IA que Imita al Cerebro Humano: Nueva Arquitectura Multiplica por 5 la Eficiencia Energética
Un equipo de investigadores del Imperial College London y ETH Zurich ha presentado una arquitectura de inteligencia artificial inspirada en el cerebro humano que promete revolucionar el campo del aprendizaje automático, multiplicando por cinco la eficiencia energética de los modelos actuales.
El avance, publicado en la revista científica Nature Machine Intelligence, aborda una de las limitaciones más críticas de los sistemas de IA actuales: la capacidad de mantener contexto útil durante períodos prolongados sin disparar el consumo de energía ni las necesidades de memoria.
La nueva arquitectura, denominada neuromórfica, imita el funcionamiento de las redes neuronales biológicas del cerebro. A diferencia de los modelos tradicionales que procesan datos de forma continua, este sistema activa neuronas solo cuando es necesario, reduciendo drásticamente el consumo energético.
Las pruebas iniciales mostraron un aumento de más de cuatro veces en el rendimiento de procesamiento y una mejora de más de cinco veces en eficiencia energética en comparación con implementaciones de última generación. Los investigadores también lograron alcanzar una precisión competitiva en tareas de secuencias largas con entre 40% y 60% menos parámetros que las redes neuronales equivalentes.
El equipo diseñó además un hardware específico optimizado para ejecutar esta arquitectura, con un enfoque de cálculo cerca de la memoria que mejora el flujo de datos entre rutas heterogéneas. Esto permite que el sistema procese información de forma mucho más eficiente que los diseños convencionales.
Los investigadores midieron tres variables clave: la velocidad para completar tareas de secuencias largas, el consumo de energía y el volumen de datos procesables en un tiempo determinado. Los resultados confirman que principios biológicos pueden traducirse en abstracciones funcionales eficaces tanto a nivel algorítmico como de hardware.
Aunque el desarrollo todavía necesita refinarse y probarse en una gama más amplia de tareas, el trabajo ya perfila aplicaciones concretas en escenarios donde la energía, la memoria y el tiempo de respuesta son limitados, como dispositivos móviles, sensores remotos y sistemas embebidos.