¿Qué es la computación neuromórfica y por qué imita al cerebro humano?

La computación neuromórfica (o biológica) es una ciencia que busca representar la eficiencia del cerebro humano en sistemas informáticos. El foco de estas arquitecturas es replicar, de algún modo, la estructura y funcionamiento del modo que operan las neuronas y sus sinapsis dentro del cerebro humano.

Como se inspira directamente en el funcionamiento cerebral, esta disciplina combina fundamentos de la biología y, especialmente, de la neurociencia.

El Instituto del Cerebro de Queensland plantea que las neuronas «son las unidades fundamentales del cerebro y del sistema nervioso«, y explica que su función es transmitir información de una parte del cuerpo a otra, creando una especie de carretera de comunicación.

Cuando una neurona envía información, se desencadenan señales de electroquímicas que viajan a través de esta carretera, formada por una red de puntos de conexión llamados sinapsis, permitiendo la comunicación entre neuronas. Este mecanismo natural de comunicación rápida y eficiente es precisamente lo que la computación neuromórfica busca trasladar al diseño de chips y sistemas inteligentes.

Este principio, hasta hace poco explorado solo en laboratorios, empieza a convertirse en tecnología viable.. Un ejemplo concreto es el CL1, el primer computador biológico comercial de Cortical Labs, presentado en el Mobile World Congress 2025 (#MWC25). Su aparición fue precisamente lo que motivó la elaboración de esta nota.

¿Cómo funciona la computación neuromórfica?

La computación neuromórfica se inspira en el funcionamiento del cerebro y considera aspectos multidisciplinarios: biología, física, matemáticas, informática y electrónica, para intentar replicar la forma en como las neuronas y las sinapsis trabajan conjuntamente en el sistema nervioso.

Un sistema informático tradicional funciona siguiendo operaciones secuenciales (paso a paso), que alguien determinó que así debería ser. Sin embargo, el cerebro humano no opera de este modo, entonces, si imaginamos que existe un PC que piensa como los seres humanos, claramente no sigue instrucciones paso a paso ni espera que alguien lo programe por completo.

Este computador, que piensa como un cerebro humano, tiene estas peculiaridades:

• Se activa solo cuando lo necesita.
• Transmite señales como impulsos eléctricos.
• Ajusta sus conexiones en función de la experiencia, como ocurre en el cerebro humano.

Estas diferencias nos permiten comparar directamente el funcionamiento de un computador tradicional con el de uno neuromórfico.

Lo anterior es lo que se considera la lógica de la computación neuromórfica, es decir, no trabaja todo el tiempo, sino solo cuando hay algo que procesar, lo que permite un uso mínimo de energía y una respuesta más natural a su entorno.

A continuación, comparamos directamente estos principios con su inspiración biológica: el cerebro humano.

Esta tabla deja en evidencia cómo la computación neuromórfica no solo se inspira en el cerebro, sino que traslada sus principios a una lógica electrónica completamente nueva. Ya no se trata de ejecutar código, sino de responder al entorno con eficiencia, flexibilidad y autonomía.

Una mirada técnica

Desde un punto de vista técnico, la computación neuromórfica se basa en redes neuronales de impulsos (Spiking Neural Networks, SNN) que buscan reproducir el comportamiento funcional de las neuronas biológicas:

• Cada neurona artificial recibe señales eléctricas de entrada (spikes) provenientes de otras neuronas.
• Estas señales se acumulan como carga interna hasta alcanzar un umbral de activación.
• Si el umbral se supera, la neurona emite un impulso eléctrico (spike), activando a otras neuronas conectadas.
• El spike se propaga a través de sinapsis electrónicas, que simulan las conexiones entre neuronas.
• Cada sinapsis tiene dos parámetros fundamentales: un peso sináptico (que regula la intensidad del impulso transmitido) y un retardo temporal (que define cuándo llegará la señal al destino)
• Si la carga no supera el umbral, se disipa progresivamente y no se genera actividad.
• Todo este proceso ocurre de forma asincrónica y por eventos: las neuronas solo procesan cuando se requiere, sin necesidad de ciclos de reloj.
• Las sinapsis ajustan sus valores en función de la actividad de la red, permitiendo que el sistema aprenda de forma continua y local.

Este tipo de diseño permite que los sistemas neuromórficos funcionen con eficiencia extrema, con un consumo mínimo de energía, y desde luego su adaptabilidad.

El hardware: Arquitectura física y el rol de los memristores

A nivel de hardware, trabaja sobre circuitos especializados diseñados para replicar el comportamiento funcional del cerebro. Estos sistemas se caracterizan por:

• Operar sin un reloj central, procesando información de forma asincrónica y basada en eventos.
• Responder de forma autónoma a estímulos eléctricos, modificando dinámicamente su funcionamiento en función de la actividad previa.

Esta arquitectura puede adaptar su comportamiento directamente en el hardware, emulando el aprendizaje distribuido y continuo propio del sistema nervioso.

Uno de los componentes clave de estos circuitos son los memristores, dispositivos que combinan memoria y resistencia eléctrica. Sus propiedades fundamentales incluyen:

• Retención del estado anterior: a diferencia de los transistores clásicos, los memristores conservan información sobre su estado eléctrico previo.
• Control del paso de corriente: regulan el flujo eléctrico como un transistor, pero con adaptación basada en historial de actividad.
• Variación de resistencia dinámica: su resistencia cambia según los impulsos recibidos, lo que permite modificar su comportamiento en tiempo real.
• Función sináptica artificial: simulan sinapsis biológicas al fortalecer o debilitar conexiones según la frecuencia e intensidad de uso.
• Aprendizaje físico embebido: su capacidad de adaptación permite que el aprendizaje ocurra directamente en el hardware, sin software adicional.

Gracias a esta integración, los sistemas neuromórficos pueden operar con gran eficiencia, adaptabilidad y mínima latencia. Esto los hace especialmente adecuados para tareas como robótica, computación de borde (edge computing), donde la velocidad de respuesta y el bajo consumo energético son críticos.

CL1: un caso híbrido con neuronas vivas y silicio

Un ejemplo reciente de este enfoque híbrido es el CL1, el primer computador biológico comercial presentado por Cortical Labs. Este sistema combina neuronas humanas vivas cultivadas sobre silicio con elementos electrónicos como los memristores.

Las neuronas vivas se mantienen activas en un entorno controlado y reciben estímulos eléctricos del chip. A través del sistema operativo biOS, el CL1 genera y monitorea estos impulsos en un bucle cerrado, ajustando el comportamiento del sistema en tiempo real.

En este esquema híbrido:

• Las neuronas biológicas interpretan y responden a los estímulos eléctricos como en un cerebro real.
• Los memristores modulan las señales, ajustando su resistencia según la actividad previa para codificar el aprendizaje.
• El sistema completo aprende sin depender de entrenamiento externo, integrando plasticidad biológica y adaptabilidad electrónica en una misma plataforma.

Esta sinergia entre biología viva y circuitos adaptativos representa una nueva frontera en la computación neuromórfica. No solo se imita al cerebro: se lo integra directamente como parte del sistema.

¿Y si el verdadero salto en inteligencia artificial no viniera de modelos más grandes, sino de máquinas que aprendieran como lo hace un cerebro?

Fuentes: Intel / IBM Research / HP / Queensland Brain Institute / Cortical Labs /