Нейроморфный ИИ из KIST обучается в шесть раз быстрее Google — без лишних аппаратных затрат

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 de entrenamiento para redes neuronales de pulso que requiere aproximadamente seis veces menos recursos computacionales que el método líder de Google, manteniendo una precisión comparable.

Qué es A²SG y por qué es importante

Las redes neuronales de pulso (SNN) imitan el funcionamiento del cerebro biológico: transmiten señales mediante impulsos dispersos en lugar de un flujo continuo de números, lo que produce un consumo de energía fundamentalmente menor en comparación con las redes neuronales profundas convencionales (DNN). El problema es que son más difíciles de entrenar, ya que el método estándar de retropropagación no funciona directamente en las SNN.

El método A²SG, desarrollado por un equipo dirigido por el investigador principal Songsik Park, de la División de Tecnología de Semiconductores del KIST, aborda este desafío mediante gradientes sustitutos adaptativos y asimétricos para arquitecturas de transformadores basadas en SNN.

• Ganancia de precisión — nivel mundial en el benchmark ImageNet
• Sobrecarga computacional — ~1/6 del método de Google
• Implementación — solo en software, sin necesidad de cambios de hardware
• Aplicabilidad — smartphones, dispositivos portátiles, drones, sensores de 24 horas
• Publicación — arXiv (DOI: 10.48550/arxiv.2606.11236), ICML 2026, Seúl, 6–11 de julio de 2026

Qué cambió en el enfoque de entrenamiento

La diferencia clave del método respecto a sus predecesores es que es simultáneamente adaptativo y asimétrico. Los gradientes sustitutos tradicionales aplican la misma función a todas las neuronas y en todas las direcciones de entrenamiento. A²SG ajusta la forma del gradiente para cada neurona en función de su actividad y aplica estrategias diferentes para las pasadas directa e inversa. Precisamente esto genera la ganancia de eficiencia sin sacrificar la calidad.

"Esta investigación elimina los problemas estructurales de la IA neuromórfica, aumentando el potencial de aplicaciones prácticas", —

Songsik Park, investigador principal del KIST.

Según arXiv, el método mostró mejoras consistentes en redes neuronales de distintos tamaños y en diferentes tareas. El primer autor del artículo fue el estudiante de doctorado Kang Yechan.

Qué significa esto

La IA neuromórfica está saliendo del nicho académico: si A²SG logra 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 en la nube y con fracciones de vatio de consumo en lugar de los megavatios de los centros de datos.

Preguntas frecuentes

¿Qué es una red neuronal de pulso y en qué supera a una convencional?

Una red neuronal de pulso (SNN) transmite información mediante impulsos dispersos, como las neuronas del cerebro, en lugar de un flujo continuo de números. Esto reduce el consumo de energía en varios órdenes de magnitud en comparación con las DNN clásicas, manteniendo una calidad de resultados comparable en diversas tareas.

¿Es necesario cambiar el hardware para usar A²SG?

No. El método está implementado íntegramente en software — no es necesario reemplazar procesadores ni chips, lo que reduce drásticamente la barrera de adopción.