Un equipo de la Universidad del Sur de California (USC) construyó un sistema neuromórfico del tamaño de una moneda que percibe el mundo, aprende de él y toma decisiones sin batería, sin procesador y sin conexión a la nube. El trabajo, portada de Nature Sensors el 2 de junio de 2026, propone una idea radical: que la propia señal física que el dispositivo mide sea también la energía que lo alimenta.
No es un chip más rápido ni un modelo más grande. Es una manera distinta de computar, inspirada en cómo el cerebro procesa la vista y el tacto a la vez, que podría llevar inteligencia a lugares donde hoy no llega ni un cable ni una pila.
TL;DR
- La USC presentó un sistema neuromórfico del tamaño de una moneda que percibe, aprende y decide sin batería ni nube.
- El trabajo fue portada de Nature Sensors el 2 de junio de 2026; lo lideran J. Joshua Yang y Seung Ju Kim.
- Usa dos memristores: uno imita una neurona que dispara y otro una sinapsis que retiene lo aprendido.
- Procesa luz, presión, calor y sonido de forma analógica, sin convertir nada a digital.
- La propia señal medida alimenta el circuito: el dato es también la fuente de energía.
- Una demostración detecta rayos midiendo el desfase entre la luz (instantánea) y el sonido (~3 s por kilómetro).
- Posibles usos: sensores contra incendios, gafas inteligentes, sondas espaciales y submarinas autónomas.
Qué pasó
El laboratorio dirigido por el profesor J. Joshua Yang, del Ming Hsieh Department of Electrical and Computer Engineering de la USC, publicó un dispositivo que combina percepción, memoria y aprendizaje en un único circuito analógico. El primer autor del artículo es el investigador posdoctoral Seung Ju Kim. La revista Nature Sensors lo eligió como historia de portada en su edición del 2 de junio de 2026.
La pieza clave del anuncio no es la miniaturización en sí, sino la economía energética. En un computador convencional, sensar el mundo, digitalizar la señal, moverla a un procesador y ejecutar un modelo son cuatro etapas que consumen energía por separado. El sistema neuromórfico de la USC colapsa todas esas etapas en una sola y, además, se autoabastece: la energía no viene de una batería, sino de la misma señal física que se está midiendo. Como resume el equipo, "la señal no es solo la señal que se procesa; es también la fuente de energía que alimenta el sistema".
El resultado es un objeto que puede dejarse funcionando solo, sin mantenimiento, en lugares donde una pila se agotaría o un cable sería imposible. Esa autonomía es lo que convierte un experimento de laboratorio en una noticia con implicaciones prácticas reales.
Un circuito analógico que percibe y aprende sin batería externa.
Qué es un sistema neuromórfico
La computación neuromórfica es una rama de la ingeniería que intenta construir hardware que funcione como el cerebro, no como una calculadora. En un procesador clásico, la memoria y el cálculo viven separados: los datos van y vienen entre la RAM y la CPU por un bus, y ese trasiego constante es el llamado "cuello de botella de von Neumann". El cerebro no trabaja así. En él, las neuronas que computan y las sinapsis que recuerdan son la misma estructura física, y la información se procesa donde se almacena.
Un sistema neuromórfico persigue esa idea: en lugar de mover bits de un lado a otro, deja que el cálculo ocurra dentro de los propios elementos de memoria. Eso reduce drásticamente el consumo y permite responder a estímulos del mundo real en tiempo continuo, sin esperar a un reloj digital. Empresas y laboratorios llevan más de una década explorando este enfoque —Intel con su chip Loihi, IBM con TrueNorth—, pero la mayoría de esos diseños siguen siendo digitales y necesitan alimentación externa.
Lo que diferencia al trabajo de la USC es que es completamente analógico. No convierte la luz, la presión o el sonido en unos y ceros: opera directamente sobre el fenómeno físico continuo. Esa decisión de diseño elimina los conversores analógico-digitales, que suelen ser de las partes más caras en energía, y abre la puerta a que el dispositivo se alimente del propio entorno.
💭 Clave: en un sistema neuromórfico analógico, percibir, recordar y aprender no son tres pasos distintos sino propiedades físicas del mismo material. Ahí está el ahorro de energía.
