Nature Sensors: Ingenieros de USC crean chip neuromórfico del tamaño de una moneda que aprende sin batería
Investigadores de la University of Southern California (USC) han desarrollado un dispositivo analógico basado en memristores que procesa señales (luz, presión) y aprende en el sitio, alimentado únicamente por la energía de esas señales. La tecnología de portada en Nature Sensors permite una "inteligencia sin infraestructura" para sensores médicos, gafas inteligentes e implantes que funcionan durante años sin recarga.
Muerte del dogma digital: por qué el chip analógico de USC elimina silenciosamente la IA en la nube — sin batería
[El núcleo]: qué está ocurriendo realmente
¿Alguna vez te has preguntado por qué tu rastreador de actividad física se apaga en tres días, mientras que un implante neural sigue siendo ciencia ficción? Porque toda la electrónica moderna sufre de esquizofrenia: el sensor lee el mundo analógico (luz, presión, temperatura), luego el convertidor analógico-digital (ADC) consume energía convirtiéndolo a ceros y unos, el procesador consume más energía procesando esos bits, la memoria consume aún más almacenándolos — todo para que el dispositivo pueda finalmente anunciar "pulso 72". El profesor J. Joshua Yang en USC simplemente preguntó: ¿por qué?
El 2 de junio de 2026, en un artículo de portada en Nature Sensors, su equipo (coautor el postdoc Seung Ju Kim, financiado por el CONCRETE Center con apoyo de la USAF y el Ejército de EE.UU.) presentó un dispositivo que rompe esta cadena de 70 años. Construyeron un circuito con dos tipos de memristores (difusivo y de deriva) que toma la señal cruda directamente de un fotodiodo o elemento piezoeléctrico y, justo ahí —sin energía externa, sin ADC, sin nube— extrae patrones y los almacena. La luz incide en el sensor —la misma energía lumínica impulsa el memristor. La presión comprime el elemento piezo —el pulso mecánico mismo alimenta el circuito. "La señal no es solo datos para procesar", dijo Yang a USC Viterbi. "Es también la fuente de energía que alimenta el sistema".
Sin embargo, el detalle que todos pasan por alto al oír "autoalimentado" no es una ganancia de eficiencia del 30-40 %. Yang describe un cambio de paradigma fundamental. Los centros de datos globales ya consumen entre el 1 y el 2 % de la electricidad mundial en 2026, duplicándose cada cuatro años. Para 2030 esa participación llegará al 4-5 %. Multiplicamos miles de millones de ceros y unos solo para reconocer un gato en una foto. El cerebro hace el mismo trabajo con 20 vatios. El cerebro nunca convierte la luz en dígitos; trabaja con potenciales de acción analógicos. El chip de USC hace lo mismo. Esto no es "otro prototipo neuromórfico". Es el primer dispositivo funcional que fusiona sensado, memoria y aprendizaje dentro de un solo bucle analógico sin energía externa.
Cronología y contexto
Para apreciar el salto, recordemos lo conservadora que ha sido la industria de memristores. La idea de "memristores de computación" tiene veinte años. Las primeras muestras de laboratorio aparecieron a mediados de la década de 2010. Todas compartían un defecto: requerían programación externa. Se alimentaban pulsos especialmente formados desde un microcontrolador externo y la resistencia cambiaba. Ese sigue siendo un enfoque digital, solo con un tipo de memoria diferente. El trabajo de Yang y Kim es radicalmente distinto: sus memristores aprenden por sí solos a partir de las relaciones temporales entre las señales entrantes. Kim lo expresa claramente: "La memoria no se actualiza mediante un algoritmo de aprendizaje por software. Emerge de las relaciones temporales entre señales físicas. Las señales coincidentes repetidas se fortalecen; las no relacionadas se desvanecen gradualmente".
Lo que vino antes. En marzo de 2026 el mismo laboratorio publicó en Nature sobre memristores que operan a 700 °C. Aquello era puramente un artículo de materiales. Ahora han combinado memristores de alta temperatura con autoalimentación. En simulación dispersaron una red de estos sensores por los bosques de California para detectar rayos —la principal causa de incendios forestales. El sistema reconstruyó con precisión las ubicaciones de los impactos usando la diferencia de tiempo entre luz (instantánea) y sonido (~340 m/s). Sin GPS, sin red celular, sin servidor. El dispositivo simplemente almacenó el retraso dentro de su propio circuito.
