Crearon una computadora con neuronas humanas que aprendió sola a jugar
Un equipo científico logró integrar células neuronales cultivadas en laboratorio con hardware electrónico para interactuar con un videojuego en tiempo real.
La empresa australiana Cortical Labs difundió un video de su dispositivo CL1, considerado como la primera computadora biológica comercializable, que jugaba al clásico videojuego Doom. Se trata de neuronas humanas reales cultivadas en laboratorio, conectadas a un chip de silicio y capaces de procesar información para tomar decisiones.
En la demostración, estas células reciben datos del entorno digital convertidos en impulsos eléctricos y generan acciones dentro del juego, como moverse o disparar. El resultado es una interacción directa entre tejido biológico vivo y un sistema informático.
En su interior, el CL1 contiene alrededor de 800 mil neuronas humanas, obtenidas a partir de células madre reprogramadas desde muestras de piel y sangre de donantes adultos. Según documentó la publicación científica IEEE Spectrum, estas neuronas crecen sobre una matriz de electrodos que envía señales eléctricas y registra sus respuestas en tiempo real.
Para la demostración con Doom se utilizó un cultivo de aproximadamente 200 mil neuronas, que recibían la información del juego traducida en estímulos eléctricos. Las células procesaban esas señales y generaban respuestas que se transformaban en acciones dentro del entorno digital.
El factor energético que cambia el panorama
Uno de los argumentos más fuertes detrás de esta tecnología es su eficiencia energética. Mientras los grandes sistemas de inteligencia artificial requieren enormes centros de datos que consumen megavatios de electricidad, el cerebro humano funciona con aproximadamente 20 vatios, un nivel comparable al de una bombilla de bajo consumo.
Ese principio inspira la computación biológica. Según explicó el director científico de Cortical Labs, Brett Kagan, un rack completo con 30 unidades CL1 consume menos de un kilovatio en total.
La idea no es competir directamente con las GPU de empresas como Nvidia, que dominan el entrenamiento de grandes modelos de inteligencia artificial. En cambio, este enfoque apunta a tareas donde la capacidad de aprendizaje con pocos datos y la eficiencia energética son más importantes que la potencia bruta, como robótica adaptativa, descubrimiento de fármacos o simulación de enfermedades neurológicas.
+ INFO: Denunciaron a Meta por violar privacidad relacionada con sus lentes inteligentes
+ INFO: Instagram prueba “Amigos Secretos” para compartir historias con un grupo aún más privado