Cómo funciona el dispositivo
El corazón del sistema son dos tipos de memristores, dispositivos nanoscópicos cuya resistencia eléctrica cambia según la corriente que han recibido y que conservan ese estado aunque se les quite la alimentación. Por eso se les considera un buen candidato para imitar a las sinapsis biológicas.
- Memristor tipo neurona — dispara una señal cuyo instante depende de la intensidad del estímulo. Cuanto más fuerte es la entrada, antes se activa, igual que una neurona biológica que codifica información en el momento del disparo.
- Memristor tipo sinapsis — retiene de forma indefinida el estado aprendido, sirviendo como memoria persistente del sistema sin necesidad de refrescarlo.
Ambos se conectan con componentes tan banales como resistencias y condensadores. No hay firmware, no hay sistema operativo, no hay software que actualizar. El aprendizaje es no supervisado y emerge solo de la física: según el equipo, "la memoria surge de la relación temporal entre las señales físicas, imitando la forma en que los sistemas biológicos aprenden de experiencias repetidas".
El ejemplo que mejor ilustra el principio es la detección de rayos. Un relámpago emite dos señales que viajan a velocidades muy distintas: la luz llega casi instantáneamente, mientras que el trueno avanza a unos 3 segundos por kilómetro. El sistema percibe ambas, y el desfase temporal entre ellas queda codificado directamente en la memoria del memristor, lo que permite estimar la distancia del rayo sin ningún servidor ni registrador de datos en medio.
graph LR
A["Rayo"] --> B["Luz (instantanea)"]
A --> C["Sonido (~3 s/km)"]
B --> D["Memristor neurona: dispara"]
C --> D
D --> E["Memristor sinapsis: guarda el desfase"]
E --> F["Distancia estimada"]
El flujo es íntegramente local: el sensor, la memoria y la "decisión" ocurren en el mismo punto. Lo que en un sistema tradicional requeriría un micrófono, un fotodiodo, un microcontrolador, un reloj y un algoritmo de correlación, aquí lo resuelve la física de un puñado de componentes pasivos.
💡 Tip: si querés entender por qué importa que sea analógico, pensá en cuántos joules se gastan solo en digitalizar audio a 44,1 kHz de forma continua durante días. El diseño de la USC simplemente nunca digitaliza.
Datos y cifras
Más allá de la elegancia conceptual, conviene ordenar los datos concretos que sostienen la noticia, porque la promesa de "computar con aire" exige precisión para no caer en exageración.
- Tamaño — el circuito completo cabe en una placa del tamaño de una moneda.
- Energía externa — cero. El sistema se alimenta de la señal física que sensa, no de una batería ni de la red eléctrica.
- Componentes — dos tipos de memristores nanoscópicos más resistencias y condensadores convencionales.
- Procesamiento — 100 % analógico, sin conversión a digital ni software.
- Publicación — portada de Nature Sensors, 2 de junio de 2026.
- Demostración — red simulada de detección de rayos basada en el desfase luz/sonido (~3 s/km).
- Financiación — el centro CONCRETE (Center of Neuromorphic Computing under Extreme Environments), con apoyo de la Air Force Office of Scientific Research, el Air Force Research Laboratory, el Army Research Office y la National Science Foundation.
El nombre del centro financiador, CONCRETE, no es casual: el enfoque está pensado para entornos extremos donde no hay infraestructura. Esa es la frontera real del proyecto, y también explica el interés de agencias de defensa y ciencia básica de Estados Unidos.
Sensores que aprenden solos, pensados para terreno sin infraestructura.
Impacto y análisis
El contexto de esta noticia es la creciente angustia por el consumo energético de la inteligencia artificial. Mientras los grandes modelos de lenguaje empujan la demanda de centros de datos a niveles que preocupan a gobiernos y operadores eléctricos, una corriente de investigación va en sentido contrario: en vez de concentrar más cómputo en almacenes gigantes, repartir inteligencia mínima en el borde, donde nace el dato. Un sistema neuromórfico autoalimentado es la expresión más extrema de esa filosofía.
Conviene, sin embargo, ser objetivos sobre el alcance. Este dispositivo no compite con un modelo de IA generativa ni pretende hacerlo. No va a escribir código ni a clasificar imágenes complejas. Su valor está en tareas de percepción acotadas —detectar un patrón, medir un desfase, reaccionar a un umbral— donde hoy desplegar electrónica convencional es inviable por costo, mantenimiento o falta de energía. Compararlo con un chip de IA de centro de datos sería un error de categoría.
