Mientras algunos de los hombres que dirigen los laboratorios de inteligencia artificial más avanzados del mundo comienzan a pedir que la carrera vaya más despacio, otra frontera computacional avanza en una dirección casi opuesta. Dario Amodei ha pedido reducir la velocidad con la que aumentan las capacidades de los modelos de IA; Sam Altman respaldó la propuesta y Elon Musk dijo que Amodei tiene razón. El debate se ha intensificado después de incidentes protagonizados por agentes autónomos, advertencias de investigadores sobre posibles escenarios catastróficos y modelos capaces de operar computadoras, encontrar vulnerabilidades y coordinar cadenas de acciones cada vez más largas.
Pero mientras la inteligencia artificial basada en silicio entra en una etapa de cautela, auditorías y posibles límites de velocidad, en Singapur acaba de comenzar a funcionar una infraestructura mucho menos conocida: un prototipo de centro de datos que utiliza neuronas humanas vivas como parte de su sistema de cómputo.
La Universidad Nacional de Singapur (NUS Medicine), la empresa australiana Cortical Labs y el operador de centros de datos DayOne presentaron en agosto un rack compuesto por 20 unidades CL1. Las células son neuronas vivas derivadas de células madre, cultivadas sobre matrices de microelectrodos que permiten enviarles señales eléctricas y registrar su actividad. DayOne describe el despliegue como el primer rack de servidores biológicamente integrados operado de manera independiente y asegura que el objetivo no termina en el laboratorio universitario: la tecnología está diseñada para transitar hacia entornos comerciales de centros de datos y, eventualmente, ser replicada a mayor escala.
El contraste resulta particularmente llamativo porque el proyecto tampoco se presenta exclusivamente como una herramienta biomédica. Cortical Labs menciona entre sus posibles aplicaciones la robótica humanoide, la ciberseguridad, la detección de fraude y el descubrimiento de medicamentos. Su fundador, Hon Weng Chong, describió el prototipo de Singapur como el paso de la investigación hacia la aplicación comercial y aseguró que el modelo desarrollado allí pretende replicarse globalmente.
No estamos frente a un cerebro humano dentro de un servidor ni existe evidencia de que estas redes neuronales sean conscientes. Tampoco hay razones para afirmar que representen actualmente un riesgo comparable con los modelos digitales de frontera. Sin embargo, un trabajo publicado este año por investigadores de Cortical Labs muestra que el salto tecnológico importante no consiste únicamente en mantener neuronas vivas sobre un chip: consiste en convertirlas en un sustrato computacional que puede ser programado desde software y utilizado dentro de bucles adaptativos en tiempo real.
Una API para hablar con neuronas vivas
El artículo, titulado CL API: Real-Time Closed-Loop Interactions with Biological Neural Networks, describe una interfaz de programación en Python diseñada para interactuar directamente con redes neuronales biológicas. Un programa puede enviar patrones de estimulación eléctrica a las neuronas, observar la actividad producida por ellas y modificar inmediatamente el siguiente estímulo en función de esa respuesta. Todo ocurre en ciclos cerrados con latencias inferiores al milisegundo.
La diferencia entre observar neuronas y construir un sistema como éste es importante. En un experimento convencional, un investigador puede estimular tejido neuronal, registrar qué ocurre y analizar posteriormente los datos. En la arquitectura de Cortical Labs, el software puede permanecer dentro del ciclo: recibe la actividad neuronal mientras ocurre, toma una decisión y vuelve a intervenir sobre la red. La documentación de la compañía permite ejecutar esos bucles a frecuencias de hasta 25 kHz y ofrece mecanismos para sincronizar estímulos sobre diferentes canales con precisión de microsegundos.
Además, Cortical Labs intenta eliminar buena parte de la dificultad que tradicionalmente separaba la neurobiología de la programación convencional. La API permite expresar experimentos complejos desde Python sin que el usuario tenga que manejar directamente la electrónica, los buffers, la sincronización del hardware o los mecanismos internos de estimulación. Los propios autores señalan que el objetivo es permitir que programadores no especialistas construyan comportamientos de bucle cerrado sobre redes neuronales biológicas.
