Un procesador puede resolver una red neuronal con muy poca energía y, aun así, aportar un ahorro modesto al equipo que lo utiliza. Basta con que la cámara, la preparación de datos o el ordenador de apoyo consuman mucho más que el cálculo. Esa frontera entre el chip y el sistema decide buena parte del valor de los ordenadores neuromórficos.
Los ordenadores neuromórficos incorporan principios del procesamiento neuronal a su arquitectura electrónica: estado distribuido, memoria próxima al cálculo y, en muchos diseños, comunicación mediante eventos. Ejecutan algoritmos de inteligencia artificial. Su diferencia está en cómo organizan el trabajo y mueven la información, no en poseer una inteligencia independiente de la IA.
Para evaluarlos conviene descender a tres implementaciones distintas: Loihi 2/Hala Point, NorthPole y BrainScaleS-2. Las fuentes citadas estaban disponibles el 27 de octubre de 2026. Los ejemplos numéricos identificados como didácticos son cálculos ilustrativos, no mediciones de esos dispositivos.
Qué calcula una neurona de silicio
En una red de impulsos, o SNN, una neurona mantiene variables internas y recibe eventos de otras neuronas. Un modelo sencillo integra aportaciones y emite un impulso cuando supera un umbral. El tiempo entre eventos importa: dos entradas próximas pueden provocar una salida que no aparece si llegan suficientemente separadas.
Un ejemplo didáctico de integración con fuga utiliza esta actualización: u siguiente = 0,9 × u anterior + suma de entradas ponderadas. Si el resultado alcanza 1, la neurona emite un impulso y resta 1 a su estado. Es una elección pedagógica de dinámica y reinicio; no describe todos los chips.
Con un estado inicial de 0,6 y entradas que suman 0,3, el primer resultado es 0,84: no hay impulso. Si el siguiente paso recibe otros 0,3, el estado llega a 1,056, emite un impulso y queda en 0,056. La memoria de corto plazo está en el estado que persiste entre entradas.
Este ejemplo permite separar tres decisiones de ingeniería: cuánto dura la memoria, cuándo se comunica un resultado y cuánta actividad genera esa comunicación. Cambiar cualquiera de ellas puede alterar la precisión y el coste. Contar neuronas sin especificar su dinámica deja fuera una parte del problema.
La memoria local ayuda; el tráfico sigue costando
En una aplicación distribuida, no basta con acelerar una operación aritmética. También hay que acceder a pesos y trasladar resultados. El interés arquitectónico consiste en conservar estado cerca de donde se utiliza y evitar movimientos que no aportan información útil.
La documentación técnica de Loihi 2 describe 128 núcleos neuromórficos, modelos neuronales programables y reglas de aprendizaje configurables. Sus mensajes pueden transportar valores graduados; la comunicación no se limita a impulsos binarios idénticos.
La consecuencia práctica es que un mismo número de neuronas puede producir cargas muy distintas. Si una neurona envía su salida a muchos destinos, aumenta el trabajo de distribución. Si las conexiones saltan frecuentemente entre chips, la colocación de la red y las colas de comunicación pasan a formar parte del rendimiento.
Tres arquitecturas que no conviene meter en el mismo saco
| Implementación | Rasgo que interesa | Pregunta al evaluar |
|---|---|---|
| Loihi 2 / Hala Point | Redes de impulsos digitales y estado distribuido | ¿Cómo se reparte el modelo y cuánto tráfico genera? |
| NorthPole | Inferencia con cálculo y memoria integrados en el chip | ¿Cabe el modelo y qué coste tiene ejecutar la tarea completa? |
| BrainScaleS-2 | Dinámica neuronal analógica acelerada con control digital | ¿Cómo afectan calibración y variabilidad al experimento? |
Loihi 2 y Hala Point: escalar también exige comunicar
Intel presentó Hala Point en 2024 con 1.152 procesadores Loihi 2 y capacidad para 1.150 millones de neuronas artificiales. Indicó una potencia máxima de 2.600 W. Son especificaciones del sistema: no expresan energía por clasificación ni una equivalencia cognitiva con un cerebro.
Para seleccionar una plataforma, nuestra recomendación es pedir la configuración efectiva de la aplicación. Capacidad instalada y utilización real responden preguntas diferentes. Una red que cabe en la memoria puede seguir encontrando un límite en sus conexiones o en el tiempo disponible para procesar cada entrada.
