El problema energético de la inteligencia artificial tiene una dimensión que pocas veces aparece en los titulares sobre nuevos modelos: la forma en que los chips actuales procesan información es intrínsecamente ineficiente comparada con cómo lo hace el cerebro. Una GPU convencional separa la memoria del procesamiento, obligando a mover datos constantemente entre ambos. Cada movimiento consume energía. El cerebro humano, en cambio, procesa y almacena en los mismos nodos neuronales, simultáneamente, con un consumo de veinte vatios para el conjunto.
Diseñar hardware que replique ese principio —llamado computación neuromórfica— es uno de los caminos más activos de la investigación en chips de IA. Y el 23 de abril de 2026, un equipo de la Universidad de Cambridge publicó en Science Advances un dispositivo que resuelve uno de los problemas más persistentes del campo: la inestabilidad de los llamados memristores, los componentes que imitan el comportamiento de las sinapsis neuronales.
Un millón de veces menos corriente
El memristor —portmanteau de memory y resistor— es un componente electrónico que cambia su resistencia según la corriente que lo atraviesa, y retiene ese cambio cuando se interrumpe la corriente. El paralelo con una sinapsis biológica es directo: la fuerza de una conexión neuronal cambia según su uso, y esa modificación persiste.
Los memristores existentes tienen un problema: la mayoría usa lo que se denomina conmutación filamentaria, donde un filamento conductor se forma y se rompe dentro de un material para cambiar el estado del dispositivo. Ese proceso es inherentemente aleatorio. El filamento puede formarse en distintos lugares, con distintos tamaños, produciendo comportamientos difíciles de reproducir con precisión. Para computación analógica —donde los distintos niveles de conductancia representan valores numéricos, como los pesos de una red neuronal— esa variabilidad es un obstáculo severo.
El equipo liderado por el Dr. Babak Bakhit resolvió el problema modificando la estructura del material. En lugar de óxido de hafnio puro, usaron una película delgada de hafnio modificada con estroncio y titanio, fabricada en un proceso de dos pasos. El resultado es un dispositivo que cambia de estado modificando las barreras de energía en las interfaces entre capas del material, no formando filamentos aleatorios.
La diferencia en consumo es radical: el dispositivo opera con corrientes de conmutación aproximadamente un millón de veces menores que los memristores convencionales basados en óxido. En términos de impacto en el consumo total de un sistema de IA, las proyecciones apuntan a una reducción del 70 por ciento.
Cómo aprende el chip
Más allá del consumo, el dispositivo de Cambridge exhibe una propiedad que los investigadores consideran crítica para computación neuromórfica avanzada: spike-timing dependent plasticity, o plasticidad dependiente del tiempo de disparo.
En las neuronas biológicas, la fuerza de una conexión sináptica aumenta si la neurona presináptica se activa justo antes que la postsináptica —y disminuye si ocurre en el orden opuesto. Este mecanismo temporal es la base de cómo el cerebro aprende: las conexiones que se activan juntas en la secuencia correcta se fortalecen. Los que se activan en el orden equivocado se debilitan.
Replicar este mecanismo en hardware permite diseñar sistemas que aprenden directamente desde los datos en tiempo real, sin el ciclo de entrenamiento masivo que requieren los modelos de lenguaje grandes. El chip no necesita procesar millones de ejemplos en un servidor remoto para actualizar sus pesos: aprende localmente, en el dispositivo, con cada interacción.
Bakhit lo enmarca en términos concretos: "El consumo de energía es uno de los desafíos clave en el hardware de IA actual. Necesitás dispositivos con corrientes extremadamente bajas, excelente estabilidad y uniformidad sobresaliente entre ciclos de conmutación."
El obstáculo que queda
El trabajo de Cambridge no está listo para producción masiva. El proceso de fabricación requiere temperaturas de 700 grados Celsius, lo que supera las capacidades de las líneas estándar de fabricación de semiconductores. Los investigadores identifican explícitamente reducir esa temperatura como el siguiente desafío técnico.
Este tipo de limitación es común en materiales nuevos: el rendimiento del dispositivo puede ser excepcional, pero integrarlo en la cadena de producción existente requiere ajustes que pueden llevar años. El silicio convencional se procesa típicamente a temperaturas entre 400 y 600 grados; 700 grados requiere equipamiento diferente y mayor cuidado con materiales circundantes.
Dicho esto, el campo de los memristores tiene una historia de avances graduales que eventualmente superaron obstáculos similares. El hafnio ya es un material bien conocido en la industria de semiconductores —se usa en los transistores de las CPU modernas como dieléctrico de compuerta—. La familiaridad con el material facilita la eventual integración.
El contexto más amplio
El problema energético de la IA no es abstracto. Los centros de datos globales consumen actualmente una fracción creciente de la electricidad mundial, y las proyecciones para 2030 son preocupantes. Los modelos de lenguaje grandes requieren enormes cantidades de energía para entrenamiento e inferencia. La presión sobre la infraestructura eléctrica ya es visible en regiones donde se concentran los centros de datos.
Hay dos caminos para atacar ese problema: hacer más eficientes los algoritmos, o hacer más eficiente el hardware. Cambridge apostó al segundo. Un memristor que consume un millón de veces menos corriente no es una mejora incremental en la hoja de ruta de los chips convencionales: es una arquitectura diferente construida sobre principios distintos.
Si la temperatura de fabricación baja a rangos compatibles con la industria, el dispositivo podría ser uno de los componentes que cambien la ecuación energética de la IA desde el hardware hacia arriba.
Fuente original: Science Advances / ScienceDaily
