En esta \u00faltima d\u00e9cada, la Inteligencia Artificial (IA) y las aplicaciones que se basan en ella, como pueden ser el aprendizaje autom\u00e1tico y el procesamiento del lenguaje natural han estado revolucionando muchas industrias y nuestra vida cotidiana. A medida que la potencia de c\u00f3mputo de los ordenadores contin\u00faa mejorando, y se almacenan m\u00e1s y m\u00e1s datos, la capacidad y las posibilidades de la Inteligencia Artificial crece de forma exponencial. Sin embargo, hay una demanda de un progreso en el campo de la Inteligencia Artificial mucho m\u00e1s r\u00e1pido que el actual y los profesionales del \u00e1rea ya est\u00e1n analizando cu\u00e1les podr\u00edan ser las pr\u00f3ximas olas de desarrollo.<\/p>\n
Las nuevas tecnolog\u00edas, como la inform\u00e1tica de vanguardia y las redes 5G, se basan en respuestas instant\u00e1neas que no pueden permitir una latencia y los cuellos de botella que son inherentes a los centros de datos t\u00edpicos. En la actualidad se est\u00e1 desarrollando un nuevo tipo de aprendizaje autom\u00e1tico, la computaci\u00f3n neurom\u00f3rfica, que cuando se lance al mercado va a acelerar la innovaci\u00f3n en este campo.<\/p>\n
Antes de adentrarnos en el mundo de la computaci\u00f3n neurom\u00f3fica, ser\u00eda interesante indicar a qu\u00e9 nos referimos con aprendizaje autom\u00e1tico. Cuando hablamos del aprendizaje autom\u00e1tico como una aplicaci\u00f3n de la Inteligecia Artificial, nos referimos al uso de datos para poder crear modelos predictivos y tomar decisiones. Por ejemplo, Spotify o Netflix predicen qu\u00e9 programas nos gustar\u00edan, o Instagram qu\u00e9 tipo de fotos preferimos, las f\u00e1bricas pueden identificar cu\u00e1les son las condiciones \u00f3ptimas para que las m\u00e1quinas tengan los mejores resultados. El Aprendizaje autom\u00e1tico est\u00e1 basado en la alimentaci\u00f3n de datos y generalmente dispone de unos conjuntos de reglas predefinidas para poder trabajar.<\/p>\n
El problema que nos solemos encontrar con el aprendizaje autom\u00e1tico en la actualidad es que no comprende el concepto del mundo como lo hace un cerebro humano. Por ejemplo, un ordenador puede conectar un evento a algo que sucedi\u00f3 antes de usar sus datos, pero a diferencia del cerebro humano, tiene muchas dificultades cuando tiene que poner una nueva conexi\u00f3n o un nuevo evento en un contexto determinado.<\/p>\n
Los sistemas neurom\u00f3rficos tienen como objetivo replicar el funcionamiento del cerebro humano. Est\u00e1n dise\u00f1ados para recibir im\u00e1genes y sonidos de una forma en la que la Inteligencia Artificial, nunca antes hab\u00eda dispuesto. Las plataformas tradicionales de Inteligencia Artificial y Aprendizaje Autom\u00e1tico han sido brillantes al hacer predicciones s\u00f3lidas sobre los problemas que son cuantificables o se pueden expresar mediante n\u00fameros, pero fallan cuando el desaf\u00edo necesita ir m\u00e1s all\u00e1.<\/p>\n
La inform\u00e1tica neurom\u00f3rfica se basa en el concepto de un \u201ccerebro en un chip\u201d. Mientras que el aprendizaje autom\u00e1tico y las teor\u00edas m\u00e1s complejas, como el aprendizaje profundo, se basan en las decisiones de alcance, la tecnolog\u00eda neurom\u00f3rfica intenta copiar literalmente la forma de un cerebro humano. Esto hace que, adem\u00e1s de tomar decisiones, puede almacenar informaci\u00f3n y deducir cosas por s\u00ed mismo. Un sistema neurom\u00f3rfico puede identificar patrones en datos visuales o auditivos e ir ajustando sus predicciones en funci\u00f3n de lo que va aprendiendo con el tiempo.<\/p>\n
Intel es uno de los l\u00edderes en la carrera para desarrollar el primer sistema neurom\u00f3rfico que dispondr\u00eda de una arquitectura que permitir\u00eda hacer a las m\u00e1quinas hacer cosas que ahora son impensables con los chips de silicio.Por ejemplo, un art\u00edculo del cient\u00edfico de Intel Charles Augustine ha sugerido que las m\u00e1quinas neurom\u00f3rficas podr\u00e1n manejar tareas poderosas como la computaci\u00f3n cognitiva, la inteligencia artificial adaptativa y los datos de detecci\u00f3n. M\u00e1s all\u00e1 de las tareas, lo har\u00e1 con 15-300 veces menos energ\u00eda que los chips actuales.<\/p>\n
IBM es otro de los grande jugadores en la vanguardia de la tecnolog\u00eda neurom\u00f3rfica. A principios de 2019, IBM lanz\u00f3 su plataforma de computaci\u00f3n cu\u00e1ntica de c\u00f3digo abierto que puede ofrecer m\u00e1s potencia a los que buscan desarrollar empresas de inteligencia artificial y al Big Data. Adem\u00e1s, IBM tiene un Proyecto de Dispositivos y Arquitecturas Neurom\u00f3rficos desarrollando nuevos experimentos en computaci\u00f3n anal\u00f3gica.<\/p>\n