NorthPole: inspiración cerebral sin exigir una SNN
El trabajo de IBM publicado en Science en 2023 integra memoria y cálculo para inferencia. En ResNet50, frente a una GPU de tecnología de fabricación comparable de 12 nm, reportó 25 veces más fotogramas por segundo y vatio, y una latencia 22 veces menor.
Ese resultado debe conservar su tarea y referencia. No permite trasladar el factor 25 a cualquier modelo, ni comparar sin más con una GPU posterior. NorthPole ilustra una distinción útil: la computación inspirada en el cerebro es una familia más amplia que las redes de impulsos. La etiqueta comercial no basta para conocer el mecanismo.
BrainScaleS-2: acelerar la dinámica no equivale a acelerar todo
El artículo de BrainScaleS-2 de 2022 describe circuitos neuronales analógicos y procesadores digitales para plasticidad. La dinámica opera aproximadamente mil veces más rápido que su referencia biológica. Es aceleración de un modelo físico, no una promesa de ejecutar cualquier programa mil veces más deprisa.
Al diseñar un experimento hay que presupuestar también preparación, entrada y lectura de resultados. Comprimir el tiempo del circuito vuelve más exigente alimentarlo y observarlo. Conviene comprobar cuánto tarda una ejecución completa, incluida la calibración necesaria, en lugar de utilizar solo la escala temporal neuronal.
Entrenar, inferir y adaptarse son trabajos distintos
Inferir significa producir una salida con un modelo ya configurado. Entrenar modifica sus parámetros. Adaptarse durante el uso añade otra exigencia: decidir qué actualizar con datos nuevos sin destruir lo aprendido antes. Un dispositivo eficiente en una de estas tareas no acredita automáticamente las otras.
Las redes de impulsos pueden entrenarse con procedimientos diferentes. El trabajo de Neftci, Mostafa y Zenke sobre gradientes sustitutos explica cómo aproximar durante el aprendizaje la derivada problemática del disparo. Por tanto, usar impulsos en ejecución no implica haber prescindido de optimización numérica ni de entrenamiento externo.
Antes de un piloto, pediría una separación explícita de costes: qué se entrena fuera del chip, qué parámetros pueden cambiar dentro y qué información requiere la actualización. También conviene preguntar si el aprendizaje continúa cuando desaparecen las etiquetas correctas. Aprender con supervisión disponible no es lo mismo que adaptarse sin ella.
Un resultado de octubre de 2026 y lo que deja fuera
El preprint CLP-SNN, revisado el 20 de octubre de 2026, reporta en Loihi 2 un paso de predicción y actualización de 0,33 ms y 0,05 mJ sobre características extraídas. La comparación excluye extracción de características y comunicación con el anfitrión; en su protocolo 25-shot, obtiene un 90,0 % de precisión.
La lectura que proponemos es separar el beneficio de ese paso del resultado del producto completo. Si una aplicación necesita producir primero esas características, debe medir ese trabajo adicional. Tampoco debe atribuirse toda diferencia a la fabricación del chip cuando cambian simultáneamente algoritmo y precisión numérica. Un preprint aporta evidencia examinable, no una certificación independiente.
La entrada puede conservar o destruir la ventaja
La revisión de visión por eventos de Gallego y colaboradores describe cámaras que comunican cambios de luminosidad por píxel, con posición, tiempo y signo. Esa salida difiere de una sucesión de imágenes completas a frecuencia fija.
Como caso de diseño, imaginemos una cámara vigilando una pieza que cruza un transportador. Interesa detectar cambios relevantes y responder dentro de un plazo. Una cadena que conserva los eventos puede evitar construir imágenes intermedias que luego volverá a transformar. La ventaja debe comprobarse con el movimiento y la iluminación reales.
Si el programa acumula eventos en ventanas largas, puede introducir una espera incompatible con la respuesta buscada. Si una vibración o un parpadeo genera actividad abundante, el caudal cambia. Nuestra propuesta de prueba incluiría ambos extremos, además del escenario cómodo con poca actividad.
