La IA neuromórfica de KIST se entrena seis veces más rápido que la de Google, sin costes adicionales de hardware

El Instituto Coreano de Ciencia y Tecnología (KIST) presentó el 6 de julio de 2026 en la conferencia ICML 2026 el método A²SG (Adaptive and Asymmetric Surrogate Gradients), una técnica para entrenar redes neuronales de impulsos que requiere aproximadamente seis veces menos coste computacional que el método líder de Google, con una precisión comparable.

Qué es A²SG y por qué importa

Las redes neuronales de impulsos (SNN) imitan el funcionamiento del cerebro biológico: transmiten señales mediante impulsos esporádicos en lugar de un flujo continuo de números, lo que reduce de forma radical el consumo de energía frente a las redes neuronales profundas (DNN) convencionales. El problema es que resultan más difíciles de entrenar, porque el método estándar de retropropagación del error no funciona directamente en las SNN.

El método A²SG, desarrollado por un equipo dirigido por el investigador sénior Songsik Park, del Departamento de Tecnologías de Semiconductores del KIST, resuelve este problema mediante gradientes sustitutos adaptativos y asimétricos para arquitecturas transformer de SNN.

• Mejora de precisión: nivel de primera línea mundial en el benchmark ImageNet
• Sobrecarga computacional: ~1/6 de la del método de Google
• Implementación: solo por software, sin cambios de hardware
• Aplicabilidad: smartphones, dispositivos wearables, drones, sensores de funcionamiento continuo durante 24 horas
• Publicación: arXiv (DOI: 10.48550/arxiv.2606.11236), ICML 2026, Seúl, del 6 al 11 de julio de 2026

Qué cambia en el enfoque de entrenamiento

La principal diferencia del método respecto a sus predecesores es que es, a la vez, adaptativo y asimétrico. Los gradientes sustitutos tradicionales aplican la misma función a todas las neuronas y en todas las direcciones del aprendizaje. A²SG ajusta la forma del gradiente a cada neurona según su actividad y aplica estrategias distintas para el paso hacia delante y el paso hacia atrás. Eso es lo que genera la ganancia de eficiencia sin pérdida de calidad.

«Esta investigación resuelve los problemas estructurales de la IA neuromórfica y aumenta su potencial de aplicación práctica», afirma

Songsik Park, investigador principal del KIST.

Según arXiv, el método mostró mejoras estables en redes de distintos tamaños y en diferentes tareas. El primer autor del trabajo es el doctorando Kang Yechan.

Qué significa

La IA neuromórfica sale del nicho académico. Si A²SG consigue comercializarse, y el KIST ya ha anunciado planes para crear chips de IA de bajo consumo basados en RPU (Random Processing Unit), los dispositivos con IA podrán funcionar sin soporte constante de la nube y con un consumo de fracciones de vatio, en lugar de los megavatios de los centros de datos.

Preguntas frecuentes

¿Qué es una red neuronal de impulsos y en qué es mejor que una convencional?

Una red neuronal de impulsos (SNN) transmite la información mediante impulsos esporádicos, como las neuronas del cerebro, y no mediante un flujo continuo de números. Esto reduce el consumo de energía en órdenes de magnitud frente a las DNN clásicas, con una calidad de resultado comparable en una serie de tareas.

¿Hay que cambiar el hardware para usar A²SG?

No. El método se implementa íntegramente por software: no es necesario cambiar procesadores ni chips, lo que reduce drásticamente la barrera de adopción.