Cada vez que un modelo de inteligencia artificial responde a una pregunta, genera una imagen o traduce un texto, miles de procesadores están consumiendo electricidad a un ritmo que empieza a preocupar a gobiernos y empresas por igual. La arquitectura convencional de los chips obliga a mover datos de forma constante entre la memoria y las unidades de cálculo, un trasiego que devora vatios. El cerebro humano hace lo mismo con apenas 20 vatios, la potencia de una bombilla tenue.Esa comparación no es retórica. Lleva años guiando una rama de la investigación llamada computación neuromórfica, que busca diseñar hardware capaz de almacenar y procesar información en el mismo lugar, tal como hacen las neuronas. El problema es que los componentes candidatos a replicar esas conexiones neuronales —unos dispositivos denominados memristores— han resultado hasta ahora demasiado impredecibles y hambrientos de energía para escalar a nivel industrial. Un equipo de la Universidad de Cambridge acaba de presentar una alternativa que podría cambiar ese diagnóstico.El trabajo, publicado en la revista Science Advances el 20 de marzo de 2026, describe un memristor fabricado con una forma modificada de óxido de hafnio —el mismo material que ya se usa en los transistores más avanzados del mercado— que funciona con corrientes hasta un millón de veces inferiores a las de los memristores basados en óxidos metálicos convencionales. No es una mejora incremental. Es un salto de escala que redefine lo posible en el campo de la electrónica inspirada en el cerebro.Adiós a los filamentos aleatoriosLos memristores tradicionales operan formando diminutos hilos conductores, llamados filamentos, dentro de una capa de óxido metálico. El problema es que esos filamentos se crean y se destruyen de forma parcialmente aleatoria, lo que provoca variaciones impredecibles entre un ciclo y el siguiente. Para compensar esa incertidumbre, los circuitos necesitan voltajes altos y márgenes de seguridad amplios, lo que dispara el consumo de energía.El equipo liderado por el doctor Babak Bakhit, del Departamento de Ciencia de Materiales de Cambridge, eliminó esa dependencia de los filamentos. Introdujo estroncio y titanio en la película de óxido de hafnio mediante un proceso de deposición en dos etapas, creando pequeñas uniones electrónicas (p-n) en la interfaz entre capas. El dispositivo cambia su resistencia ajustando la barrera energética en esa interfaz, no formando ni rompiendo hilos conductores. El resultado es una uniformidad entre ciclos y entre dispositivos que los memristores filamentarios nunca han alcanzado, según publica SciTechDaily.En las pruebas de laboratorio, el nuevo componente soportó decenas de miles de ciclos de conmutación y demostró centenares de niveles estables de conductancia, un requisito clave para la computación analógica "en memoria" que prometen los chips neuromórficos. Replicó además comportamientos de aprendizaje biológico como la plasticidad dependiente del tiempo de las espigas (STDP), el mecanismo por el que las conexiones neuronales se refuerzan o debilitan según la sincronización de sus señales.De la probeta al procesadorAntes de que la industria pueda integrar estos dispositivos en chips a gran escala, queda un obstáculo considerable. El proceso de fabricación requiere temperaturas de unos 700 C, por encima del límite habitual en la producción de semiconductores comerciales. Bakhit reconoce que esa es la principal barrera y que su grupo trabaja en reducir la temperatura para hacerla compatible con las líneas de fabricación estándar.El dato, lejos de ser un detalle menor, marca la diferencia entre un hallazgo de laboratorio y una tecnología aplicable. La industria de los semiconductores avanzados opera con tolerancias muy estrechas, y cualquier componente nuevo debe encajar en procesos ya establecidos si aspira a fabricarse en volumen. Resolver el problema térmico no es un trámite; es la puerta que separa a este memristor del resto de dispositivos prometedores que se quedaron en la fase de publicación.Con todo, la dirección es prometedora. La computación neuromórfica podría recortar hasta un 70 % el consumo energético de los sistemas de IA manteniendo su capacidad de adaptación. Si el equipo de Cambridge consigue bajar la temperatura de fabricación y llevar su dispositivo a un chip funcional, la distancia entre el laboratorio y el centro de datos se acortará de golpe. Por ahora, los tres años de prueba y error que Bakhit invirtió antes de ver resultados son un recordatorio de que la ciencia de materiales avanza a un ritmo muy distinto al de los comunicados de prensa.