La biología se encuentra con el silicio: redes neuronales de computación no convencional

La inteligencia artificial ha imitado el cerebro durante mucho tiempo solo en matemáticas: capa por capa, matriz por matriz, cadena de álgebra lineal. Ahora los investigadores comienzan a copiarlo literalmente: utilizando mecanismos biológicos en redes neuronales, construyendo equipos que calculan como una célula viva. Las computaciones no convencionales (moleculares, ópticas, neuromórficas) se están convirtiendo en el principal contendiente para la arquitectura de la IA fuerte.

Cuando el silicio se topa con una pared

Los GPU modernos se construyen sobre transistores que se hacen cada vez más pequeños, pero no infinitamente. La Ley de Moore se ralentiza. Para entrenar modelos grandes se necesita una cantidad colosal de energía: una búsqueda en Perplexity consume tanta electricidad como la que un automóvil usa en 5 km.

El entrenamiento de GPT-4 costó cientos de millones de dólares y emitió carbono a la atmósfera como una pequeña ciudad. La AGI requerirá poder a escala planetaria, si se construye en silicio tradicional. Los ingenieros se topan con la física.

Las computaciones no convencionales prometen una salida: en lugar de manipular electrones en un chip, se pueden usar fotones en sistemas ópticos (paralelismo a la velocidad de la luz), moléculas de ADN (densidad de almacenamiento de información increíble), o procesos electroquímicos en chips neuromórficos (eficiencia energética como la del cerebro biológico).

Chips neuromórficos: arquitectura cerebral en electrónica

Intel Loihi, BrainScaleS, SpiNNaker no son GPU que imitan neuronas en código. Son chips construidos físicamente como el cerebro: neuronas que generan picos, sinapsis con pesos ajustables, procesamiento de eventos asincrónico. En lugar de multiplicación matricial de todos los pesos en un lote, solo las neuronas activas envían impulsos cuando es necesario. El resultado es asombroso: el consumo de energía es mil veces menor que el de una GPU de la misma escala. El cerebro humano a 20 vatios hace lo que las redes neuronales modernas requieren 20 kilovatios. El chip neuromórfico replica este resultado.

• Aprendizaje en tiempo real (sin esperar un lote de datos completo)
• Procesamiento de flujos en lugar de matrices (ideal para sensores, cámaras, detectores)
• Adaptación a nuevas tareas sin reoptimizar todo el modelo
• Robustez a entradas ruidosas gracias a la lógica biológica de los picos

Empresas como Intel y laboratorios académicos ya han utilizado chips neuromórficos en robótica y procesamiento de datos sensoriales. Es más difícil escalar, pero el potencial es enorme.

Máquina molecular: una probeta de computación

El ADN no es solo un almacén de genes. Es una computadora paralela. En una sola molécula se pueden codificar gigabits de información y realizar cálculos simultáneamente con todas las moléculas en una solución.

Los investigadores del MIT, Caltech y otros laboratorios ya utilizan la computación de ADN para tareas de aprendizaje automático: clasificación, multiplicación matricial. Es más difícil escalar que con chips: se necesitan métodos para controlar miles de millones de moléculas de forma sincrónica y extraer resultados sin errores. Pero si funciona, la densidad de computación superaría cualquier análogo de silicio, y el consumo de energía se reduciría varias veces.

En paralelo se investigan computadoras ópticas (fotones en lugar de electrones) y sistemas cuánticos. El panorama está claro: el monocultivo de GPU de silicio está desapareciendo. La AGI será un híbrido.

Qué significa esto

La frontera entre la biología y el silicio se está difuminando. Las computaciones no convencionales no son exotismo para laboratorios, sino un taller de ingeniería para la IA fuerte. En uno o dos años veremos los primeros sistemas híbridos: aceleradores neuromórficos en centros de datos junto a GPU, computadoras moleculares para tareas especializadas, procesadores ópticos para álgebra lineal. Cuando llegue la AGI (si llega), su hardware estará compuesto en un 90% de lo que la naturaleza viva ha demostrado ser eficiente durante miles de millones de años.