En este momento, su cerebro está reconociendo las formas de estas letras, analizando su significado y manteniendo un flujo de pensamiento unido, todo con aproximadamente 20 vatios de potencia. Eso es más o menos lo que se necesita para encender una bombilla.
Sin embargo, reproducir incluso una pequeña fracción de las capacidades del cerebro utilizando los sistemas de inteligencia artificial actuales puede requerir una enorme infraestructura informática y energía.
La computación neuromórfica, también conocida como “computación inspirada en el cerebro”, es un intento de cerrar esa brecha. No haciendo que las computadoras actuales sean un poco más eficientes, sino repensando fundamentalmente cómo deberían funcionar.
Sobre el apoyo al periodismo científico
Si está disfrutando de este artículo, considere apoyar nuestro periodismo galardonado suscribiéndose. Al comprar una suscripción, ayudas a garantizar el futuro de historias impactantes sobre los descubrimientos y las ideas que dan forma a nuestro mundo actual.
El cerebro humano contiene aproximadamente 86 mil millones de neuronas, conectadas entre sí a través de uniones llamadas sinapsis. Una neurona recibe señales de sus vecinas; cuando su efecto combinado cruza un umbral, disparará un breve pulso eléctrico conocido como pico.
Dos cosas hacen que este proceso sea eficiente. En primer lugar, la energía se gasta sólo donde se necesita, no en todas partes y constantemente. En segundo lugar, la memoria y el procesamiento están entrelazados en la fuerza de la respuesta de cada sinapsis. El cerebro no tiene que hacer una pausa e ir a buscar información, ahorrando tiempo y energía.
Por el contrario, en un chip de computadora común, el procesador y la memoria están físicamente separados, por lo que cada cálculo implica transferir datos entre ellos. Esto puede explicar una parte sustancial del uso de energía, lo que se conoce como cuello de botella de Von Neumann, término utilizado por primera vez por el informático estadounidense John Backus en 1978 para describir esta ineficiencia informática.
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 impulsada por eventos y ya estamos viendo algunas aplicaciones interesantes.
Sensores inspirados en la retina humana
Las cámaras de eventos son sensores inspirados en la retina humana. Sus píxeles responden individualmente y sólo cuando detectan un cambio en la escena, en lugar de capturar un cuadro completo docenas de veces por segundo, como un teléfono inteligente o una cámara de video.
El resultado es un sensor neuromórfico que utiliza una fracción de la potencia, maneja movimientos rápidos sin desenfoque y funciona igualmente bien a la luz del sol y en la oscuridad casi total.
En los vehículos autónomos, esta combinación de baja latencia y rendimiento confiable en condiciones de deslumbramiento u oscuridad podría marcar 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, ya se han implementado cámaras de eventos para rastrear objetos y escombros.
Podría resultar tentador preguntar si el hardware neuromórfico podría hacer para calcular lo que las unidades de procesamiento de gráficos (GPU) de Nvidia han hecho para la IA. Pero estos 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. Por el contrario, parece probable que el enfoque basado en eventos de la computación neuromórfica genere una amplia gama de chips especializados, en lugar de un único diseño en el que el ganador se lo lleva todo y que todos adoptan a la vez.
BrainChip de Australia ya vende un procesador neuromórfico comercial para alimentar cámaras y sensores que necesitan funcionar a muy baja potencia. Se espera que el hardware neuromórfico se ubique junto a los procesadores y GPU convencionales en lugar de reemplazarlos, asumiendo los trabajos en los que su ventaja de eficiencia es decisiva.
Información sensible
Pero la tecnología informática neuromórfica tiene otra ventaja más allá del ahorro de energía.
Debido a que los chips neuromórficos pueden procesar datos justo donde se generan, la información confidencial de dispositivos portátiles, cámaras inteligentes y sensores médicos puede permanecer en el dispositivo en lugar de viajar a la nube, lo que potencialmente reduce 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 distante y esperar una respuesta. Eliminar la importancia del viaje de ida y vuelta cuando 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 es posible que menos tareas necesiten 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 impulsadas por eventos, en comparación con las arquitecturas digitales convencionales, con su chip TrueNorth.
Repensar cómo funciona la informática
La informática ha pasado por una transición como esta antes. Los primeros ordenadores llenaron habitaciones enteras y consumieron tanta energía como una pequeña fábrica. Hoy, sin embargo, un chip más pequeño que una uña en el teléfono que llevamos en el bolsillo es mucho más capaz.
La computación neuromórfica plantea la posibilidad de un cambio similar, impulsado menos por la incorporación de más transistores (los diminutos interruptores que forman los circuitos 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 centro de innovación multiuniversitario líder en computación neuromórfica del Reino Unido, he liderado el desarrollo de una hoja de ruta en el Reino Unido para esta tecnología hasta 2050, trabajando con colegas de la academia, la industria y el gobierno.
Dado que se prevé que el mercado mundial de tecnología neuromórfica casi se cuadriplicará hasta alcanzar los 20 mil millones de dólares (£ 14,8 mil millones) para 2030, el Reino Unido necesita instalaciones de acceso abierto para crear prototipos de nuevos chips, inversiones coordinadas, estándares comunes y una fuerza laboral capacitada para unir la neurociencia, la electrónica y la informática.
Las bases ya están aquí. Lo que falta es la infraestructura para llevar la computación neuromórfica desde supercomputadoras como el simulador cerebral de la Universidad de Manchester, SpiNNaker, a los miles de millones de dispositivos comunes que algún día podrían usar hardware inspirado en el cerebro por sí mismos.
Tu cerebro resolvió este problema hace millones de años. A la ciencia le ha llevado mucho tiempo apreciar lo bien que funciona.
Este artículo fue publicado por primera vez por The Conversation. Lea el artículo original aquí.