Computación neuromórfica: el futuro de chips que imitan al cerebro
Ahora mismo, tu cerebro está reconociendo las formas de estas letras, analizando su significado y manteniendo un hilo de pensamiento, todo con aproximadamente 20 vatios de potencia. Eso es más o menos lo que consume un foco. Sin embargo, reproducir una pequeña fracción de las capacidades del cerebro con los sistemas de inteligencia artificial actuales puede requerir una enorme infraestructura computacional y energía.
La computación neuromórfica, también conocida como computación inspirada en el cerebro, es un intento de cerrar esa brecha. No se trata de hacer que las computadoras actuales sean un poco más eficientes, sino de repensar fundamentalmente cómo deberían funcionar.
¿Qué es la computación neuromórfica?
El cerebro humano contiene aproximadamente 86 mil millones de neuronas, conectadas entre sí mediante uniones llamadas sinapsis. Una neurona recibe señales de sus vecinas; cuando su efecto combinado cruza un umbral, dispara un breve pulso eléctrico conocido como pico. Dos cosas hacen que este proceso sea eficiente. Primero, la energía se gasta solo donde se necesita, no en todas partes constantemente. Segundo, la memoria y el procesamiento están entrelazados en la fuerza de la respuesta de cada sinapsis. El cerebro no tiene que hacer una pausa para buscar información, lo que ahorra tiempo y energía.
En contraste, en un chip de computadora ordinario, el procesador y la memoria están físicamente separados, por lo que cada cálculo implica transferir datos entre ellos. Esto puede representar una parte sustancial del uso de energía, conocido como el cuello de botella de von Neumann, un término utilizado por primera vez por el científico de la computación estadounidense John Backus en 1978 para describir esta ineficiencia.
Cómo la computación neuromórfica aborda la ineficiencia
La computación neuromórfica aborda esta ineficiencia de varias maneras: acercando la memoria y el procesamiento, utilizando representaciones dispersas (modelos de datos donde la mayoría de los valores son cero) y realizando cálculos solo cuando ocurren eventos. Esto se conoce como computación basada en eventos, y ya estamos viendo algunas aplicaciones emocionantes.
Cámaras de eventos: ojos artificiales
Las cámaras de eventos son sensores modelados a partir de la retina humana. Sus píxeles responden individualmente y solo cuando detectan un cambio en la escena, en lugar de capturar un fotograma completo docenas de veces por segundo, como una cámara de teléfono inteligente o de video. El resultado es un sensor neuromórfico que utiliza una fracción de la energía, maneja movimientos rápidos sin desenfoque y funciona igual de bien bajo la luz solar intensa o en oscuridad casi total.
En vehículos autónomos, esta combinación de baja latencia y rendimiento confiable en condiciones de deslumbramiento u oscuridad podría ser la diferencia entre detectar a un peatón a tiempo o no. Y en el espacio, donde la energía es escasa y los extremos de iluminación son comunes, las cámaras de eventos ya se han desplegado para el seguimiento de objetos y desechos.
Diferencia con las GPU
Podría ser tentador preguntar si el hardware neuromórfico podría hacer por la computación lo que las unidades de procesamiento gráfico (GPU) de Nvidia han hecho por la IA. Pero son tipos de chips fundamentalmente diferentes. Las GPU de Nvidia son excepcionalmente buenas en las matemáticas densas y repetitivas detrás del aprendizaje profundo, lo que las ha convertido en la opción predeterminada para casi cualquier tarea de IA. En cambio, el enfoque basado en eventos de la computación neuromórfica parece probable que genere una amplia gama de chips especializados, en lugar de un único diseño que todos adopten a la vez.
La australiana BrainChip ya vende un procesador neuromórfico comercial para alimentar cámaras y sensores que necesitan funcionar con muy baja potencia. Se espera que el hardware neuromórfico se sitúe junto a los procesadores convencionales y las GPU en lugar de reemplazarlos, asumiendo los trabajos donde su ventaja de eficiencia es decisiva.
Ventajas más allá del ahorro de energía
Pero hay otra ventaja de la tecnología neuromórfica más allá del ahorro de energía. Debido a que los chips neuromórficos pueden procesar datos justo donde se generan, la información sensible de dispositivos portátiles, cámaras inteligentes y sensores médicos puede permanecer en el dispositivo en lugar de viajar a la nube, lo que podría reducir los riesgos de privacidad y ciberseguridad asociados con la transmisión de datos. Los dispositivos también pueden funcionar sin conexión, sin necesidad de enviar datos a un servidor remoto y esperar una respuesta. Eliminar ese viaje de ida y vuelta importa donde se requieren decisiones en fracciones de segundo, como en vehículos autónomos, drones y robots que operan más allá de una señal confiable.
Esto no hará que los centros de datos sean redundantes. Pero menos tareas podrían necesitar uno en el futuro, y las que queden podrían volverse dramáticamente más eficientes. IBM ya ha demostrado ahorros de energía de hasta 10,000 veces en tareas basadas en eventos, en comparación con arquitecturas digitales convencionales, con su chip TrueNorth.
Una transición similar en la historia
La computación ya ha pasado por una transición como esta antes. Las primeras computadoras llenaban salas enteras y consumían tanta energía como una pequeña fábrica. Hoy, sin embargo, un chip más pequeño que una uña en el teléfono en tu bolsillo es mucho más capaz. La computación neuromórfica plantea la posibilidad de un cambio similar, impulsado menos por meter más transistores (los pequeños interruptores que forman la circuitería de un chip) que por repensar cómo debería funcionar la computación en primer lugar.
Pero convertir esta promesa en infraestructura cotidiana requerirá un esfuerzo sostenido. En NeuroWare, el principal centro de innovación multiuniversitario del Reino Unido para la computación neuromórfica, he liderado el desarrollo de una hoja de ruta del Reino Unido para esta tecnología hasta 2050, trabajando con colegas de la academia, la industria y el gobierno. Con el mercado global de tecnología neuromórfica pronosticado casi cuadruplicarse a 20 mil millones de dólares (14.8 mil millones de libras) para 2030, el Reino Unido necesita instalaciones de acceso abierto para prototipar nuevos chips, inversión coordinada, estándares comunes y una fuerza laboral capacitada para tender puentes entre la neurociencia, la electrónica y la informática.
Los fundamentos ya están aquí. Lo que falta es la infraestructura para llevar la computación neuromórfica desde supercomputadoras como el simulador cerebral SpiNNaker de la Universidad de Manchester hasta los miles de millones de dispositivos ordinarios que algún día podrían usar hardware inspirado en el cerebro por sí mismos.
Tu cerebro resolvió este problema hace millones de años. La ciencia ha tardado mucho en apreciar lo bien que funciona.
