La inteligencia artificial crece en capacidad, pero también en apetito energético. Un equipo de la Universidad de Tokio, con investigadores de NTT, presentó un enfoque que busca romper esa lógica: usar la física de la luz para procesar información y, al mismo tiempo, simplificar cómo aprenden estos sistemas. El trabajo se publicó el 5 de noviembre de 2026 en Nature Computational Science.
En lugar de empujar solo hacia modelos más grandes, el grupo rediseñó el aprendizaje para que encaje mejor en hardware físico. Lo demostraron con un sistema óptico que convierte la señal eléctrica en luz, la procesa al recorrer un bucle de fibra de 200 metros y la vuelve a convertir en señal eléctrica para analizarla. El montaje usa pocos componentes electrónicos junto a la fibra.
Por qué la luz interesa a la IA
Los chips convencionales calculan con señales eléctricas que atraviesan millones de transistores. Eso consume energía y genera calor. La luz, en cambio, viaja muy rápido y puede llevar varios canales a la vez. Esa combinación de velocidad, paralelismo y potencial de eficiencia hace de la computación óptica una plataforma atractiva para IA.
El problema es práctico: adaptar los métodos clásicos de entrenamiento a un sistema físico suele exigir muchas mediciones, mucho control y mucho almacenamiento de estados intermedios. El equipo de Tokio se preguntó si se podía rediseñar el aprendizaje para evitar ese cuello de botella.
«Queríamos repensar el proceso de aprendizaje para que los sistemas físicos computen de forma más natural», explicó el estudiante de posgrado Yongbo Zhang. «Nos volcamos a una forma emergente de cómputo que usa luz en lugar de señales eléctricas. Pero también tuvimos que cambiar cómo funciona el aprendizaje de la IA para poder implementarlo en un hardware muy distinto».
SS-DFA y el marco de un solo mapa
El corazón del trabajo es la combinación de un método de entrenamiento llamado SS-DFA (state-skipping direct feedback alignment) y una arquitectura más simple llamada single-map framework, liderada por el profesor asociado Kohei Nakajima.
El entrenamiento convencional necesita registrar cómo evoluciona el sistema en el tiempo y luego “ir hacia atrás” para corregir errores. SS-DFA evita acceder a la mayoría de esos estados intermedios: usa el error final más información del sistema para guiar el aprendizaje. Eso reduce mediciones, almacenamiento y cómputo.
La arquitectura de un solo mapa, por su parte, hace que muchas unidades sigan reglas generales en lugar de depender de conexiones internas muy complejas. En simulaciones, el diseño simplificado igualó —y en algunas pruebas superó— a redes más elaboradas, con mucho menos costo computacional. Al integrarlo en arquitecturas modernas tipo ResMLP, el equipo reportó un desempeño mejor o comparable con alrededor de un 40% menos de recursos de cómputo, según el preprint asociado al trabajo.
Del laboratorio al chip (aún lejano)
El experimento con fibra de 200 metros es una prueba de concepto, no un modelo de frontera corriendo en un rack de GPU. Nakajima fue claro: todavía no lo probaron en los modelos de lenguaje o multimodales más grandes. Sí lo insertaron como bloque modular en redes de referencia, con mejoras de rendimiento y menos cómputo.
La hoja de ruta apunta a tres frentes: escalar a modelos más grandes, manejar tareas con varios tipos de datos y miniaturizar el sistema en un chip. Si eso se logra, el procesamiento podría ocurrir dentro de teléfonos, cámaras o autos autónomos, con respuestas más rápidas y menos consumo. Antes hace falta resolver miniaturización, estabilidad y fabricación a escala.
Un beneficio colateral importa tanto como el cálculo: los sistemas ópticos generan poco calor. Menos calor significa menos energía para enfriar centros de datos y, potencialmente, menos uso de agua en refrigeración.
Por qué importa
Hoy el debate público sobre IA suele centrarse en qué tan “inteligente” es un modelo. Este trabajo mueve el foco a otra pregunta igual de urgente: cuánta energía y cuánta infraestructura hace falta para sostener esa inteligencia. Si parte del aprendizaje y del cómputo puede ocurrir en dinámicas físicas —luz, en este caso— en lugar de solo en transistores, cambia la economía de entrenar y operar IA.
No es magia: es ingeniería. El mérito del equipo de Tokio y NTT está en alinear el algoritmo con el medio físico, no en forzar el medio a imitar una GPU.
Qué significa para América Latina
América Latina importa mucha de su capacidad de cómputo en la nube y, a la vez, enfrenta costos energéticos y límites de infraestructura en varios países. Cualquier vía que baje el consumo por inferencia o por entrenamiento tiene impacto directo en universidades, startups y centros de datos regionales.
México y Brasil, con clusters académicos y una industria electrónica creciente, podrían beneficiarse a mediano plazo de hardware híbrido óptico-electrónico, sobre todo en visión, sensores y edge computing. Mientras tanto, la lección inmediata es de investigación y talento: formarse en física aplicada, fotónica y algoritmos de entrenamiento “hardware-aware” deja de ser un nicho exótico y se vuelve una ventaja competitiva.
Conclusión
La IA óptica de Tokio no reemplaza mañana a los grandes modelos en GPU. Sí demuestra que se puede aprender con menos mediciones, menos parámetros entrenables y un medio que calienta poco. Si la miniaturización avanza, la próxima generación de dispositivos podría pensar un poco con luz… y gastar menos electricidad al hacerlo.
Puedes leer el comunicado de la Universidad de Tokio: Let there be light – novel AI framework runs on optical hardware. El artículo científico aparece en Nature Computational Science (DOI: 10.1038/s43588-026-01075-w).
