Los números — y la paradoja
En 2026, los chips neuromórficos ofrecen ganancias de eficiencia energética que harían que cualquier ingeniero de hardware se detuviera a mirar dos veces. El IBM NorthPole alcanza una eficiencia energética 22 veces mayor que las GPU de última generación en la inferencia de modelos de visión. El Intel Loihi 2 consume entre 100 y 1000 veces menos energía que los procesadores de IA convencionales en tareas específicas. Para datos de sensores event-based, ambos alcanzan hasta 1000 veces de eficiencia.
Y ninguno está disponible comercialmente fuera de asociaciones de investigación y contratos gubernamentales. Esta es la tensión central de la computación neuromórfica en 2026: resultados de laboratorio extraordinarios, producto comercial inexistente.
Qué son los chips neuromórficos
Los chips neuromórficos procesan la información de forma radicalmente diferente a las GPU convencionales. Utilizan redes neuronales de disparo (spiking neural networks) — un procesamiento event-driven que activa circuitos solo cuando hay un cambio en la señal de entrada, como las neuronas biológicas.
El resultado es una eficiencia energética radicalmente superior en tareas donde la señal de entrada es escasa: una cámara event-based que solo registra cambios de movimiento, un micrófono que solo se activa al detectar palabras clave, un sensor de vibración industrial que solo procesa anomalías.
Intel Loihi 2 y el sistema Hala Point
El Loihi 2 integra 128 núcleos neuromórficos con 1 millón de neuronas y 120 millones de sinapsis, consumiendo entre 250 y 500 mW durante la inferencia activa. El sistema Hala Point conecta múltiples chips Loihi 2 y da servicio a laboratorios de investigación a través de acceso remoto en la nube.
Loihi 2 es el chip neuromórfico más programable disponible para los investigadores en 2026 — pero "disponible para los investigadores" significa acceso mediante una asociación con Intel, no una compra en el mercado. El Loihi 3 operará a 1,2 vatios para tareas que requerirían cientos de vatios en un módulo edge convencional basado en GPU.
IBM NorthPole: un enfoque diferente
El NorthPole elimina el costo energético del acceso a la memoria — el mayor consumidor de energía en las GPU convencionales. Al distribuir el cómputo y la memoria a través de una estructura altamente paralela en el chip sin acceder a memoria externa durante la inferencia, NorthPole logra una eficiencia energética 22 veces mayor en la inferencia de ResNet-50 y 72,7 veces mayor para la inferencia de LLM.
La brecha de software: el verdadero obstáculo
El verdadero cuello de botella no es el hardware — es el software. Portar cargas de trabajo de IA a hardware fundamentalmente diferente requiere reescribir pipelines enteros. Los desarrolladores necesitan "pensar en disparos" en lugar de código convencional — un paradigma que la comunidad de ML apenas ha comenzado a aprender. Bibliotecas como NeuroCUDA están tendiendo puentes, pero el ecosistema construido en torno a las GPU en los últimos 15 años no tiene equivalente neuromórfico.
El horizonte: Edge AI y robótica
El caso de uso más prometedor a corto plazo es la Edge AI. Chips como el Akida de BrainChip y el T1 de Innatera ya están en despliegue comercial en cámaras, sensores y wearables. La proyección para 2028-2030: chips neuromórficos en gafas de realidad aumentada y teléfonos inteligentes para procesamiento local de visión y lenguaje, sin latencia de nube. El camino existe — pero es largo, y el software, no el silicio, es el cuello de botella.
