Considere a una persona en una cafetería leyendo este post en un portátil. La máquina consume unos 50 vatios de potencia mientras traduce trozos de información, una larga ristra de 1s y 0s para transformar un patrón de puntos sobre una pantalla. Mientras, en la cabeza de esa persona una masa viscosa de proteínas, sal y agua, usa una fracción minúscula de esa potencia no sólo para reconocer los patrones como letras, palabras y frases, sino también para reconocer la canción que suena en el ambiente.

Los ordenadores han demostrado ser muy eficientes en numerosas tareas que resultan sencillas incluso a las mentes más simples, como por ejemplo reconocer imágenes y moverse por espacios desconocidos. Las máquinas disponibles en laboratorios de investigación, universidades y grandes centros de datos pueden llevar a cabo este tipo de tareas, aunque su enorme tamaño requiere de mucha energía para funcionar, además de una programación especializada. Hace poco Google fue noticia destacada por un software capaz de reconocer de forma fiable a gatos y caras humanas en vídeos, pero para conseguirlo fueron necesarios no menos de 16.000 potentes procesadores.

Una nueva generación de chips de ordenador que opera más como el cerebro está punto de estrechar la distancia que existe entre la computación artificial y la natural; entre circuitos que resuelven operaciones lógicas a una velocidad de vértigo y un mecanismo afinado por la evolución para procesar y actuar partiendo de aportaciones sensoriales en un mundo real. Los avances en neurociencia y tecnología de chips han hecho posible la construcción de dispositivos que, al menos a pequeña escala, procesan datos igual que el cerebro de un mamífero.

Estos chips “neuromórficos” pueden constituirse en la pieza que faltaba en el fascinante campo de la inteligencia artificial, como los coches que se conducen solos de forma fiable en cualquier entorno, los teléfonos inteligentes que actúan como ayudantes competentes, o los drones que pueden ser guiados por órdenes del cerebro.

Los prototipos ya han demostrado los primeros resultados de inteligencia, procesando imágenes con mucha eficacia y adquiriendo nuevas habilidades en formas que se parecen al aprendizaje biológico. IBM, por ejemplo, ha creado herramientas para permitir a los ingenieros de software programar estos chips inspirados en el cerebro. Otro chip, de los laboratorios HRL de California, pronto estará instalado dentro de una diminuta nave voladora robótica desde donde aprenderá a reconocer su entorno.

La evolución de los chips inspirados en el cerebro comenzó a principios de la década de 1980, con el profesor del Instituto Tecnológico de California (Caltech) y uno de los padres de la computación moderna, Carver Mead. El profesor Mead se había dado a conocer ayudando a desarrollar una forma de diseñar chips de ordenador bautizada como integración a muy gran escala (VLSI) que permitía a los fabricantes crear microprocesadores mucho más complejos. Sin embargo, los chips multinúcleo que manejan datos en paralelo se limitan a unos procesos lineales simultáneos.

Por el contrario, los cerebros computan en paralelo dado que las células eléctricamente activas que contienen, las neuronas, operan simultáneamente y sin descanso. Unidas en complejas redes mediante apéndices parecidos a hilos, las neuronas influyen en los pulsos eléctricos  de las demás a través de  conexiones llamadas sinapsis. Cuando la información fluye a través de un cerebro, procesa los datos como una descarga de picos que se extienden por sus neuronas y sinapsis.

Por ejemplo, reconoce las palabras de este texto gracias a un patrón concreto de actividad eléctrica en el cerebro que se  activa por el input que reciben los ojos. Y además hay otra clave, el hardware neuronal es flexible: un nuevo input puede hacer que las sinapsis se adapten, dando a unas neuronas más o menos influencia sobre las otras, un proceso que es la base del aprendizaje. En términos de computación es un sistema masivamente paralelo capaz de reprogramarse.

Por el momento, estos chips neuromórficos están muy lejos de tener la misma capacidad que tiene nuestro cerebro, pero sí que deberían ser desde hoy mucho más rápidos que los ordenadores actuales al tratar datos sensoriales y aprender de ellos.