La IA empieza a utilizar neuronas vivas como hardware: una nueva carrera tecnológica abre preguntas que todavía no tienen respuesta

La próxima etapa de la computación no tiene por qué ser un transistor más chico. Una línea de investigación cada vez más concreta está usando neuronas vivas, tejidos y organoides cerebrales como parte de sistemas computacionales. El nombre: computación biológica u organoid intelligence. No aparece en el vacío: es un síntoma de la misma carrera de IA que busca más velocidad, más escala y menos energía.

No es un cerebro humano artificial. En los experimentos actuales se cultivan neuronas o pequeños tejidos tridimensionales derivados de células madre, conectados a chips que los estimulan y registran su actividad eléctrica. La información entra al tejido, las neuronas responden con su propia dinámica y esa actividad vuelve al sistema digital. La diferencia con una simulación es concreta: parte del cálculo ocurre físicamente en células vivas.

Uno de los primeros experimentos que mostró el potencial fue DishBrain, publicado en Neuron en 2022. Conectaron alrededor de 800.000 neuronas humanas derivadas de células madre y neuronas corticales de ratón a una matriz de microelectrodos. El sistema recibió un entorno digital tipo Pong y la actividad neuronal movió la paleta. Hubo mejora bajo un circuito cerrado de estímulo y respuesta. Eso no convirtió al cultivo en un cerebro humano ni demostró conciencia. Mostró que una red neuronal viva puede entrar a un sistema digital y cambiar su actividad según las consecuencias de lo que hace.

El paso siguiente fueron organoides cerebrales: estructuras 3D a partir de células madre que reproducen algunas características de la organización neuronal. En 2023, Brainoware usó un organoide conectado a una matriz densa de electrodos para computar. Aprovecharon la dinámica no lineal y la memoria temporal del tejido como reservoir computing: reconocimiento de voz y predicción de ecuaciones no lineales. La lógica no es la de una GPU. En vez de convertir cada operación en una montaña de cálculos digitales, se intenta usar las propiedades físicas de las redes: actividad eléctrica, conexiones, recurrencia, plasticidad.

Durante años el cuello de botella fue la interfaz. Un organoide puede tener miles o cientos de miles de células; si se registran pocos puntos, buena parte de la actividad queda afuera. Un trabajo en Nature Biomedical Engineering desarrolló una interfaz tridimensional que cubre alrededor del 91% de la superficie de un organoide con 240 microelectrodos direccionables uno por uno. Más electrodos permiten ver patrones distribuidos que no aparecen con unos pocos puntos. La pregunta de ingeniería es concreta: cuántos canales de entrada y salida se pueden abrir con un tejido vivo sin romperlo.

En febrero de 2026, investigadores de la Universidad de California en Santa Cruz publicaron en Cell Reports un experimento con organoides corticales de ratón. El tejido se conectó a un control tipo cart-pole: mantener un objeto en equilibrio, una tarea clásica de aprendizaje automático. Compararon formas de entrenamiento. Los estímulos elegidos con aprendizaje por refuerzo rindieron mejor que los aleatorios o la ausencia de entrenamiento en la mayoría de los organoides. Dato igual de importante: las mejoras no persistieron después de 45 minutos de descanso. Puede aprender una tarea bajo ciertas condiciones. Está muy lejos de un procesador general.

Nota relacionada: Anthropic monta un laboratorio biológico en San Francisco para llevar la IA a la investigación médica

La industria no se acerca porque las neuronas sean “más inteligentes” que los chips. Se acerca porque la biología puede resolver ciertos problemas de una manera físicamente distinta: actividad eléctrica, conexiones locales, memoria distribuida, tiempo y cambios físicos en las sinapsis. En algunos problemas, la dinámica del tejido hace parte del trabajo que una computadora tiene que calcular explícitamente. De ahí el interés en menor consumo y menos dependencia de ciertas operaciones digitales. Esa presión es la de la carrera: quien recorte costo o energía en tareas de IA gana terreno. No hace falta llevarla al extremo para que el dato de laboratorio sirva.

