El avance de la ciencia imita la plasticidad del cerebro humano y promete una inteligencia artificial más eficiente, adaptable y sostenible
La inteligencia artificial ha logrado avances notables en tareas como el reconocimiento de voz, la traducción automática o la conducción autónoma, pero aún enfrenta una gran limitación: su escasa capacidad de adaptación frente a situaciones nuevas, una habilidad natural del cerebro humano. Ahora, investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) han dado un paso clave para cerrar esa brecha al desarrollar un chip capaz de aprender y ajustarse por sí mismo, imitando el comportamiento de una neurona real.
El nuevo dispositivo, denominado “neuristor de conmutación de frecuencia”, se basa en un principio biológico conocido como plasticidad intrínseca, que permite a las neuronas modificar su sensibilidad según la experiencia. Este mecanismo explica, por ejemplo, por qué una persona deja de reaccionar ante un ruido repetitivo o mejora su respuesta tras practicar una tarea varias veces. Hasta ahora, los chips neuromórficos solo habían logrado replicar la comunicación entre neuronas, pero no este tipo de aprendizaje interno.
El proyecto, liderado por el profesor Kyung Min Kim y publicado en la revista científica Advanced Materials, representa un avance significativo al permitir que cada unidad del chip ajuste de manera autónoma su respuesta, sin depender de instrucciones externas ni de redes excesivamente complejas. Para lograrlo, el equipo combinó dos materiales especiales llamados memristores, uno encargado de generar señales eléctricas y otro de almacenar memoria, lo que permite al chip “recordar” estímulos previos y modificar su comportamiento.
Durante las pruebas, el neuristor demostró que podía aumentar o reducir la frecuencia de sus señales de forma controlada, replicando el proceso mediante el cual una neurona se adapta a su entorno. Además, los investigadores comprobaron que este ajuste era estable y reversible, una característica esencial para aplicaciones en inteligencia artificial que requieren aprendizaje continuo y confiable.
Uno de los aspectos más relevantes del desarrollo es su eficiencia energética. A diferencia de los modelos actuales de inteligencia artificial, cuyo entrenamiento consume enormes cantidades de electricidad, este chip logró reducir el gasto energético en 27.7 por ciento. En simulaciones con redes neuronales ligeras, el sistema mantuvo más del 90 por ciento de precisión, incluso después de eliminar la mayoría de sus conexiones, algo que las redes convencionales no consiguen.
El chip también mostró una cualidad poco común: resiliencia ante el daño. Cuando los científicos simularon fallas al desactivar parte de la red, el sistema fue capaz de reorganizarse y recuperar su rendimiento casi por completo, un comportamiento comparable a la recuperación del cerebro humano tras una lesión.
Los investigadores consideran que este avance abre la puerta a una nueva generación de inteligencia artificial más humana, eficiente y sostenible, con posibles aplicaciones en robots autónomos, vehículos inteligentes, dispositivos médicos y sistemas de cómputo en el borde de la red. Aunque aún falta para su comercialización, el desarrollo marca un punto de inflexión en la evolución de las máquinas que aprenden, al demostrar que copiar el comportamiento del cerebro, y no solo su estructura, puede ser la clave del futuro tecnológico.
