Chips neuromórficos: la IA que aprende a calcular como el cerebro y consume mil veces menos
Los procesadores que imitan el cerebro humano prometen ejecutar inteligencia artificial con una fracción del consumo energético actual. Intel, IBM y Europa aceleran su desarrollo ante el muro energético de los centros de datos.
Mientras la industria discute el consumo eléctrico de los centros de datos que alimentan la inteligencia artificial, una tecnología silenciosamente madura reclama su sitio: los chips neuromórficos, procesadores que imitan el funcionamiento del cerebro humano para calcular con una fracción de la energía que consume el hardware convencional. Grandes fabricantes y laboratorios públicos ya han puesto fechas sobre la mesa, y 2026 está siendo el año en que la idea deja de ser un experimento de laboratorio para convertirse en producto.
¿Qué es exactamente un chip neuromórfico?
Los procesadores tradicionales, incluidas las GPU que dominan el entrenamiento de IA, separan la memoria y el cálculo: los datos viajan constantemente entre ambos puntos, y ese movimiento es el principal consumidor de energía. Los chips neuromórficos eliminan ese vaivén integrando memoria y cómputo en el mismo elemento, igual que las sinapsas neuronales. Además, no operan con reloj: solo consumen energía cuando llega un impulso, un modelo llamado computación por espículas (spiking neural networks).
El cerebro humano realiza cálculos equivalentes a los de un superordenador consumiendo unos 20 vatios, aproximadamente la energía de una bombilla. Ese es el listón que la ingeniería neuromórfica intenta alcanzar.
Quién está en la carrera
Intel lleva años desarrollando su familia Loihi, con generaciones orientadas ya a pruebas industriales. IBM presentó NorthPole, un procesador que presume de eficiencia extrema para inferencia de redes neuronales. En Europa, el instituto de investigación@c Jülich y la Universidad de Heidelberg mantienen el ecosistema SpiNNaker/SpiNNaker2, capaz de simular redes biológicamente realistas en tiempo real. Y en Asia, centros chinos y surcoreanos han anunciado silicio propio, convirtiendo la computación neuromórfica en una competición geopolítica más.
- Intel (Loihi 2): más de un millón de neuronas artificiales por chip, orientado a robótica y detección en tiempo real.
- IBM (NorthPole): inferencia ultrarrápida con eficiencia energética muy por encima de las GPU comparables.
- SpiNNaker2 (Europa): el sistema escalable para neurociencia yvecs IA event-driven, con despliegue en supercomputación.
Por qué importa ahora: el muro energético de la IA
El auge de los modelos generativos ha disparado la demanda de energía de los centros de datos, con previsiones que doblan o triplementan el consumo en pocos años. Los chips neuromórficos no sustituirán a las GPU en el entrenamiento masivo, pero sí en tareas donde hoy se gasta mucha energía innecesariamente: sensores que vigilan máquinas, dispositivos que deben reaccionar en microsegundos, escucha siempre activa, detección de anomalías en fábricas o redes eléctricas. Ahí, donde los datos son escasos y esporádicos, el modelo de espículas brilla.
Los primeros casos reales incluyen mantenimiento predictivo industrial, monitores médicos portátiles que analizan señales biológicas sin enviar todo a la nube, y objetos inteligentes que procesan imagen y sonido en el propio dispositivo, reduciendo latencia y coste.
Los retos que quedan por delante
No todo es promesa. Programar redes de espículas sigue siendo difícil: faltan herramientas de desarrollo maduras y las redes entrenadas para hardware convencional no trasladan de forma directa. Tampoco existe todavía un estándar industrial comparable a lo que CUDA supuso para las GPU. Por eso los analistas ven el neuromorfismo como un complemento, no un reemplazo: la IA del futuro apunta a ser heterogénea, combinando GPU para entrenar, aceleradores específicos para inferir y silicio neuromórfico para el borde ultraeficiente.