Los chips inspirados en el cerebro están empujando la IA más allá del centro de datos, lo que permite la toma de decisiones en tiempo real en los dispositivos. Pero cumplir con su promesa requiere repensar la infraestructura desde el silicio.
Imagina un dron entretejiendo a través de un almacén con reflejos similares a insectos, o una extremidad protésica que se adapte a su usuario en tiempo real. Estos no son conceptos futuros. Son puntos de prueba tempranos para la computación neuromórfica, una nueva clase de hardware de inteligencia artificial (IA) diseñado para imitar el cerebro humano.
Los chips neuromórficos procesan datos utilizando redes neuronales de enriquecimiento (SNN) que se activan solo para una entrada significativa, similar a las neuronas biológicas. A diferencia de las unidades de procesamiento central (CPU) y las unidades de procesamiento de gráficos (GPU) que separan las unidades de memoria y procesamiento, la computación neuromórfica integra estos componentes para un procesamiento de datos paralelo eficiente (consulte la Figura 1).
El resultado es un consumo de energía drásticamente menor, tiempos de respuesta más rápidos y diseños compactos adecuados para entornos restringidos en el borde. Esto importa más que nunca, con un gasto global en infraestructura perimetral que se proyecta alcanzará los 261 000 millones de USD en 2025 a 380 000 millones de USD en 2028.
Figura 1. El chip neuromórfico único BrainScaleS-2 es uno de los sistemas utilizados para aplicaciones de computación neuromórfica. Fuente: Abra Neuromorphic.
Cómo funciona la computación neuromórfica
Los chips neuromórficos integran la memoria y la computación en la ubicación exacta. Este diseño evita el cuello de botella de von Neumann, que ocurre cuando los datos se mueven constantemente entre unidades de memoria y procesamiento separadas. En lugar de fluir continuamente a través de los datos, estos chips funcionan asíncronamente y activan el cálculo solo cuando cambia la entrada del sensor. Este modelo impulsado por eventos puede minimizar el procesamiento innecesario y reducir el consumo de energía hasta 100 veces en comparación con los sistemas convencionales.
Loihi de Intel, por ejemplo, simula más de un millón de neuronas con solo 70 milivatios. Las GPU tradicionales que realizan cargas de trabajo similares pueden consumir varios vatios o incluso kilovatios, lo que limita su uso en entornos remotos o móviles.
Ventajas de la computación neuromórfica
La computación neuromórfica no se trata de ganancias marginales. Representa un cambio estructural en la forma en que se ejecuta la IA en el borde.
Consumo de energía ultrabajo
Al imitar cómo se disparan las neuronas solo cuando es necesario, los chips neuromórficos reducen el uso de energía inactiva hasta 100 veces.
Baja latencia
Las redes de adición admiten tiempos de respuesta de menos de 100 milisegundos, esenciales para la robótica, el diagnóstico en tiempo real y los sistemas de control de bucle cerrado.
Procesamiento paralelo
La ejecución asíncrona permite que estos sistemas procesen múltiples entradas de sensores simultáneamente sin crear un cuello de botella.
Tolerancia al ruido
Los chips neuromórficos son adecuados para entornos caóticos y pueden procesar datos incompletos o no estructurados de manera más eficaz que los modelos de IA convencionales.
Diseño compacto
Las necesidades térmicas y de energía reducidas permiten la implementación en dispositivos integrados, lo que elimina la necesidad de grandes sistemas de enfriamiento o descarga a la nube.
Juntas, estas características sugieren que los sistemas neuromórficos podrían admitir una IA eficiente y autónoma fuera del centro de datos.
Casos de uso de computación neuromórfica
Atención médica
Se están explorando chips neuromórficos para el análisis de ECG de baja potencia y prótesis adaptativas que responden al movimiento en tiempo real (consulte la Figura 3). Plataformas como SpiNNaker y BrainScaleS han demostrado la viabilidad del procesamiento cerebral en contextos médicos. Los chips más nuevos, como Loihi de Intel, han demostrado ser prometedores en las interfaces cerebro-máquina, decodificando las señales neuronales para controlar las extremidades robóticas, allanando el camino para la restauración de la movilidad (consulte la Figura 2).
La investigación en simulaciones moleculares y el plegamiento de proteínas mediante el uso de SNN podría ayudar a reducir el costo de energía, lo que podría mejorar la eficiencia y la asequibilidad del desarrollo de fármacos y los tratamientos médicos.
Figura 2. Imagen A (izquierda): Prototipo de brazo robótico montado en silla de ruedas controlado por neuromorfo, demostrado por el autor de la investigación, Yuval Zaidel. Imagen B (derecha): Arquitectura de control: Enriquecer los datos del acelerómetro de procesamiento de la red neuronal para la adaptación de la posición en tiempo real. Fuente: Fronteras | Control adaptativo de un brazo robótico montado en silla de ruedas con lecturas de velocidad neuromórficamente integradas y aprendizaje en línea.