El verdadero avance que el comunicado de prensa de USC Viterbi minimiza es cómo resolvieron el aprendizaje no supervisado. El artículo de Nature Sensors detalla el mecanismo: el memristor difusivo (plata en dióxido de silicio) actúa como codificador de picos —cuanto más fuerte la señal, más rápido conmuta, generando pulsos. El memristor de deriva (óxido de hafnio con electrodos de tantalio-platino) actúa como sinapsis, acumulando cambios de peso en coincidencias repetidas. Esto es una implementación directa en hardware de la plasticidad dependiente del tiempo de los picos (STDP), el mecanismo que se cree subyace al aprendizaje en el cerebro biológico. Sin líneas de código. Sin instrucciones de procesador.
Ganadores y perdedores
El mayor perdedor n.º 1: ARM y todo el ecosistema de procesadores de borde. Empresas como ARM, Qualcomm y MediaTek construyeron negocios multimillonarios bajo la suposición de que todo sensor debe enviar sus datos a un procesador que luego ejecuta instrucciones. El chip de USC no ejecuta ninguna. No tiene registros, ni contador de programa, ni bus de datos. Solo física. Cuando estos dispositivos alcancen producción en volumen (tres a cinco años, no diez a quince), el mercado de microcontroladores IoT de ultra bajo consumo se reducirá entre un 60 y un 70 %. Analistas de JPR afirman: "Para finales de 2026, la IA descentralizada y la computación analógica comenzarán a aparecer en wearables y robots humanoides".
Perdedor n.º 2: NVIDIA y el mercado de aceleradores de IA de borde. NVIDIA gana dinero con el entrenamiento en centros de datos, pero su plataforma Jetson para inferencia de borde sigue siendo una bestia digital. Jetson Orin consume entre 15 y 25 vatios. El chip de USC consume cero vatios externos —extrae energía de la propia señal. Su potencia de cómputo no puede competir con Jetson, pero el 95 % de las tareas de borde (detección de rayos, clasificación de marcha, reconocimiento de arritmias en tiempo real) no necesita esa potencia. Necesitan velocidad, independencia energética y bajo costo.
Beneficiario n.º 1: implantes médicos. Yang destaca las gafas inteligentes como principal caso de uso de consumo, pero el verdadero premio son los implantes. Los neuroestimuladores existentes para dolor crónico (por ejemplo, Nervonik, que recaudó 52,5 millones de dólares en abril de 2026) aún requieren una unidad externa y una batería reemplazada cada tres a cinco años mediante cirugía. El chip de USC puede funcionar con presión biomecánica de los pasos o calor corporal. Un implante que aprende y se adapta sin batería ni recarga es el santo grial de la neuromodulación —ahora un paso más cerca.
Beneficiario n.º 2: Departamento de Defensa de EE.UU. La financiación a través de la USAF y el Ejército de EE.UU. no es casualidad. Un sensor que puede ser lanzado por dron detrás de líneas enemigas y escuchar, procesar y recordar durante años sin emitir señal de radio es oro para la inteligencia. El escenario de los rayos en California es tapadera. Los objetivos reales son sensores sísmicos para pruebas nucleares subterráneas y sensores acústicos para identificar vehículos militares.
Lo que los medios no están diciendo
Primera idea, no obvia ni siquiera para muchos ingenieros: el dispositivo de USC no es una "computadora". Es un clasificador. Puede distinguir rayos de fuegos artificiales por el retraso entre luz y sonido. Puede diferenciar la marcha A de la marcha B por el patrón de presión en un elemento piezoeléctrico. No puede aprender tablas de multiplicar. No hay bucle de retroalimentación, ni ramificación condicional, ni cómputo arbitrario. Es una red neuronal especializada cableada en la física de los memristores. Este es un límite fundamental que nadie superará pronto, porque la computación analógica no es universal por definición. Por tanto, la actual exageración sobre "IA sin batería" es marketing. La IA real aún necesita dígitos. El circuito analógico resuelve solo una clase estrecha de tareas.