Hay que separar potencial de resultado. Hoy no hay evidencia suficiente para decir que un sistema completo con tejido vivo sea millones de veces más eficiente que una GPU en la misma tarea. El soporte vital, la electrónica, los amplificadores, los sensores y las conversiones también gastan energía. La ventaja energética es, por ahora, una hipótesis de ingeniería.

El escenario más interesante ni siquiera exige reemplazar las placas de un datacenter con un “cerebro cultivado”. Las neuronas vivas pueden servir de laboratorio: descubrir formas de procesamiento y después implementarlas en software o en chips convencionales. La cadena sería: tejido vivo → mecanismos → algoritmos → silicio más eficiente. Se aprovecha algo de la biología sin tener que mantener kilos de tejido en cada sala de servidores.

La investigación ya no está solo en universidades. Hay plataformas para experimentar de forma remota con organoides conectados a electrónica, y empresas armando sistemas de computación biológica. Los problemas son muy concretos: cuánto tiempo se mantienen vivos, cómo se alimentan, cómo se estimulan, cómo se registran miles de señales a la vez y cómo eso se convierte en información usable. Si esas barreras bajan, el atractivo económico sube. Si algún hardware biológico recortara de verdad el costo energético de ciertas tareas de IA, también podría bajar el costo de ejecutarlas a escala. La eficiencia por operación podría subir al mismo tiempo que el número total de operaciones.

Cuando las células son humanas aparece otra pregunta. Los organoides actuales son estructuras muy simples comparadas con un cerebro. No hay evidencia científica establecida de que sean conscientes. Pero no existe un método universalmente aceptado para decidir cuándo una red suficientemente compleja desarrolla alguna experiencia subjetiva. Una revisión sistemática de 2025 encontró que definir y detectar conciencia en organoides cerebrales humanos sigue abierto, y que distintas teorías no predicen lo mismo. Eso no dice que los organoides de hoy sientan. Dice que, si las capacidades crecen en las próximas décadas, van a hacer falta criterios mejores antes de llegar a estructuras mucho más complejas.

Hay riesgos más inmediatos que la conciencia: consentimiento para usar células humanas, comercialización de material biológico, propiedad de los datos, supervisión de los experimentos y el uso de tejido humano en sistemas conectados a IA. El punto más sensible son los híbridos: un organoide que no solo procesa en el laboratorio, sino que queda conectado a un entorno digital, a sensores o a máquinas. Ahí ya no se estudian solo células: se arma un circuito cerrado entre biología, software y hardware.

El objetivo no es frenar la investigación. Los organoides sirven para estudiar desarrollo, enfermedades, fármacos y mecanismos de aprendizaje sin usar un cerebro humano. La IA puede ayudar a leer la cantidad de datos que producen. El punto es otro: no hace falta empujar esta carrera hasta un extremo del que después haya que arrepentirse. Hay consecuencias que, si se disparan, pueden pesar más que los efectos negativos sutiles que se anotan a largo plazo. La regulación y la ética tienen que avanzar al mismo tiempo que la capacidad. La informática muestra que una tecnología no necesita estar madura para generar incentivos. Cuando aparece una ventaja de velocidad, energía o costo, la plata se mueve rápido. Acá el componente experimental no es un semiconductor nuevo. Es tejido vivo.

Por ahora los organoides de estos sistemas son chicos, limitados y muy distintos de un cerebro humano. La distancia sigue siendo enorme. Pero ya hay evidencia de aprendizaje en cultivos, computación en organoides, interfaces 3D de alta densidad y sistemas híbridos que conectan actividad neuronal con entornos digitales.

La discusión importante no es si mañana va a haber una computadora hecha con un cerebro humano. Es qué límites científicos, energéticos, comerciales y éticos tienen que estar escritos antes de que la capacidad de estos sistemas crezca más rápido que nuestra capacidad de entender las consecuencias, y de verlas cuando ya no hay marcha atrás.