Cualquier aplicaci\u00f3n de Inteligecia Artificial exitosa se basa en la computaci\u00f3n en la nube, en vol\u00famenes masivos de datos de los que obtener patrones, velocidad y latencia. Los dispositivos de Internet de las cosas (IoT) son probablemente el mejor ejemplo. Los usuarios de Alexa de Amazon, o del Google Home lo que esperan es que cualquier respuesta a sus peticiones sea atendida al instante. Para conseguirlo, las redes entre el lugar en el que se genera el comando de voz y los datos tienen que ser extremadamente potentes y eficientes para que la respuesta se produzca en el tiempo esperado. Aunque los tel\u00e9fonos inteligentes han asumido algunos de los aspectos de la Inteligencia Artificial, no tienen la potencia de c\u00f3mputo necesaria para algoritmos \u201ccerebrales\u201d m\u00e1s complejos y si pudieran hacer, por la potencia necesaria agotar\u00edan las bater\u00edas.<\/p>\n
Un chip neurom\u00f3rfico utiliza menos energ\u00eda y mejora el rendimiento en comparaci\u00f3n de un chip de convencional debido a c\u00f3mo ha sido dise\u00f1ado. La inform\u00e1tica neurom\u00f3rfica utiliza un nuevo tipo de modelo imita mejor el cerebro humano. En lugar de pasar informaci\u00f3n de un transistor al siguiente, una red neurom\u00f3rfica consiste en millones de \u201cneuronas\u201d (similar a la estructura biol\u00f3gica del cerebro) que puede pasar la informaci\u00f3n en cualquier direcci\u00f3n.<\/p>\n
La raz\u00f3n por la que un modelo neurom\u00f3rfico es m\u00e1s eficiente es por la forma en la que utiliza las \u201cneuronas\u201d, similar a la que usa el cerebro humano. A esto es a lo que se llama \u201cred neuronal de punta\u201d (SSN) en sus siglas en ingl\u00e9s. En primer lugar, es necesario un porcentaje menor de \u201cneuronas\u201d para transmitir la informaci\u00f3n, si lo comparamos con los transistores de una arquitectura convencional, esto posibilita que otras neuronas que no est\u00e1n en la red puedan aprender sobre la marcha.<\/p>\n
Adem\u00e1s, los procesadores actuales, necesitan una propagaci\u00f3n inversa, ya que las neuronas s\u00f3lo se activan cuando ocurre un evento. Esto hace que los resultados no se retroalimenten en el sistema para ir haciendo un ajuste fino, ya que el aprendizaje por parte de los cerebros es generalmente un proceso de retroalimentaci\u00f3n y por tanto son m\u00e1s eficientes en este contexto.<\/p>\n
Al reducir el poder de una red neuronal en un solo chip semiconductor, los procesos de aprendizaje y reconocimiento de patrones de la tecnolog\u00eda pueden integrarse en una gama m\u00e1s amplia de sistemas, desde robots hasta tabletas y, en el futuro, tel\u00e9fonos inteligentes. Esto conducir\u00e1 a un nuevo mundo de aplicaciones que no necesitan alimentaci\u00f3n de red o una conexi\u00f3n de red para cumplir con las capacidades computacionales.<\/p>\n
Los expertos creen que los chips neurom\u00f3rficos podr\u00edan integrarse en los tel\u00e9fonos inteligentes a partir de 2025 e impulsar el crecimiento de IoT. Como los dispositivos podr\u00e1n percibir el entorno a su alrededor para deducir decisiones, en la pr\u00f3xima d\u00e9cada comenzaremos a ver:<\/p>\n
Un desarrollo m\u00e1s r\u00e1pido en el transporte y fabricaci\u00f3n. Los veh\u00edculos aut\u00f3nomos han estado con problemas en su avance durante muchos a\u00f1os y gran parte de este retraso se debe a su incapacidad para percibir el medio ambiente. Los chips neurom\u00f3rficos probablemente llevar\u00e1n esto al siguiente nivel que comienza a impulsar la comercializaci\u00f3n de la tecnolog\u00eda.<\/p>\n
Los Smartphones van a poder monitorizar continuamente lo que hace el usuario (si la seguridad de los datos lo permite) y potencialmente incluso ayudarle antes de preguntar en funci\u00f3n de lo que han percibido. Su dispositivo podr\u00eda comenzar a comprender sus intenciones de la misma manera que lo hace su cerebro.<\/p>\n
El campo de la rob\u00f3tica crecer\u00e1 a gran velocidad a medida que los robots puedan responder mejor a los comandos en funci\u00f3n de su entorno. Si un robot puede navegar de forma independiente y pensar por s\u00ed mismo sin consumir grandes cantidades de potencia y energ\u00eda, el mundo comenzar\u00e1 a cambiar r\u00e1pidamente.<\/p>\n