Mientras la inteligencia artificial avanza a pasos acelerados, hay un problema silencioso que crece igual de rápido: su consumo energético. ¿Y si la solución no estuviera en hacer chips más potentes, sino en hacerlos… más “humanos”?

Un estimado colega nos comparte el presente artículo publicado el 20 de marzo de 2026 por la University of Cambridge, editado por Sadie Harley, revisado por Robert Egan y difundido en Phys.org. Posteriormente, con apoyo de la IA, fue traducido y adaptado para este espacio. Veamos de qué se trata…

Investigadores de la University of Cambridge han desarrollado un dispositivo nanoelectrónico que podría cambiar las reglas del juego: un componente capaz de imitar el funcionamiento del cerebro humano y reducir el consumo energético del hardware de IA hasta en un 70 %.

La clave está en un tipo de dispositivo conocido como memristor, diseñado para replicar la manera en que las neuronas procesan y almacenan información al mismo tiempo. Algo que, curiosamente, nuestras computadoras actuales no hacen.

Hoy en día, los sistemas de IA operan bajo una lógica poco eficiente: los datos van y vienen constantemente entre la memoria y el procesador. Este “tráfico digital” consume enormes cantidades de energía. Y conforme la IA se integra en más industrias, la factura energética no deja de crecer.

Aquí es donde entra la computación neuromórfica. En lugar de separar memoria y procesamiento, este enfoque los integra, tal como ocurre en el cerebro. El resultado: sistemas más eficientes, más adaptativos… y mucho menos hambrientos de energía.

Pero no todo memristor es igual

Los dispositivos tradicionales dependen de filamentos conductores microscópicos que aparecen y desaparecen dentro del material. El problema: son inestables, impredecibles y requieren altos voltajes.

El equipo de Cambridge decidió ir por otro camino.

Desarrollaron una película delgada de óxido de hafnio dopada con estroncio y titanio que forma uniones p-n internas. En lugar de depender de filamentos, el dispositivo ajusta su resistencia modificando una barrera energética en su interfaz. El resultado es un comportamiento mucho más controlado y reproducible.

¿El impacto?

• Corrientes de operación hasta un millón de veces menores
• Cientos de niveles de conductancia estables
• Alta uniformidad entre dispositivos
• Y, quizás lo más interesante, la capacidad de reproducir mecanismos clave del aprendizaje biológico, como la spike-timing dependent plasticity

En otras palabras: no solo almacena información… aprende.

Sin embargo, aún hay obstáculos importantes. El proceso de fabricación requiere temperaturas cercanas a los 700 °C, lo que dificulta su integración con las tecnologías actuales de semiconductores.

Pero si este reto se supera, el potencial es enorme.

Podríamos estar ante una nueva generación de hardware capaz de combinar eficiencia energética con capacidades de aprendizaje adaptativo, acercando la inteligencia artificial no solo a ser más poderosa, sino también más sostenible.

Y quizá lo más interesante es que este avance no surgió de la noche a la mañana. Fue el resultado de años de intentos fallidos, ajustes en el proceso de fabricación y una pequeña pero decisiva modificación en el momento de introducir oxígeno durante la síntesis del material.

A veces, los grandes avances tecnológicos dependen de detalles aparentemente menores.

Reflexión final

Este tipo de desarrollos no sólo responde a una necesidad tecnológica, sino también a un reto energético global: hacer sostenible la revolución de la inteligencia artificial.

Porque si la IA va a transformar el mundo… también tendrá que aprender a hacerlo sin consumirlo.

Fuente: https://www.cam.ac.uk/research/news/new-computer-chip-material-inspired-by-the-human-brain-could-slash-ai-energy-use