Los grandes modelos de inteligencia artificial tienen un problema de contabilidad: cuanto más capaces se vuelven, más electricidad necesitan para entrenarse y operar. Mientras la industria sigue escalando centros de datos, un grupo de investigadores trabaja sobre otra vía: imitar la arquitectura del cerebro para que el cómputo haga más con menos.
Esa es la base de la computación neuromórfica, un campo que Oliver Rhodes, investigador del proyecto SpiNNaker de la Universidad de Manchester, define como la búsqueda de nuevos sistemas de procesamiento inspirados en la biología. En una entrevista publicada en AI Hub, Rhodes explica que el cerebro es una computadora capaz de resolver problemas que muchos sistemas modernos no resuelven, y lo hace con un presupuesto de energía extremadamente bajo. La IA actual, señala, logró avances impresionantes —los modelos de deep learning y los transformadores están en el corazón de esta ola— pero todavía no alcanza la eficiencia del tejido neuronal.
La diferencia de fondo está en el mecanismo. Los sistemas de IA dominantes procesan operaciones matemáticas densas y continuas; los circuitos neuromórficos, en cambio, emplean neuronas artificiales que se comunican mediante impulsos discretos, similares a los potenciales de acción biológicos. Eso abre la puerta a un procesamiento que solo se activa cuando hay información relevante, lo que reduce el gasto energético. El campo abarca toda la cadena, desde algoritmos pensados para aprovechar ese comportamiento hasta chips diseñados desde la física de los materiales. Un tutorial publicado en ResearchGate repasa modelos, experimentos, herramientas de software y pautas de implementación: una señal de que estas redes neuronales de picos están tratando de estandarizarse y salir del laboratorio.
Hacia dónde va la investigación
Ya no es solo académica la agenda. Un artículo de Springer propone un marco de co-diseño de hardware y software para radio cognitiva neuromórfica orientada a la inteligencia de espectro en redes 6G. En ese escenario, la infraestructura inalámbrica debe gestionar frecuencias en tiempo real con latencias ultrabajas; cada microsegundo de retraso o cada vatio de más se convierte en un problema operativo. La computación neuromórfica aparece allí como una opción natural para procesar señales inalámbricas con el menor costo energético posible.
En paralelo, la revista npj Unconventional Computing, del portafolio Nature, compiló una colección de artículos sobre los nuevos paradigmas de cómputo, reuniendo a la neuromórfica con la computación cuántica, la óptica, la probabilística y otros esquemas no tradicionales. La convocatoria estuvo asociada a la Conferencia Internacional sobre Rebooting Computing, celebrada en diciembre de 2025 en San Diego, y parte de una premisa simple: la eficiencia no se resuelve solo con un chip mejor, sino con el co-diseño entre materiales, circuitos, algoritmos y software. Es decir, revisar la pila tecnológica completa en lugar de parchar capas sueltas.
Qué significa para América Latina
Para las empresas latinoamericanas, la relevancia de esta tecnología no está en la carrera científica, sino en el costo de operar IA. Hoy el cuello de botella es la infraestructura: las cargas de trabajo más exigentes exigen GPUs de alto consumo, sistemas de enfriamiento y una red eléctrica estable, un desafío en mercados con tarifas volátiles o capacidad instalada limitada. Un hardware que procese inferencias con una fracción de los vatios actuales permitiría mover inteligencia al borde: sensores industriales que detectan fallas sin enviar datos a la nube, radios que gestionan espectro de forma autónoma o sistemas de monitoreo agrícola y energético que operen con baterías o paneles solares.
El futuro, de todos modos, no será un reemplazo total de los centros de datos. La propia colección de Nature agrupa la neuromórfica junto con la cuántica y la óptica, lo que sugiere un ecosistema heterogéneo: hardware especializado para cada tipo de carga de trabajo. Eso cambia la forma en que las empresas deberían planificar sus inversiones. No se trata de esperar a que un solo chip lo resuelva todo, sino de anticipar qué cargas de trabajo podrían correr en sistemas de ultra bajo consumo en los próximos años.
Para un director de tecnología en la región, la señal es doble. Por un lado, estos chips prometen bajar el gasto operativo de la IA a largo plazo, un alivio para operaciones que hoy dependen de infraestructura importada y costosa. Por otro, la etapa aún es temprana y abierta: los marcos de co-diseño y las aplicaciones experimentales dejan espacio para que equipos locales adapten la tecnología a problemas propios, como la gestión de redes eléctricas o la conectividad rural, antes de que los grandes proveedores la estandaricen.
En este escenario, la ventaja competitiva no estará en acceder al mismo modelo de IA que todos usan, sino en operar con un costo por decisión más bajo que el de la competencia. En una región donde cada dólar de infraestructura debe rendir al máximo, la eficiencia energética del cómputo puede convertirse en la próxima frontera de rentabilidad. Quien esté planificando los próximos tres años de inversión debería preguntarse si está comprando potencia bruta o la capacidad de resolver el mismo problema con menos energía.
