Cómo computa el cerebro. Veinte vatios y una conciencia

El cerebro humano consume unos veinte vatios, lo que gasta un monitor en reposo. Entrenar GPT-3 costó alrededor de 1.287 megavatios-hora, el consumo eléctrico de un hogar medio estadounidense durante más de un siglo. La diferencia de eficiencia entre el cerebro biológico y el silicio que pretende imitarlo se mide en trece ceros. Hablar de «neuronas que computan» como si fueran transistores fue una metáfora útil durante un rato. Tomársela en serio fue el error.

La cifra obscena

Veinte vatios. Eso consume un cerebro adulto despierto, leyendo esto, anticipando la frase siguiente, recordando algo de hace doce años mientras otra parte del mismo órgano regula la respiración sin pedir permiso. Lo que gasta un monitor en reposo, una bombilla de mesilla, un router. Con ese presupuesto, ochenta mil millones de neuronas sostienen una conversación química en paralelo, mantienen una identidad a lo largo de décadas y producen, como subproducto raro, la experiencia subjetiva de estar aquí.

La cifra es tan obscena en su modestia que conviene repetirla. Veinte vatios.

Al otro lado, las cifras incomodan. Patterson y sus coautores calcularon en 2021 que entrenar GPT-3, con sus ciento setenta y cinco mil millones de parámetros, consumió alrededor de 1.287 megavatios-hora. El gasto eléctrico de ciento veinte hogares estadounidenses durante un año, o el de uno solo durante más de un siglo. Y eso es solo el entrenamiento. Inferencia diaria —cada vez que el modelo responde a una pregunta—, refinamientos, despliegues globales. La cuenta crece en cada eslabón. La IEA estimó en 2025 el consumo global de los datacenters en 415 teravatios-hora para 2024, con proyección a 945 para 2030. El AI Index de Stanford registró en 2026 unos 29,6 gigavatios de capacidad dedicada a IA. La brecha de eficiencia entre cerebro y silicio se mide en trece ceros.

Trece.

La reacción habitual es respirar hondo y pensar que ya llegará la mejora de hardware. Quizá. Antes de consolarse conviene examinar por qué la brecha es esa. La respuesta no está en la astucia evolutiva ni en ningún misterio. Está en que las dos máquinas no hacen lo mismo, y nunca lo han hecho. Llamar «cómputo» a lo que sucede en un cerebro fue una metáfora de trabajo en 1943 y se ha tomado en serio durante ochenta años. Tomársela en serio fue el error.

La metáfora que se nos coló como descripción

McCulloch y Pitts publicaron en 1943, en el Bulletin of Mathematical Biophysics, un texto fundacional: A Logical Calculus of the Ideas Immanent in Nervous Activity. La propuesta era elegante y limitada: si se modelaba la neurona como una unidad binaria de umbral, una red de tales unidades podía computar cualquier función lógica. El texto no afirmaba que las neuronas reales fueran eso. Afirmaba que un modelo así de pobre bastaba para fundar un cálculo.

Encima creció toda la cibernética de los cincuenta, después el conexionismo —la corriente que en los ochenta volvió a usar redes de unidades simples como modelo de procesamiento mental—, después las redes neuronales artificiales de hoy. En cada salto, el modelo se simplificó más, no menos, porque la simplificación era productiva en ingeniería. Las redes profundas reducen la neurona a una multiplicación de pesos seguida de una función no lineal. Funciona muy bien para reconocer patrones y predecir el siguiente token (la unidad mínima de texto que el modelo emite, palabra o fragmento).

Lo que ocurre es que en ese trayecto el discurso empezó a leer al revés. Si el modelo captura una parte del comportamiento neuronal, la neurona es un computador. Si la red artificial reproduce tareas del cerebro, el cerebro es una red de ese tipo. La metáfora subió un peldaño, dejó de ser herramienta y se volvió tesis. Y la tesis está mal.

