Computacion neuromórfica
Una cámara convencional puede enviar treinta imágenes completas cada segundo, aunque casi nada haya cambiado entre una y otra. Una cámara de eventos, en cambio, comunica principalmente los píxeles que han detectado una variación. Si una habitación permanece inmóvil, apenas tiene nada que contar. Esta diferencia resume bastante bien la promesa de la computación neuromórfica: conseguir que una máquina deje de gastar energía procesando información irrelevante y trabaje solo cuando ocurre algo.
El nombre invita a imaginar un cerebro electrónico, pero conviene rebajar las expectativas antes de que alguien empiece a buscarle sentimientos al microchip. La computación neuromórfica no consiste en fabricar una copia del cerebro humano. Es una familia de arquitecturas que adopta algunas ideas de los sistemas nerviosos, como el procesamiento paralelo, la comunicación mediante acontecimientos dispersos y la cercanía entre memoria y cálculo. Ni siquiera existe una definición única que incluya sin discusión a todos los chips que reciben esa etiqueta, como explica esta revisión publicada en Nature.
Para entender qué intenta resolver hay que mirar primero un ordenador corriente. En la arquitectura tradicional, el procesador y la memoria están separados. El procesador solicita datos, realiza una operación y vuelve a guardar el resultado. Este diseño ha funcionado extraordinariamente bien durante décadas, pero las redes de inteligencia artificial obligan a mover cantidades enormes de pesos y datos. Ese tráfico consume tiempo y energía. En determinados cálculos, transportar la información puede costar más que operar con ella.
El cerebro no funciona así. Sus recuerdos y su capacidad de procesamiento no residen en dos órganos separados que se envían paquetes de datos. La información se distribuye entre las conexiones de una red inmensamente paralela. Las neuronas tampoco están transmitiendo cifras decimales a una frecuencia constante. Acumulan señales y, cuando alcanzan determinadas condiciones, emiten impulsos eléctricos.
Las redes neuronales de impulsos, conocidas como spiking neural networks, imitan de forma muy simplificada ese comportamiento. Una neurona artificial recibe impulsos, acumula su efecto y dispara otro al superar un umbral. La información puede estar representada por el número de impulsos, por su frecuencia o por el instante preciso en que se producen. Si no llega ningún acontecimiento relevante, muchas partes del circuito pueden permanecer inactivas.
Esta actividad dispersa es la fuente de buena parte del ahorro. Una GPU es excelente realizando enormes bloques de operaciones matemáticas en paralelo, pero para alcanzar su mejor rendimiento suele reunir los datos en lotes. Un procesador neuromórfico puede responder a cada acontecimiento en cuanto aparece, sin esperar a completar un fotograma o un paquete. Esa combinación de bajo consumo y poca latencia resulta especialmente atractiva para robots, prótesis, drones y sensores que deben funcionar continuamente sin depender de un centro de datos.
Uno de los ejemplos más conocidos es Loihi 2, de Intel. Sus núcleos permiten ejecutar redes de impulsos, mantener información cerca del cálculo y modificar conexiones durante el funcionamiento. Intel construyó con estos chips Hala Point, un sistema de investigación que admite modelos de hasta 1.150 millones de neuronas artificiales. La cifra impresiona, pero no convierte la máquina en el equivalente intelectual de un animal con un número parecido de neuronas. Contar unidades de un modelo matemático no mide inteligencia, del mismo modo que contar transistores no revela si un ordenador sabe jugar al ajedrez.
Otro enfoque es SpiNNaker, desarrollado en la Universidad de Manchester. Su gran instalación reúne más de un millón de núcleos ARM y puede simular redes de impulsos a una escala comparable a la del cerebro de un ratón en tiempo biológico. Su finalidad principal es ofrecer una plataforma flexible para investigar neurociencia, control y nuevas formas de computación, no sustituir al ordenador personal.
El campo tiene fronteras bastante borrosas. IBM describe NorthPole como un chip inspirado en el cerebro, pero no como un procesador neuromórfico clásico. Es digital, sincrónico y no utiliza neuronas de impulsos. Su inspiración consiste principalmente en colocar toda la memoria del modelo en el propio chip y entrelazarla con las unidades de cálculo. Así reduce el cuello de botella entre memoria y procesador. Esta distinción importa porque la expresión «inspirado en el cerebro» abarca soluciones muy diferentes, algunas más preocupadas por imitar neuronas y otras por aprovechar en silicio un par de buenas ideas biológicas.
Las aplicaciones más convincentes tienen algo en común: reciben información temporal y dispersa. Una cámara de eventos puede ayudar a un dron a detectar movimiento con rapidez. Un sensor auditivo puede permanecer atento a una palabra clave sin enviar continuamente sonido a la nube. Una prótesis puede interpretar señales nerviosas y responder con poca demora. Un robot puede combinar tacto, visión y sonido consumiendo una fracción de la energía necesaria para procesar flujos completos de datos.
Eso no significa que la próxima generación de ordenadores vaya a abandonar las CPU y GPU. El hardware convencional sigue siendo mucho más flexible, dispone de herramientas maduras y domina el cálculo denso. Además, entrenar redes de impulsos continúa siendo complicado. Los impulsos son discontinuos y no encajan limpiamente con los métodos que hicieron triunfar al aprendizaje profundo. Existen gradientes aproximados, conversiones desde redes convencionales y reglas de aprendizaje local, pero muchas aplicaciones todavía se entrenan en una GPU y solo se trasladan al chip neuromórfico para ejecutar la inferencia.
Comparar consumos tampoco es sencillo. Los fabricantes pueden mostrar mejoras de decenas o centenares de veces en experimentos cuidadosamente elegidos. La cifra puede ser correcta y, aun así, no servir para cualquier tarea. Hay que contar la precisión obtenida, la latencia, la energía de los procesadores auxiliares, la codificación de los datos y el coste del entrenamiento. La diversidad es tan grande que investigadores y empresas crearon NeuroBench, un proyecto destinado a establecer pruebas representativas y comparables.
La computación neuromórfica tampoco nos acerca por sí sola a una máquina consciente. La eficiencia energética, la inteligencia general y la conciencia son problemas distintos. Un detector de movimiento puede reaccionar como una retina sin ver el mundo como lo ve una persona. Un chip puede emitir impulsos como una neurona sin experimentar dolor, curiosidad ni ganas de dominar el planeta.
El futuro más plausible es híbrido. Las CPU seguirán organizando el sistema, las GPU realizarán cálculos masivos y los aceleradores neuromórficos se ocuparán de aquellas señales para las que su arquitectura tenga sentido. Quizá la revolución no consista en construir un cerebro de silicio, sino en algo bastante más modesto y útil: máquinas que sepan cuándo merece la pena trabajar y cuándo pueden quedarse quietas.
