Un chip experimental puede recordar, adaptarse y reconocer información casi como lo hacemos nosotros, acercando la inteligencia artificial al mundo real de forma sorprendente y útil para nuestra vida cotidiana.
Investigadores de la Universidad de Texas han construido un prototipo funcional de ordenador cerebral neuromórfico inspirado en la manera en que el cerebro aprende y procesa información. Los resultados de este trabajo se publican en la revista Communications Engineering.
El núcleo de esta nueva tecnología es un chip cerebral basado en «uniones túnel magnéticas» (MTJ, por sus siglas en inglés): pequeños dispositivos que simulan el funcionamiento de las sinapsis neuronales. Una MTJ contiene dos capas de material magnético separadas por un aislante, y los electrones pueden atravesar ese aislamiento dependiendo de la alineación de las capas. Esta mecánica simple, similar a la transmisión de señales en el cerebro, permite que el chip almacene y procese información en el mismo lugar, igual que ocurre con las neuronas y sinapsis.
Datos clave de esta investigación
- Innovación: Primer chip inspirado en el cerebro, capaz de aprender y recordar como una persona.
- Funcionamiento: Utiliza conexiones magnéticas (MTJ) que imitan las sinapsis, permitiendo aprendizaje autónomo sin datos etiquetados.
- Validación: Demuestra que puede reconocer patrones y agrupar imágenes, con éxito equiparable a métodos analógicos más complejos.
- Ventajas: Mayor precisión, estabilidad y eficiencia energética en comparación con sistemas convencionales.
- Aplicación futura: Posible uso en móviles, robots y tecnología médica portátil para tareas inteligentes cotidianas.
- Importancia: Une ingeniería, computación y neurociencia para acercar la inteligencia artificial al comportamiento humano.
Aprendizaje particular
Lo que distingue a este chip cerebral neuromórfico de los sistemas convencionales es la forma en que aprende. En vez de usar algoritmos complejos y costosos, su aprendizaje se basa en la llamada «ley de Hebb», famosa por el principio de que “las neuronas que se activan juntas se conectan”. Si un impulso o señal artificial provoca que otro se active, la sinapsis entre ambos se refuerza.
Esta manera local y sencilla de modificar la conectividad, mucho más parecida a la biología que a los métodos de aprendizaje supervisado tradicionales (como el backpropagation), hace posible que el chip aprenda de datos no etiquetados y reconozca patrones de forma autónoma y eficiente.
Mejor arquitectura
En los experimentos realizados, los investigadores lograron que redes neuromórficas basadas en MTJ procesaran imágenes y aprendieran a reconocer dígitos escritos a mano con una precisión comparable a la de sistemas analógicos más complejos, pero usando una arquitectura mucho más eficiente y estable.
El secreto está en la combinación de dos ventajas: por un lado, los estados binarios de las MTJ son fiables para almacenar información y no sufren la degradación que afecta a otros tipos de memoria; por otro, sus procesos de conmutación estocástica (aleatoria) permiten simular el aprendizaje analógico necesario para adaptar el conocimiento y evolucionar tras cada nueva experiencia. Es decir, logran precisión y aprendizaje flexible.
Al integrar capacidad de cómputo y almacenamiento en el mismo hardware, estos chips pueden realizar operaciones de inteligencia artificial sin depender de grandes centros de datos ni de procesos externos de entrenamiento.
Esto significa que podrían incorporarse en dispositivos móviles, herramientas médicas portátiles o sistemas robóticos autónomos, haciendo posible una inteligencia que aprende y toma decisiones sobre la marcha, como lo hace el cerebro humano.
Referencia
Neuromorphic Hebbian learning with magnetic tunnel junction synapses. Peng Zhou et al. Communications Engineering volume 4, Article number: 142 (2025). DOI:https://doi.org/10.1038/s44172-025-00479-2
Potencial ético y social
Estos chips cerebrales neuromórficos prometen una democratización del acceso a inteligencia avanzada, permitiendo que aplicaciones cruciales —desde diagnósticos médicos rápidos hasta sistemas de seguridad y asistencia adaptativa— funcionen con mínimos requisitos energéticos y sin requerir costosos recursos de computación.
La tecnología no solo se vuelve más accesible, sino que lo es en condiciones más sostenibles para un uso realista y cotidiano.