Eso cambia conceptualmente lo que puede hacerse con el tejido. Las neuronas no son simplemente un sensor conectado a una computadora. El software proporciona una entrada; la red biológica responde; el programa observa esa respuesta y vuelve a modificar el entorno de la red. Gracias a la plasticidad neuronal, la red puede a su vez modificar su comportamiento conforme interactúa con el sistema. En lugar de ejecutar instrucciones como un procesador convencional, el sustrato aporta algunas de las propiedades por las que precisamente interesan las redes biológicas: adaptación, paralelismo y dinámicas emergentes.
En otras palabras, el programa puede formar parte del entorno que modifica a la red y la red modifica los datos con los que el programa toma su siguiente decisión. No es inteligencia artificial generativa en el sentido de ChatGPT o Claude. Es otra arquitectura. Y ésa es precisamente la razón por la que merece atención.
La frontera que no aparece en la discusión sobre la IA
Buena parte del debate contemporáneo sobre seguridad de inteligencia artificial está construido alrededor de una arquitectura muy específica: enormes modelos entrenados sobre GPU, instalados en centros de datos convencionales y conectados posteriormente a herramientas que les permiten utilizar computadoras, escribir código o actuar mediante agentes.
Las propuestas regulatorias también han comenzado a organizarse alrededor de esas características. Se habla de modelos de frontera, cantidades de cómputo, evaluaciones de capacidades peligrosas, pesos de modelos, centros de datos y agentes autónomos. Amodei propone incluso establecer puntos en los que el desarrollo debería desacelerarse hasta demostrar que determinadas capacidades pueden controlarse. La computación biológica desordena esas categorías.
¿Qué ocurre cuando una parte del sistema que aprende no son pesos almacenados en silicio sino una red de neuronas vivas? ¿Cómo se mide su capacidad? ¿Qué sería un modelo en ese contexto? ¿Dónde comienza y termina el sistema que debe ser evaluado: en el software, en la matriz de electrodos, en las células o en el bucle formado por todos ellos?
Las preguntas todavía pueden parecer prematuras porque la escala actual del CL1 está muy lejos de la de los modelos digitales más avanzados. Pero la intención declarada de quienes desarrollan la tecnología es precisamente escalar. En marzo, NUS y DayOne explicaron que la primera fase utilizaría un rack de 20 unidades y que el proyecto estaba estructurado para pasar posteriormente hacia un entorno operativo dentro de un centro de datos comercial, donde podría probarse bajo cargas y condiciones de infraestructura reales. En agosto ese primer rack ya estaba funcionando. La frontera biológica no está alcanzando a OpenAI en capacidad general. Está empezando a abandonar el laboratorio.
Dos clases de aceleración
La simultaneidad resulta difícil de ignorar. En Estados Unidos, algunos de los principales laboratorios digitales están comenzando a preguntarse si la velocidad de la frontera ha superado la capacidad de sus mecanismos de seguridad. Anthropic propone reducir el ritmo; OpenAI acepta que determinados niveles de riesgo serían intolerables; Musk respalda una desaceleración. La discusión pública gira alrededor de cómo impedir que sistemas cada vez más autónomos adquieran capacidades antes de que exista una forma fiable de evaluarlas y contenerlas.
En Singapur, mientras tanto, la pregunta dominante es distinta: cómo convertir un prototipo de computación biológica en infraestructura escalable, energéticamente eficiente y comercialmente útil. DayOne vincula explícitamente el proyecto con la necesidad de ampliar la capacidad de cómputo de Singapur sin reproducir el enorme consumo energético de los centros de datos tradicionales. Las neuronas biológicas interesan precisamente porque realizan procesamiento y adaptación utilizando una fracción de la energía demandada por la computación digital. El gobierno de Singapur, al mismo tiempo, está ampliando su capacidad de centros de datos bajo una estrategia que impone mayores requisitos de eficiencia energética.
Nada de eso es irresponsable por sí mismo. Investigar nuevas arquitecturas computacionales puede producir avances importantes en neurociencia, medicamentos, eficiencia energética y computación adaptativa. Tampoco sería razonable imponer automáticamente a un cultivo neuronal los mismos mecanismos de seguridad diseñados para un modelo lingüístico con acceso a Internet.
