La Biología se Encuentra con el Silicio

Una startup australiana llamada Cortical Labs está construyendo los primeros centros de datos diseñados para ejecutar hardware de computación impulsado por células cerebrales humanas vivas. La empresa planea construir dos instalaciones que albergarán sus chips propietarios llenos de neuronas, marcando una salida radical de la arquitectura convencional del centro de datos e impulsando los límites de lo que la infraestructura de computación puede parecer.

La tecnología, conocida como computación biológica o inteligencia de organoide, implica el cultivo de redes de neuronas humanas en chips semiconductores. Estas redes neuronales biológicas pueden procesar información de formas fundamentalmente diferentes de los procesadores de silicio tradicionales, ofreciendo potencialmente ventajas en eficiencia energética, adaptabilidad y ciertos tipos de reconocimiento de patrones.

Cómo Funciona la Computación Biológica

El enfoque de Cortical Labs comienza con células madre humanas que se diferencian en neuronas y se cultivan en arreglos multielectrodo. Estos arreglos proporcionan tanto la interfaz para entregar información a las neuronas como los medios para leer sus salidas. A medida que las neuronas crecen y forman conexiones, crean una red neuronal biológica que puede ser entrenada para realizar tareas computacionales.

La empresa llamó por primera vez la atención generalizada en 2022 cuando demostró que sus chips de neuronas podían aprender a jugar el videojuego Pong. Aunque fue una tarea relativamente simple, demostró que las redes neuronales biológicas podían recibir información, procesarla y producir salidas significativas, los requisitos básicos para cualquier sistema de computación.

Desde entonces, Cortical Labs ha estado trabajando para ampliar la tecnología y mejorar su confiabilidad. La construcción de centros de datos representa un paso importante en esta dirección, pasando de demostraciones de laboratorio a una infraestructura que eventualmente podría respaldar aplicaciones comerciales.

Posibles Ventajas

Los defensores de la computación biológica señalan varias ventajas potenciales sobre los chips de silicio convencionales:

  • Eficiencia energética: las neuronas biológicas funcionan con una potencia extremadamente baja en comparación con los transistores que realizan cálculos equivalentes
  • Adaptabilidad: las redes neuronales pueden reorganizarse y rewiring a sí mismas en respuesta a nuevas entradas, una forma de aprendizaje a nivel de hardware
  • Tolerancia a fallos: los sistemas biológicos pueden continuar funcionando incluso cuando componentes individuales fallan
  • Computación novedosa: las neuronas pueden ser capaces de procesar información de formas difíciles de replicar en silicio

La ventaja de eficiencia energética es particularmente convincente en una era cuando los centros de datos están consumiendo una parte cada vez mayor de la electricidad global. Las cargas de trabajo de entrenamiento e inferencia de IA han impulsado una explosión en la construcción de centros de datos, y cualquier tecnología que pudiera reducir significativamente el costo energético de la computación tendría un valor comercial enorme.

Retos Significativos Permanecen

La tecnología aún se encuentra en etapas muy tempranas de desarrollo, y deben superarse desafíos significativos antes de que la computación biológica pueda competir con los enfoques convencionales. Las neuronas vivas requieren entornos cuidadosamente controlados, incluyendo temperaturas específicas, suministros de nutrientes y sistemas de extracción de residuos. Mantener estas condiciones a escala de centro de datos introduce complejidades de ingeniería que no existen con chips de silicio.

La confiabilidad es otra preocupación. Los sistemas biológicos son inherentemente variables, y garantizar un desempeño computacional consistente entre miles de chips de neuronas requerirá avances tanto en biología como en ingeniería. La vida útil de los cultivos de neuronas también es limitada en comparación con los años de operación continua esperados del hardware convencional del centro de datos.

También hay consideraciones éticas. El uso de neuronas humanas en sistemas de computación plantea preguntas que la industria tecnológica nunca ha tenido que enfrentar. Aunque las neuronas utilizadas por Cortical Labs se derivan de células madre y no constituyen nada que se asemeje a un cerebro o conciencia, los marcos éticos para la computación biológica aún se están desarrollando.

Contexto de la Industria

Cortical Labs no es la única empresa que explora la computación biológica, pero parece ser la más avanzada en términos de construir infraestructura para el despliegue comercial. Grupos de investigación académica en los Estados Unidos, Europa y Asia también están investigando la computación de organoides, y varias otras startups han entrado en el espacio en los últimos años.

La industria informática más amplia está observando estos desarrollos con interés. A medida que la Ley de Moore se desacelera y las demandas de energía de la IA continúan creciendo, los paradigmas de computación alternativos están recibiendo más atención e inversión que en cualquier momento anterior. La computación cuántica, chips neuromórficos y ahora la computación biológica representan todos los caminos potenciales hacia adelante para una industria que está chocando contra los límites físicos de la tecnología convencional de silicio.

El Camino hacia la Comercialización

Los planes de centro de datos de Cortical Labs representan una apuesta de que la computación biológica puede pasar de ser una curiosidad de laboratorio a una tecnología práctica en un plazo relativamente corto. La empresa no ha divulgado cronogramas específicos para cuándo las instalaciones serán operacionales o qué aplicaciones respaldarán inicialmente. Sin embargo, la decisión de construir centros de datos dedicados sugiere confianza en que la tecnología se está acercando a un nivel de madurez donde puede entregar valor comercial real, incluso si sigue siendo muy lejos de reemplazar la computación convencional para la mayoría de las aplicaciones.

Este artículo se basa en reportajes de New Scientist. Lee el artículo original.