¿Y si la inteligencia artificial pudiera analizar largos flujos de datos sin agotar la batería de los dispositivos? El modelo inspirado en el cerebro del IIT Guwahati ofrece una posible respuesta.
Investigadores del IIT Guwahati desarrollaron un modelo de inteligencia artificial inspirado en el cerebro, diseñado para procesar secuencias largas de datos con un consumo energético estimado sustancialmente menor que el de los modelos de secuencias convencionales. La arquitectura, llamada Spiking Heterogeneous Harmonic Resonate-and-Fire State Space Model (SH²RFSSM), fue presentada en la Conferencia Internacional sobre Aprendizaje Automático (ICML) 2026, en Seúl, Corea del Sur.
¿Para qué sirve un modelo así?
El modelo apunta a aplicaciones que requieren análisis continuo de datos, entre ellas el monitoreo de salud con dispositivos vestibles, los sensores de internet de las cosas, la manufactura inteligente, el monitoreo ambiental, los sistemas autónomos y el pronóstico de largo plazo. Sus menores requerimientos de cómputo podrían permitir que más procesamiento de inteligencia artificial ocurra directamente en dispositivos alimentados por batería y con recursos limitados, lo que extendería la duración de la carga y reduciría la dependencia de la computación en la nube.
Los investigadores evaluaron el SH²RFSSM en 17 conjuntos de datos de referencia, que cubren clasificación de secuencias de largo alcance, regresión, reconocimiento de actividad humana y pronóstico de largo plazo. El modelo entregó un desempeño comparable al de los modelos de secuencias de vanguardia, con un consumo energético estimado bastante menor.
¿Cómo funciona la arquitectura?
La arquitectura combina redes neuronales de pulsos, conocidas por su sigla en inglés SNN, con modelado de espacio de estados. Las SNN procesan información mediante activación por eventos, en lugar de calcular continuamente cada entrada, lo que habilita un cómputo disperso. El modelado de espacio de estados, por su parte, ayuda a que la arquitectura aprenda patrones a lo largo de secuencias extensas sin el alto costo computacional asociado a algunos modelos de secuencias convencionales.
Otra característica es la heterogeneidad neuronal: las neuronas artificiales individuales pueden tener características distintas entre sí, en vez de comportarse todas de la misma forma. Según los investigadores, esto ayuda al modelo a capturar patrones temporales complejos en datos secuenciales del mundo real.
El doctor Ayon Borthakur, profesor asistente de la Escuela Mehta de Ciencia de Datos e Inteligencia Artificial del IIT Guwahati, explica el problema de fondo.
"Los sistemas modernos de inteligencia artificial dependen cada vez más de analizar largos flujos de datos secuenciales, como señales de salud provenientes de dispositivos vestibles, lecturas de sensores ambientales, datos de monitoreo industrial y pronósticos de clima o tránsito. Sin embargo, las arquitecturas de inteligencia artificial más usadas suelen volverse computacionalmente caras a medida que aumenta el largo de los datos, lo que las hace menos adecuadas para dispositivos alimentados por batería y con recursos limitados", señala Borthakur.
¿Por qué importa fuera del laboratorio?
El interés por las redes neuronales de pulsos no es nuevo, pero llevaba años atrapado entre dos mundos. Los modelos de secuencias que dominan hoy la industria son precisos y caros de operar, mientras que los enfoques neuromórficos son baratos en energía y históricamente peores en desempeño. Lo que reclama este trabajo es haber cerrado esa brecha en 17 pruebas distintas, que es una superficie de evaluación bastante más amplia que la de un solo caso demostrativo.
La advertencia obligada es que el ahorro reportado es estimado, no medido sobre silicio. Las cifras de energía en este tipo de arquitecturas dependen de si el modelo corre sobre un procesador convencional, que igual computa todo, o sobre un chip neuromórfico capaz de aprovechar de verdad el cómputo disperso. Esa distinción es la que separa un resultado académico de un producto.
Para el mundo del hardware accesible, el atractivo está en el tipo de tareas que el equipo eligió: reconocimiento de actividad humana y monitoreo continuo son exactamente las cargas que hoy obligan a mandar datos a un servidor porque un microcontrolador no da el ancho. Si el enfoque se sostiene, el mismo trabajo podría quedarse dentro de una pulsera o de un nodo de sensores en terreno, sin cobertura celular y con una batería que dure una temporada completa.
