La inteligencia artificial actual puede reconocer voces, traducir idiomas o conducir un coche, pero aún está lejos de imitar la capacidad de adaptación del cerebro humano. En los laboratorios de KAIST, una universidad líder en Corea del Sur, un grupo de científicos acaba de dar un paso en esa dirección: han desarrollado un chip que aprende y se ajusta por sí mismo, igual que una neurona real. Su funcionamiento se basa en un principio biológico llamado plasticidad intrínseca, que es la capacidad que tienen las neuronas de modificar su propia sensibilidad dependiendo de la experiencia. En otras palabras, es lo que hace que una persona deje de sobresaltarse con un ruido que antes le asustaba, o que reaccione más rápido tras repetir una tarea muchas veces.
Hasta ahora, los chips neuromórficos —los que intentan copiar el funcionamiento del cerebro— solo habían logrado imitar la comunicación entre neuronas, no el aprendizaje interno de cada una. Pero este nuevo desarrollo va un paso más allá: el dispositivo, llamado “neuristor de conmutación de frecuencia”, puede modificar su propia respuesta de forma autónoma, sin intervención externa. Lo hace a través de un sistema que combina dos materiales especiales capaces de recordar y reaccionar, una innovación que convierte a este chip en algo mucho más parecido a una célula nerviosa que cualquier otro dispositivo anterior.
El proyecto, liderado por el profesor Kyung Min Kim y publicado en la revista Advanced Materials, no es solo un logro académico: plantea una nueva forma de entender la inteligencia artificial. En lugar de depender exclusivamente de conexiones programadas o redes complejas, este chip aprende a nivel individual, como lo hace cada neurona del cerebro humano.
Cómo un chip puede “aprender” por sí mismo
Para entender este avance hay que imaginar un dispositivo que, en lugar de repetir siempre el mismo comportamiento, cambia su respuesta en función de lo que ha experimentado. Ese es precisamente el corazón del neuristor desarrollado por KAIST.
Dentro del chip conviven dos componentes llamados memristores: uno actúa como un disparador rápido que genera señales eléctricas y otro como una memoria que “recuerda” lo que acaba de ocurrir. Ambos trabajan juntos para ajustar la frecuencia de las señales que produce el chip, imitando la forma en que una neurona regula su propia actividad.
Esto significa que el chip no solo transmite información, sino que decide cómo hacerlo en función de lo que ha pasado antes. Si recibe muchos estímulos, reduce su sensibilidad; si recibe pocos, se vuelve más receptivo. Esa capacidad de autoajuste es la base del aprendizaje biológico, y ahora también del aprendizaje electrónico. En los experimentos, el neuristor fue capaz de aumentar o reducir su frecuencia de disparo de manera controlada, del mismo modo que una neurona que se “acostumbra” a un estímulo o que se “entrena” con la repetición.
Los investigadores comprobaron además que este proceso era estable y reversible: el chip podía pasar de un estado sensible a otro menos reactivo sin perder información ni fallar. Esta cualidad lo hace ideal para aplicaciones en inteligencia artificial, donde la capacidad de adaptarse en tiempo real es clave para mejorar la eficiencia y la autonomía de los sistemas.
Más inteligencia con menos energía
Uno de los mayores problemas de la inteligencia artificial moderna es su enorme consumo energético. Entrenar una red neuronal compleja puede requerir tanta electricidad como la que usa un hogar durante meses. El chip desarrollado por KAIST ofrece una alternativa más cercana a la naturaleza: logra el mismo rendimiento con un 27,7 % menos de energía.
Esa eficiencia se debe a que, en lugar de procesar toda la información de forma centralizada, cada “neurona” del sistema puede aprender y adaptarse de manera local, reduciendo la carga total.
Para demostrarlo, los científicos realizaron simulaciones con una red neuronal llamada sparse neural network, un tipo de red que imita la estructura ligera del cerebro al eliminar conexiones innecesarias. Incluso tras eliminar casi todas las conexiones, el sistema mantuvo más del 90 % de precisión en sus tareas de reconocimiento de patrones. En comparación, una red convencional habría perdido gran parte de su rendimiento.
Este avance no solo reduce el consumo, sino que también hace posible crear sistemas más pequeños, rápidos y sostenibles, capaces de funcionar en dispositivos portátiles o en entornos donde la energía es limitada, como los coches autónomos, los teléfonos inteligentes o los sensores inteligentes que operan en el borde de la red (edge computing).
Un chip que se recupera del daño
Además de ser eficiente, el nuevo chip demostró una cualidad poco común: la resiliencia. En pruebas de simulación, los investigadores “dañaron” parte de la red, desactivando un número significativo de sus neuronas artificiales. En un sistema convencional, eso equivaldría a una falla grave. Sin embargo, la red basada en neuristores logró reorganizarse y recuperar casi por completo su rendimiento original.
Esto fue posible gracias a la misma propiedad que permite el aprendizaje: la plasticidad intrínseca. Al reajustar su sensibilidad, las neuronas restantes compensaron la pérdida de las dañadas, redistribuyendo la carga de trabajo sin necesidad de una reprogramación externa. En términos simples, el sistema fue capaz de “reaprender” por sí solo cómo funcionar.
Este comportamiento recuerda a lo que ocurre en el cerebro humano después de una lesión: otras regiones pueden asumir funciones perdidas, permitiendo una recuperación parcial o total.
Aplicado al mundo de la electrónica, esto significa que los dispositivos basados en esta tecnología podrían seguir funcionando incluso tras sufrir fallos físicos, algo esencial para sistemas autónomos que deben operar de forma continua sin intervención humana.
Lo que viene: inteligencia artificial más humana
El equipo de KAIST considera que este es solo el principio de una nueva generación de chips neuromórficos. Al integrar la capacidad de aprendizaje interno y la resiliencia biológica, estos dispositivos podrían cambiar la manera en que se diseñan las máquinas inteligentes.
En el futuro, esta tecnología podría aplicarse en robots autónomos, vehículos inteligentes o sistemas médicos que necesiten tomar decisiones en tiempo real. También podría reducir drásticamente la huella energética de la inteligencia artificial, un desafío creciente en una era en la que los modelos cada vez más grandes exigen más recursos.
El avance demuestra que la inspiración biológica sigue siendo la mejor guía para la innovación tecnológica. Al copiar no solo la forma, sino el comportamiento de las neuronas, los científicos de KAIST han dado un paso hacia una inteligencia artificial más natural, eficiente y duradera. Y aunque aún falta para que estos chips lleguen al mercado, lo cierto es que su desarrollo marca el inicio de una nueva etapa en la evolución de las máquinas que aprenden.
Referencias
- Park, W., Song, H., Kim, E. Y., Choi, M. G., Lee, M. G., Rhee, H., ... & Kim, K. M. (2025). Frequency Switching Neuristor for Realizing Intrinsic Plasticity and Enabling Robust Neuromorphic Computing. Advanced Materials, e02255. doi: 10.1002/adma.202502255