Cómo medir energía sin esconder el resto del equipo
Para una evaluación de ingeniería proponemos este balance: energía total = sensor + preparación de datos + procesador + comunicación + equipo auxiliar. Hay que fijar dónde empieza y termina la medida y utilizar el mismo criterio para las alternativas. La potencia máxima del fabricante no sustituye esa medición.
Ejemplo hipotético: una operación completa consume 100 mJ, de los que 90 corresponden al resto del equipo y 10 al procesador. Reducir esos 10 a 1 mJ divide por diez el gasto del procesador. El total baja a 91 mJ: el ahorro del sistema es del 9 %. La aritmética explica por qué una mejora llamativa del chip puede tener un efecto pequeño en el producto.
La energía útil también depende de la calidad del resultado. Recomiendo contabilizar decisiones correctas dentro del plazo, informar los errores y separar consumo en reposo de consumo durante actividad. Un detector que gasta menos pero dispara falsas alarmas frecuentes está resolviendo un problema diferente al exigido.
Un protocolo de comparación que permite decidir
NeuroBench, publicado en 2025, distingue evaluación de algoritmos y evaluación de sistemas. Esa separación ayuda a identificar si una mejora procede del modelo o de su implementación. Para un piloto concreto, proponemos acordar estas condiciones antes de ejecutar la demostración:
| Condición | Qué registrar | Qué evita |
|---|---|---|
| Calidad equivalente | Precisión y falsos positivos con los mismos datos reservados | Comparar ahorro a costa de resolver peor la tarea |
| Respuesta completa | Tiempo desde la entrada hasta la decisión; percentiles 50 y 99 | Ocultar colas y esperas detrás de un promedio |
| Frontera energética común | Componentes incluidos, energía en reposo y por operación | Comparar un chip aislado con un equipo entero |
| Carga representativa | Actividad baja, ráfagas, ruido y saturación | Mostrar únicamente el escenario favorable |
| Coste de integración | Conversión del modelo, memoria, herramientas y tiempo de ingeniería | Confundir una prueba de laboratorio con un producto listo |
La referencia debería incluir una implementación convencional bien ajustada y apropiada para esa carga. En un sensor pequeño, puede ser más informativo comparar con un microcontrolador o una NPU integrada que con una GPU de centro de datos. Elegir una referencia sobredimensionada facilita un titular, pero orienta mal una compra.
Preguntas técnicas antes de elegir un ordenador neuromórfico
¿Una SNN ejecutada en una GPU ya es hardware neuromórfico?
No. El modelo utiliza impulsos; la GPU conserva su arquitectura. Para juzgar eficiencia hay que medir la implementación que realmente se ejecuta.
¿Un millón de neuronas indica cuántos parámetros caben?
No basta. Hay que conocer conexiones, precisión, variables de estado y límites de memoria. Esas restricciones pueden determinar qué modelo cabe efectivamente.
¿Memoria próxima al cálculo significa ausencia de transferencias?
Persisten entradas, salidas y comunicación entre unidades. La pregunta útil es qué transferencias se reducen y cuáles siguen dominando el coste total.
¿Aprendizaje local significa aprendizaje autónomo general?
No. Una regla puede actualizar conexiones con señales locales y seguir necesitando objetivos, supervisión o recompensas definidos para una tarea concreta.
¿Una ventaja en imágenes demuestra ventaja para un modelo de lenguaje?
No. Cambian la estructura del cálculo, los requisitos de memoria y la evaluación. Cada traslado de aplicación necesita su propia demostración.
¿Estos dispositivos contienen neuronas vivas?
Las tres plataformas descritas utilizan electrónica. La inspiración neuronal no convierte los circuitos en tejido biológico ni acredita conciencia.
Dónde merece la pena empezar
Nuestra propuesta es priorizar pilotos con señales temporales, restricciones de respuesta y una frontera energética que pueda medirse: detección de cambios, procesamiento sensorial o adaptación acotada. No es una lista de ventajas garantizadas. Son condiciones que permiten formular una hipótesis y descartarla si el sistema completo no mejora.
En el Laboratorio del Futuro seguimos cómo la IA cambia el trabajo científico. Para los ordenadores neuromórficos, el criterio de adopción debería ser igual de concreto: una tarea definida, resultados comparables y una mejora que sobreviva al salir del chip y entrar en el equipo que alguien utilizará.