Modelado climático y física
En CERN, se han utilizado sensores basados en eventos inspirados en principios neuromórficos para rastrear partículas en entornos ruidosos y de alto rendimiento. Sandia National Laboratories está utilizando chips similares para reducir la energía necesaria para las simulaciones climáticas, un campo tradicionalmente dominado por supercomputadoras.
Robótica e IoT
El Proceso neuronal de agarre del Instituto de Tecnología de Massachusetts (MIT) ha demostrado un brazo robótico impulsado por SNN capacitado en 1000 geometrías y 5000 objetos, lo que permite recogidas confiables en entornos dinámicos como almacenes.
Los investigadores han utilizado sensores dinámicos de visión (DVS), cámaras inspiradas en la retina, para capturar cambios en la luz. Estos sensores permiten a los drones navegar por espacios concurridos con agilidad similar a insectos y latencia ultrabaja
Empresas como Prophesee han comercializado sistemas de visión basados en eventos para la vigilancia inteligente, reduciendo el ancho de banda y las necesidades de energía. Sus sensores pueden lograr más de 10.000 cuadros por segundo y, al mismo tiempo, consumir menos energía.
Figura 3. El desarrollo de una neuroprótesis somatosensorial depende de tres pilares principales: (1) Usar modelos informáticos para imitar cómo responde el sistema nervioso al tacto (segmento azul); (2) Pruebas en animales para validar estrategias de neuroestimulación (segmento naranja); DRG: ganglio de raíz dorsal. (3) Realizar ensayos clínicos con seres humanos para evaluar la efectividad de la tecnología en escenarios de la vida real (segmento verde). Fuente: Comunicaciones de la naturaleza.
Finanzas y ciberseguridad
IBM ha explorado el uso de SNN para la detección de fraudes. Capacitaron modelos que identifican patrones en transacciones financieras con alta precisión. Estos sistemas pueden adaptarse a las amenazas emergentes con datos mínimos.
Lo que necesita la infraestructura
Los sistemas neuromórficos compatibles requieren más que actualizaciones incrementales en el borde. Requiere una infraestructura especialmente diseñada (consulte la Figura 4) que se adapte a la demanda, se adapte a las cargas de trabajo cambiantes y se adapte a entornos con limitaciones de espacio o energía.
Por ejemplo, el enfriamiento líquido directo al chip puede manejar el calor esporádico de manera más efectiva que el aire solo. El enfoque de enfriamiento de Vertiv, que combina refrigeración por líquido y aire, ayuda a mantener un rendimiento estable y, al mismo tiempo, reduce el uso general de energía. De manera similar, los sistemas de suministro de energía deben responder rápidamente a los cambios de corriente agudos sin sobreconstrucción, lo que aumenta tanto el costo como la huella física. Las interconexiones de alta velocidad también son necesarias para admitir el procesamiento rápido y localizado de datos.
Por el lado de las operaciones, las cargas de trabajo neuromórficas exigen una mentalidad diferente. Las SNN y las arquitecturas asíncronas son fundamentalmente diferentes de los modelos utilizados en la mayoría de los procesos de entrenamiento de IA. Los equipos deben comprender cómo trabajar con sistemas impulsados por eventos y cómo mantenerlos. Los ingenieros deben diseñar en torno a cargas impredecibles y comportamiento dinámico.
Figura 4.Por ejemplo, las soluciones modulares, como las soluciones de infraestructura de Vertiv y el CoolChip de Vertiv, que combinan la refrigeración líquida directa al chip con estrategias adaptables del lado del aire, ya están diseñadas para manejar cargas de trabajo de alto rendimiento en el borde, como la computación neuromórfica.
Preparación para lo que viene
La computación neuromórfica no es un concepto. Ya está remodelando la forma en que funciona la inteligencia perimetral. Desde robótica y atención médica hasta modelado climático y ciberseguridad, las aplicaciones están aquí. Lo que está rezagado es la infraestructura.
Si planea implementar IA en el edge, necesitará sistemas diseñados para admitir estas nuevas cargas de trabajo. Eso significa evaluar la densidad del rack, las estrategias térmicas y la capacidad de respuesta a la potencia. También significa invertir en personas que comprendan este nuevo paradigma de IA: parte neurociencia, parte ingeniería, parte diseño de sistemas.
La evolución de la IA perimetral depende de cómo la infraestructura actual aborda las demandas emergentes.
Visite el centro de IA de Vertiv para explorar las soluciones de infraestructura diseñadas para el rendimiento neuromórfico, en el borde, en tiempo real y con una eficiencia que escala.