Segunda idea: reproducibilidad y deriva de parámetros. El artículo de Nature Sensors muestra curvas I-V limpias, pero los investigadores que trabajan con memristores de óxido saben que estos dispositivos son notoriamente temperamentales. Los voltajes umbral varían de ciclo a ciclo, se degradan por migración de vacantes de oxígeno y son extremadamente sensibles a temperatura y humedad. ¿Qué tan bien funcionará el dispositivo de USC después de un año en campo de –20 °C a +50 °C y 10 % a 95 % de humedad? El artículo guarda silencio. El CONCRETE Center tiene financiación militar; esas pruebas casi con certeza están en marcha, pero los datos públicos no aparecerán hasta que exista una versión comercial.
Tercera idea: competencia de sistemas neuromórficos orgánicos. En el mismo número de Nature Sensors, Fabiano y colegas reportan neuronas electroquímicas orgánicas blandas que operan a velocidades biológicas (hasta 1,1 kHz) por debajo de 0,7 V y 40 pJ por pico. Esta es tecnología competidora. Los orgánicos pueden implantarse directamente en el cerebro porque son blandos y no inflamatorios. Los memristores de USC son rígidos; sirven para sensores periféricos pero no para interfaces neurales. El mercado se dividirá. Quién gane a largo plazo sigue sin estar claro.
Pronóstico: próximos 30 días y 90 días
Próximos 30 días (junio de 2026): oleada de solicitudes de patentes y licencias comerciales.
USC Viterbi presentará patentes sobre la arquitectura de "sistema neuromórfico autoalimentado con memristores difusivos y de deriva". Se esperan al menos tres o cuatro solicitudes con prioridad desde la fecha de publicación del 2 de junio de 2026. Yang ya tiene trayectoria de comercialización; su trabajo anterior en memristores de alta temperatura atrajo interés de empresas de servicios petroleros (Baker Hughes, Schlumberger). Los fabricantes de electrónica wearable se sumarán ahora a la cola. Garmin, Apple y Oura Ring solicitarán muestras para evaluar un rastreador de actividad física que nunca necesita carga.
Próximos 90 días (agosto-septiembre de 2026): alianzas con fundiciones y primeros prototipos de ingeniería.
El dispositivo de USC se construyó en una placa de circuito impreso con memristores discretos, resistencias y condensadores. La comercialización requiere integración: los memristores deben incrustarse en un chip de silicio sobre lógica CMOS estándar (o reemplazándola). Dentro de 90 días se espera que USC anuncie una alianza con un licenciatario de Arm o una fundición independiente (posiblemente TSMC o Intel Foundry Services) para producir una muestra de ingeniería de System-on-Chip (SoC) en la que el clasificador de memristores esté junto a un procesador convencional para tareas más complejas.
Un riesgo que el comunicado de prensa omite: incorporar nuevos materiales (plata, óxido de hafnio dopado con estroncio y titanio, como en el trabajo paralelo de Cambridge) en flujos CMOS estándar no es trivial. TSMC podría negarse a menos que vea pedidos garantizados de alto volumen de un OEM importante. USC necesitaría entonces una fundición especializada en memristores como Weebit Nano o Knowm, retrasando la comercialización dos o tres años.
Finalmente, el comentario de Yang debería hacer reflexionar a los inversores: "La energía es el problema clave para el centro de datos. Aprende de la computadora más eficiente del mundo —nuestro cerebro". Elegante, pero el cerebro funciona con 20 vatios y 86 mil millones de neuronas. El chip de USC usa dos memristores. El principio es escalable, pero la brecha entre el principio y una supercomputadora de microwatios no se cerrará en tres años. Los inversores que se apresuran hacia startups de memristores podrían decepcionarse; los problemas de fiabilidad, reproducibilidad y escalado siguen sin resolverse. Que se ha dado el primer paso —y de forma brillante— no puede negarse.
— Editorial Team
