Cada vez que alguien le hace una pregunta a un modelo de lenguaje de gran escala, acepta una sugerencia de conexión en una plataforma social o sigue un desvío de tráfico en una aplicación de navegación, se consume energía a una escala que la mayoría de las personas nunca llega a considerar. El hardware que sustenta estas interacciones se encuentra en enormes centros de datos que consumen electricidad las veinticuatro horas del día. Para entender por qué ocurre esto, y por qué un hallazgo de laboratorio aparentemente menor podría cambiarlo, hay que volver a lo fundamental: cómo funciona realmente el hardware de IA y cuánto le falta aún para parecerse al órgano que intenta imitar.
El Problema Energético Oculto en Cada Interacción con la IA
Los procesadores que impulsan la IA moderna son las GPU, y cada una puede consumir hasta 1.000 vatios. Esa cifra sitúa a una sola GPU al nivel de una aspiradora, un lavavajillas o una cocina. La diferencia es que las GPU de los centros de datos no se apagan. Funcionan de forma continua, procesando billones de operaciones por segundo, y los centros de datos contienen miles de ellas operando en paralelo.
A modo de comparación, un smartphone moderno consume menos de 1 vatio.
Esto no es simplemente una cuestión de escala. Refleja una incompatibilidad arquitectónica más profunda. Las GPU están diseñadas para ejecutar software que simula redes neuronales artificiales, y esa simulación requiere mover enormes cantidades de datos a través de miles de millones de transistores. El proceso es intrínsecamente ineficiente porque el hardware nunca fue diseñado para pensar como lo hace un cerebro. Fue diseñado para ejecutar lógica binaria con rapidez, y la simulación de redes neuronales se superpone sobre esa base.
El cerebro humano, en cambio, es aproximadamente un millón de veces más eficiente energéticamente que el hardware de IA actual en tareas comparables. Esa brecha no es una deficiencia de ingeniería menor. Es una señal de que todo el enfoque computacional podría necesitar una revisión profunda.
Lo Que Hace el Cerebro Que los Transistores No Pueden
Las neuronas biológicas operan mediante un mecanismo específico. Cuando el voltaje en el cuerpo celular de una neurona sube lo suficiente como para cruzar un umbral, desencadena un pulso autopropagado llamado potencial de acción, que viaja por una larga proyección denominada axón. Al final del axón se encuentra una sinapsis, una unión electroquímica que conecta con las proyecciones ramificadas de la siguiente neurona, llamadas dendritas. Si suficientes pulsos llegan dentro de una ventana de tiempo determinada, la neurona receptora genera su propio potencial de acción. El sistema es impulsado por eventos, disperso y extraordinariamente eficiente.
Las redes neuronales artificiales toman prestada la lógica conceptual de este proceso, pero la implementan mediante software que se ejecuta sobre transistores. La distancia entre el original biológico y la aproximación electrónica es enorme, y se manifiesta directamente en el consumo de energía.
La ingeniería neuromórfica es el campo que intenta cerrar esa brecha. El objetivo es construir componentes electrónicos que se comporten como neuronas y sinapsis a nivel de hardware, no simularlos en software. Se han logrado avances, pero el enfoque dominante tiene una limitación seria: implementar una sola neurona o sinapsis artificial requiere interconectar decenas, y a veces incluso cientos, de transistores estándar. Eso exige una superficie de chip considerable, introduce retardos cuando las señales deben procesarse de forma secuencial y hace que escalar hacia sistemas capaces de competir con las GPU más avanzadas sea extremadamente difícil.
Algunas investigaciones han explorado dispositivos experimentales completamente nuevos, pero estos aún no han alcanzado la fiabilidad necesaria para sistemas de gran escala. El campo parecía estar atrapado entre dos opciones imperfectas.
Un Solo Transistor Comportándose Como una Célula Cerebral
Esto es lo que la mayoría de la cobertura sobre hardware de IA pasa por alto: la solución puede haber estado presente desde siempre, dentro de uno de los componentes más comunes de la electrónica.
Unos investigadores descubrieron que un transistor CMOS estándar, el bloque de construcción básico de prácticamente toda la lógica digital, puede comportarse por sí solo como una neurona o una sinapsis, sin necesidad de combinarse con decenas de otros componentes. El descubrimiento fue accidental. Surgió al observar qué ocurre cuando una parte normalmente ignorada del transistor, el terminal de sustrato, no se conecta simplemente a tierra sino que se conecta a través de una resistencia.
En condiciones de operación estándar, aumentar el voltaje en el drenador produce una corriente que sube de forma constante y desciende por el mismo camino. Pero cuando se añade resistencia al terminal de sustrato, ocurre algo diferente. Los pares electrón-hueco que normalmente serían barridos comienzan a acumularse. Una vez que el voltaje del sustrato alcanza cierto punto, un transistor bipolar de unión oculto dentro del MOSFET se activa, provocando un pico repentino de corriente. La corriente permanece entonces elevada hasta que el voltaje del drenador cae por debajo de un umbral separado. Los puntos de activación y relajación son distintos entre sí, una propiedad llamada histéresis, lo que significa que la corriente fluye solo durante un período definido antes de que el dispositivo vuelva al reposo.
Este comportamiento se aproxima estrechamente a lo que necesita una neurona artificial: un pico repentino y no lineal cuando se cruza un umbral de voltaje, seguido de una relajación automática. Una configuración relacionada produce la conductancia estable y ajustable que requiere una sinapsis artificial. Cada comportamiento, el de neurona y el de sinapsis, se logra con un único dispositivo.
Por Qué Esto Importa Más Allá del Laboratorio
Las implicaciones van mucho más allá de la ingeniería de hardware. La huella energética de la IA ya es una preocupación significativa, y crece a medida que los modelos se vuelven más grandes y se despliegan de forma más amplia. Una arquitectura computacional que se aproxime a la eficiencia del cerebro, en lugar de mantenerse seis órdenes de magnitud por debajo de ella, cambiaría la economía y el perfil medioambiental de la infraestructura de IA de maneras difíciles de exagerar.
También existe una cuestión de escalabilidad. Los enfoques neuromórficos actuales están limitados por el área y la complejidad necesarias para construir cada neurona y sinapsis a partir de muchos transistores. Una implementación de dispositivo único elimina esa restricción y abre un camino hacia sistemas lo suficientemente grandes como para competir de verdad con el hardware basado en GPU.
Esto es lo que hace que valga la pena destacar el carácter accidental del descubrimiento. El componente no era exótico ni recién inventado. Era un transistor ordinario, operando en un régimen que simplemente no había sido examinado con detenimiento. La clave no estaba en el material, sino en la observación.
En Resumen
Un transistor estándar, ignorado durante mucho tiempo en un modo de operación específico, puede comportarse por sí solo como una neurona o sinapsis biológica, sin necesitar los complejos circuitos de múltiples transistores que han limitado la computación neuromórfica hasta ahora. El hardware de IA actual consume hasta 1.000 vatios por GPU y es aproximadamente un millón de veces menos eficiente energéticamente que el cerebro humano en tareas comparables. Este descubrimiento no cierra esa brecha de inmediato, pero apunta hacia una arquitectura de hardware que podría hacer la IA mucho menos intensiva en energía, y mucho más escalable, que cualquier cosa construida hasta ahora.
Basado en información de IEEE Spectrum AI.