Las aplicaciones que el equipo plantea dan la medida del nicho. Un sensor que no necesita batería ni red podría esparcirse por terreno propenso a incendios para detectar la caída de rayos; podría integrarse en gafas inteligentes que procesan el entorno sin conectarse a un teléfono; o podría enviarse al espacio o dejarse caer en el océano profundo para aprender por su cuenta. Son escenarios en los que la autonomía energética no es un lujo, sino la condición que hace posible el despliegue.
⚠️ Ojo: que un prototipo de laboratorio funcione no garantiza que se fabrique a escala. Los memristores llevan más de una década prometiendo revolucionar el hardware y todavía no se producen en masa con la fiabilidad de un transistor CMOS.
Ese es el matiz periodístico honesto: estamos ante una prueba de concepto sólida y revisada por pares, no ante un producto. La fabricación reproducible de memristores, su variabilidad entre unidades y su integración con la electrónica existente siguen siendo problemas abiertos en toda la industria. La noticia es importante porque demuestra que el principio funciona y se publica en una revista de primer nivel, no porque mañana vayamos a comprar uno.
Qué sigue
El siguiente paso lógico es pasar de una red simulada a despliegues físicos más grandes y a tareas de percepción más ricas que combinen varias modalidades sensoriales a la vez —la "vista y tacto simultáneos" que inspiró el diseño—. También habrá que demostrar robustez: cómo se comportan estos dispositivos tras meses de funcionamiento autónomo, con ruido, temperatura variable y señales débiles.
En el plano industrial, la gran pregunta es la fabricación. Para que un sistema neuromórfico como este salga del laboratorio hace falta un proceso capaz de producir memristores consistentes a bajo costo. Mientras eso no exista, el impacto se medirá en nichos de investigación, defensa y exploración científica antes que en electrónica de consumo. Aun así, cada demostración que cierra la brecha entre percibir y computar empuja a toda la disciplina un paso más cerca de un cómputo que se parezca, de verdad, al cerebro.
📖 Resumen en Telegram: Ver resumen
Preguntas frecuentes
¿Qué es un sistema neuromórfico?
Es hardware diseñado para funcionar como el cerebro, donde el cálculo y la memoria conviven en la misma estructura física en lugar de estar separados como en una CPU y su RAM. Eso reduce el consumo y permite procesar señales del mundo real en tiempo continuo.
¿De verdad funciona sin batería?
Sí, según el trabajo publicado en Nature Sensors. No tiene fuente de energía externa: la propia señal física que mide —luz, presión, calor o sonido— es también la que alimenta el circuito. Por eso el equipo dice que el dato y la energía son lo mismo.
¿Qué es un memristor y por qué importa aquí?
Es un componente nanoscópico cuya resistencia depende de la corriente que ha pasado por él y que conserva ese estado sin alimentación. El dispositivo usa dos tipos: uno que dispara como una neurona y otro que retiene lo aprendido como una sinapsis.
¿Reemplaza a los chips de IA actuales?
No. No compite con los aceleradores de centros de datos ni con los modelos generativos. Está pensado para tareas de percepción acotadas en lugares sin energía ni red, no para entrenar o ejecutar grandes modelos.
¿Para qué sirve la demostración del rayo?
Ilustra el principio central: la luz llega casi instantánea y el sonido a unos 3 segundos por kilómetro, y el sistema codifica ese desfase directamente en su memoria para estimar la distancia, sin servidores ni registradores de datos.
¿Cuándo veremos esto en productos reales?
No hay fecha. Es una prueba de concepto revisada por pares; la fabricación masiva y fiable de memristores sigue siendo un reto abierto en toda la industria. Los primeros usos llegarán antes a investigación, defensa y exploración científica que a electrónica de consumo.
Referencias
- USC Viterbi — anuncio oficial del sistema neuromórfico autoalimentado y portada de Nature Sensors.
- USC Viterbi — trabajo previo del mismo grupo sobre neuronas artificiales basadas en memristores.
- EurekAlert! — nota de prensa sobre las neuronas artificiales del equipo de la USC.
- Interesting Engineering — cobertura sobre las neuronas artificiales basadas en iones para hardware de IA.
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Top comments (0)