el negocio actual de Intel y sus programas de I+D en nuestro informe de inversión especializado.
Últimas noticias y desarrollos de acciones de Intel (INTC)
Estudio Referenciado
1. Zhao, R., Wang, T., Moon, T. et al. Una neurona artificial de disparo basada en un memristor difusivo, un transistor, y una resistencia. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
