Neuromorphic computing: el chip que simula neuronas con un transistor

⏱ Tiempo de lectura: 4 min

Investigadores descubrieron accidentalmente una forma de construir neuronas y sinapsis artificiales usando componentes simples de silicio. Cada neurona y cada sinapsis se implementan ahora como un único dispositivo, en lugar de docenas de transistores interconectados. Este avance promete reducir drásticamente el consumo de energía de la inteligencia artificial, acercándose a la eficiencia del cerebro biológico.

Neuromorphic computing: neuronas en silicio con un único transistor

Mario Lanza y Sebastian Pazos, investigadores especializados en ingeniería neuromorfa, publicaron sus hallazgos en Semiconductors AI Magazine en junio de 2026. El descubrimiento central es que un transistor MOSFET ordinario, incluso uno defectuoso, contiene un transistor bipolar oculto capaz de replicar el comportamiento de una neurona biológica real. Cuando se añade resistencia al terminal bulk del transistor, los huecos se acumulan, activando el dispositivo oculto y generando un pico de corriente similar a un potencial de acción neuronal. Este enfoque neuromorfo elimina la necesidad de complejos circuitos que requieren decenas o cientos de transistores por neurona artificial.

Cómo funciona el transistor neuromorfo y su eficiencia energética

Los transistores MOSFET estándar operan mediante un mecanismo lineal: aumentar el voltaje en la compuerta incrementa proporcionalmente la corriente. Las neuronas biológicas funcionan de forma radicalmente distinta: requieren un umbral, y al alcanzarlo, disparan un potencial de acción que se propaga rápidamente y luego se relaja. El hallazgo de Lanza y Pazos demuestra que un MOSFET con resistencia añadida en el bulk exhibe precisamente este comportamiento no lineal y de histéresis característica de las neuronas reales. Las sinapsis artificiales, por su parte, necesitan conductancia ajustable electrónicamente que suba y baje de forma lineal y estable. Esto también se logra con componentes MOSFET simples adaptados. El cerebro humano es aproximadamente un millón de veces más eficiente energéticamente que los sistemas de IA actuales en tareas comparables. Los GPU de centros de datos consumen hasta 1.000 vatios cada uno, operando continuamente. Un smartphone moderno utiliza menos de 1 vatio. Esta diferencia fundamental motivó años de investigación en ingeniería neuromorfa, pero proyectos previos dependían de dispositivos experimentales frágiles o de simulaciones CMOS que escalaban muy mal. El texto fuente detalla estos hallazgos técnicos en profundidad.

Por qué este descubrimiento importa para la IA sostenible

La IA basada en grandes modelos de lenguaje requiere procesar cantidades masivas de datos en tiempo real, movilizando trillones de operaciones por segundo a través de miles de GPU. Cada interacción—una consulta a un modelo de lenguaje, una sugerencia de conexión en redes profesionales, un video recomendado, una predicción de tráfico—consume energía significativa. El enfoque neuromorfo promete reducir esta huella ambiental radicalmente al reemplazar operaciones simuladas por hardware especializado que se comporta como las neuronas biológicas de forma nativa. Aunque aún falta escala industrial y validación en sistemas grandes, el hecho de que transistores MOSFET ordinarios contengan esta capacidad oculta sugiere un camino viable hacia chips neuromorfos prácticos y económicos.

Aspecto	Detalle
Descubrimiento	Transistor MOSFET ordinario contiene transistor bipolar oculto que replica comportamiento neuronal
Autores	Mario Lanza y Sebastian Pazos
Publicación	Semiconductors AI Magazine, junio de 2026
Neurona artificial	1 transistor MOSFET con resistencia en terminal bulk; genera pico no lineal al umbral
Sinapsis artificial	1 transistor MOSFET; conductancia ajustable linealmente y estable en el tiempo
Anterior (neurona)	Decenas a cientos de transistores interconectados por neurona
Eficiencia cerebral	Aproximadamente 1 millón de veces más eficiente que GPU en tareas comparables
Consumo GPU estándar	Hasta 1.000 vatios por unidad, operando continuamente en centros de datos
Consumo smartphone	Menos de 1 vatio
Naturaleza del hallazgo	Accidental; componentes MOSFET defectuosos resultaron idóneos para ingeniería neuromorfa

Preguntas frecuentes sobre computing neuromorfo

¿Cuál es la diferencia entre un transistor MOSFET estándar y uno neuromorfo?

Un MOSFET estándar opera linealmente: mayor voltaje produce mayor corriente proporcionalmente. Un MOSFET neuromorfo, con resistencia añadida en el bulk, genera un pico no lineal cuando el voltaje supera un umbral, replicando el potencial de acción de una neurona biológica. Este comportamiento de histéresis permite que el dispositivo se active y relaje automáticamente, como lo hace una neurona real.

¿Cuándo estará disponible esta tecnología en chips comerciales?

El texto fuente no especifica cronogramas de comercialización. Se trata de un hallazgo de investigación publicado en 2026 que promete viabilidad futura, pero la adopción industrial a escala requiere validación adicional en sistemas grandes y optimización de fabricación.

¿Reducirá drásticamente el costo de entrenar modelos de IA?

Potencialmente sí, pero no se especifica en el texto fuente. Si los chips neuromorfos alcanzan escala industrial, el menor consumo de energía podría reducir significativamente el costo operativo de centros de datos y entrenamientos de IA, aunque otros factores como ancho de banda y memoria también influyen.

Qué conviene mirar de cerca

Este descubrimiento es promisorio pero experimental. El siguiente paso será demostrar que estos transistores neuromorfos funcionan confiablemente en sistemas grandes, compitiendo con GPU modernas en velocidad y precisión. También será crucial validar que el método escala económicamente en fabricación industrial.

En Inteligencia Artificial creemos que la ingeniería neuromorfa representa una dirección necesaria para reducir la huella ambiental de la IA. ¿Crees que este enfoque biológicamente inspirado podría ser más viable que intentar mejorar indefinidamente la arquitectura de GPU lineales?

Fuente: spectrum.ieee.org