Pero sí aparece una asimetría. A la IA digital comenzamos a preguntarle qué capacidades tiene antes de permitirle hacer determinadas cosas. La computación biológica todavía está siendo evaluada principalmente por aquello que podría permitirnos hacer con ella.
El problema no es que las neuronas vayan a escapar
La preocupación tampoco debería reducirse a imaginar una futura computadora biológica que “despierte”. No tenemos evidencia para afirmar algo semejante y convertir la discusión inmediatamente en un problema de conciencia probablemente distraería de preguntas mucho más cercanas.
El asunto más inmediato es que estamos aprendiendo a construir sistemas computacionales cuyo comportamiento depende de la interacción continua entre software y tejido neuronal adaptable. Y, al mismo tiempo que descubrimos qué pueden hacer, estamos construyendo interfaces para que cada vez más desarrolladores puedan utilizarlos sin conocer necesariamente todos los detalles del sustrato biológico.
Eso recuerda, en una escala incomparablemente menor, una transición ocurrida recientemente con los modelos digitales. Primero fueron sistemas utilizados por investigadores; después aparecieron APIs que ocultaron buena parte de la complejidad; posteriormente herramientas y agentes permitieron conectarlos con software, computadoras y redes. La capacidad de una tecnología para expandirse no depende únicamente de que su núcleo mejore. Depende también de que se vuelva fácil de programar. El paper de Cortical Labs trata precisamente de eso. No presenta una nueva teoría sobre inteligencia biológica. Presenta infraestructura. Y la infraestructura permite que otros construyan encima.
Dos marcos de gobernanza que todavía no se encuentran
La computación biológica no opera en un vacío regulatorio. El cultivo de células humanas, la investigación biomédica y los experimentos con tejidos ya están sujetos a marcos éticos, institucionales y científicos diferentes de los aplicados a una empresa de software. Pero esos mecanismos fueron creados principalmente para responder preguntas de investigación con seres humanos, consentimiento, procedencia de muestras, bioseguridad y experimentación biomédica.
La gobernanza de IA, en cambio, intenta responder preguntas sobre capacidad, autonomía, ciberseguridad, alineación, uso indebido y concentración de poder. Una computadora formada simultáneamente por software, silicio y tejido neuronal se sitúa incómodamente entre ambos mundos.
El CL1 todavía está muy lejos de obligarnos a resolver todas esas preguntas. Pero el prototipo de Singapur demuestra que tenemos menos tiempo del que podría parecer para empezar a formularlas. Cuando una tecnología deja de consistir en una placa experimental y empieza a organizarse en racks destinados a centros de datos, deja también de ser razonable tratar su gobernanza como una cuestión exclusivamente académica.
La frontera no tiene por qué estar hecha de silicio
Existe finalmente una ironía más profunda. Buena parte de la alarma alrededor de los modelos digitales actuales proviene de propiedades que durante años intentamos obtener artificialmente: sistemas que aprendan, se adapten, generalicen y modifiquen su comportamiento en función de la experiencia. Cuando esas capacidades comenzaron a aparecer en modelos digitales a gran escala, surgió inmediatamente la pregunta de cuánto control conservamos sobre ellas.
La computación biológica empieza desde el extremo contrario. No intenta fabricar desde cero un sistema que aprenda. Empieza utilizando algo que ya lo hace. Eso no convierte automáticamente a una red de neuronas cultivadas en una inteligencia, mucho menos en una amenaza. Pero significa que las propiedades adaptativas que en un modelo digital son producto de enormes procesos de entrenamiento pertenecen aquí al propio material con el que se construye el dispositivo.
Mientras discutimos cómo poner límites a máquinas digitales porque pueden aprender y actuar de maneras que sus creadores no anticiparon completamente, otra industria intenta convertir el aprendizaje y la adaptación de neuronas humanas vivas en una nueva plataforma computacional.
Quizá no necesitemos frenar esa investigación. Pero sí necesitamos comenzar a mirarla. Porque si la discusión sobre seguridad de la inteligencia artificial realmente trata sobre sistemas capaces de aprender, adaptarse y actuar dentro del mundo, entonces la frontera que merece vigilancia nunca estuvo limitada al silicio.
