Un artículo de perspectiva publicado el 18 de septiembre en Nature Reviews Physics plantea una ruta para construir sistemas de IA en los que el hardware no se limite a ejecutar un modelo: redes de nanocables o nanopartículas cambian sus conexiones eléctricas mientras reciben señales y usan esas dinámicas para procesar información. El enfoque, desarrollado durante años por equipos que incluyen investigadores de UCLA, se conoce como redes memristivas autoorganizadas y apunta a llevar parte del aprendizaje al lugar donde nacen los datos, como sensores, robots, vehículos autónomos y satélites. El trabajo no presenta una computadora comercial ni demuestra que estas redes sustituyan a las GPU. Reúne resultados experimentales y modelos físicos para estudiar una posibilidad de IA local con menor consumo y menos dependencia de la nube.
Cuando la memoria forma parte del circuito
En la computación convencional, los transistores ejecutan instrucciones y el modelo de IA vive en software o memoria digital. Un memristor cambia su resistencia eléctrica según las señales que ha recibido, por lo que su estado puede conservar información sobre la actividad anterior. En una red autoorganizada, los cruces entre nanocables pueden formar o debilitar rutas conductoras. El comportamiento colectivo de la red, no una sola conexión, se convierte en parte del cálculo.
El artículo describe estas estructuras como circuitos eléctricos que se reorganizan dinámicamente. Sus autores usan herramientas de la física estadística, la teoría de grafos y el estudio de sistemas desordenados para analizar las transiciones entre distintos estados de conductancia. En esas transiciones aparecen fenómenos como la criticidad y cambios dinámicos que pueden modificar la forma en que la red responde a las señales.
La comparación con el cerebro tiene un alcance concreto. Las conexiones que se refuerzan o desaparecen recuerdan a la plasticidad neuronal, pero los investigadores no sostienen que hayan construido un cerebro artificial. El objetivo es aprovechar propiedades útiles de los sistemas biológicos, como la adaptación a flujos cambiantes de información, dentro de materiales fabricados.
El hardware ya demostró aprendizaje, con ayuda digital externa
El planteamiento no parte solo de una especulación. En un artículo publicado en 2023 en Nature Communications, un equipo usó una red memristiva de nanocables para aprender de forma incremental con imágenes de dígitos escritos a mano y para recuperar secuencias temporales. En la prueba de clasificación MNIST, el sistema alcanzó una precisión general de 93.4%.
El resultado tiene un límite importante. La red de nanocables generó las dinámicas y la memoria física que alimentaron el aprendizaje, pero la clasificación se realizó mediante una capa de salida completamente conectada y digital. Sus pesos se actualizaron con un algoritmo externo de mínimos cuadrados recursivos. Es decir, fue una demostración híbrida: el material participó en el procesamiento, mientras que componentes digitales todavía interpretaron la salida.
Por eso, ese porcentaje no representa el rendimiento de una IA general ni demuestra que una red de nanocables pueda reemplazar por sí sola a una GPU. Sí muestra que una estructura física autoorganizada puede transformar señales en patrones útiles para tareas de aprendizaje y conservar información sobre entradas anteriores.
La apuesta es procesar los datos donde nacen
La aplicación que más se repite en las fuentes es el edge computing, es decir, procesar la información cerca del sensor que la captura en vez de enviarla completa a un servidor remoto. Una cámara, un satélite o un robot puede producir muchos más datos de los que necesita transmitir. Si el propio hardware filtra patrones relevantes, la conexión con la nube podría transportar menos información y la respuesta podría depender menos de la latencia o de una conexión estable.
UCLA presenta estas redes como un complemento de la computación basada en silicio para dispositivos inteligentes, vehículos autónomos, robots industriales y satélites. La institución no las describe como un reemplazo inmediato de los procesadores actuales. La ventaja que se investiga es que la estructura física puede adaptarse mientras recibe señales, en lugar de limitarse a ejecutar un modelo fijo almacenado en memoria.
La misma presión aparece en el sector de sensores. Fierce Sensors recogió en Sensors Converge 2026 la visión de Francesco Doddo, veterano de STMicroelectronics, sobre el regreso de enfoques analógicos y la integración de IA directamente en los sensores para reducir el consumo. En robots, esa idea puede combinar datos de cámaras, micrófonos, sensores de presión y medición de distancia antes de enviar la información a un sistema central. Es un contexto industrial relacionado, no una validación independiente de las redes estudiadas por UCLA.
La distancia entre una demostración y un producto
La publicación de Nature Reviews Physics habla de una ruta prometedora hacia la inteligencia integrada en materiales, no de un chip listo para comercializarse. Las fuentes consultadas no presentan una fecha de lanzamiento, un producto disponible ni una cifra universal de ahorro energético frente a las GPU. La evidencia actual combina experimentos de laboratorio, tareas de aprendizaje específicas y modelos para entender cómo surgen las propiedades colectivas.
El cambio de arquitectura, aun así, es claro. Parte del procesamiento podría ocurrir en el material que recibe la señal, antes de enviar todos los datos a un servidor. Para sensores distribuidos y máquinas que deben reaccionar con poca energía o conectividad limitada, esa posibilidad convierte al hardware en algo más que el lugar donde corre la IA: lo vuelve parte del proceso de aprendizaje.