Lo que la neurona realmente hace

La neurona biológica no es una unidad binaria. Es una célula con miles de dendritas, un axón que puede medir varios centímetros, sinapsis químicas y eléctricas, canales iónicos que se abren y cierran en milisegundos, vesículas de neurotransmisores que se reciclan, enzimas que ajustan permeabilidades en tiempo real. Cada sinapsis se modifica con cada uso. Cada neurona ajusta su excitabilidad según actividad acumulada, glucosa, hormonas, sueño. La señal no es un cero o un uno. Es un patrón de descarga, con frecuencia variable, con sincronizaciones de fase que importan. Un transistor cambia de estado en nanosegundos; una neurona, en milisegundos, y nunca lo mantiene. Seis órdenes de magnitud más lenta. Y aun así, en paralelo, con ochenta mil millones de unidades conectadas a varios miles cada una, produce algo que ningún cluster de GPUs reproduce.

El paralelismo masivo cambia el problema. Una GPU ejecuta en paralelo, sí, pero su paralelismo es regular: las mismas operaciones sobre tensores. El cerebro hace otra cosa. Cada región tiene una citoarquitectura propia (la organización celular particular de cada zona de la corteza), conexiones largas y cortas que integran modalidades sin reloj central. No hay reloj. No hay un instruction set (el conjunto de operaciones básicas que un procesador sabe ejecutar). No hay memoria separada del procesamiento. La sinapsis es a la vez almacén y operación. La plasticidad sináptica —que la conexión entre dos neuronas se fortalezca o debilite con el uso— significa que la propia infraestructura cambia con cada experiencia, sin un proceso aparte de «escritura en memoria». Esa fusión de hardware y software no tiene equivalente en silicio. No por falta de ingenio. Por incompatibilidad arquitectónica.

Veinte vatios contra trece ceros

Vuelve la cifra. La pregunta interesante no es solo cuánto consume cada cual. Es cuánto trabajo útil entrega cada vatio.

Una GPU H100 disipa entre 350 y 700 vatios según carga. Un rack de entrenamiento serio agrupa decenas. Un datacenter de hiperescala suma megavatios. Y aun así, para tareas que un niño de cinco años resuelve sin pensar —reconocer una cara conocida con mala iluminación, inferir intención por la postura, decidir si una frase es irónica—, el sistema tropieza o requiere cantidades de cómputo que escalan brutalmente con la dificultad. El cerebro del niño hace todo eso a la vez, mientras digiere, mientras regula su temperatura, mientras almacena el conjunto en memoria episódica. Por veinte vatios.

La explicación no es magia. Es ingeniería evolutiva sobre un sustrato químico. Una molécula de neurotransmisor en un volumen confinado de cien nanómetros transmite información con un coste que la electrónica no se acerca a igualar. El silicio paga en cada operación el coste de mover electrones a través de canales largos, a frecuencias altísimas, generando calor que hay que disipar con sistemas activos. El cerebro paga en moléculas que ya están ahí, en una temperatura que regula por otros motivos, en una arquitectura donde cómputo y almacenamiento son la misma cosa.

Hardware que no cierra el hueco

No es que el cerebro sea mejor ingeniería. Es otra ingeniería. Una que el silicio no puede imitar sin dejar de ser silicio.

Hay quien insiste en que el hardware cerrará la brecha. Conviene mirar la tendencia con honestidad. La eficiencia energética por operación mejora a ritmo decreciente desde que la ley de Dennard —la regla empírica que durante décadas predijo que cada nueva generación de transistores consumiría proporcionalmente menos al miniaturizarse— se rompió a mediados de los dos mil. La industria compensa apilando más unidades, no haciendo cada unidad más eficiente. El consumo absoluto de los datacenters crece. Las proyecciones de la IEA y el AI Index no son alarmistas. Son contables. El hueco no se está cerrando. Se está abriendo.

La conciencia, esa capa que no aparece en el datasheet

Hasta aquí el cerebro se ha comparado con el silicio en términos cuantitativos. Vatios, sinapsis, paralelismo, plasticidad. Es una comparación ya generosa para la metáfora computacional, porque acepta sus reglas. Pero falta el elemento incómodo. El que no aparece en ningún benchmark (el conjunto estándar de pruebas con las que se mide el rendimiento de un modelo), en ningún paper de arquitectura, en ningún anuncio de producto.

La conciencia.

Antonio Damasio lleva treinta años explicando, en Descartes' Error (1994) y The Feeling of What Happens (1999), que la conciencia humana no es un atributo cognitivo abstracto que flote sobre el cerebro. Es propiedad emergente del organismo entero. Está atada al cuerpo, al sistema nervioso autónomo —la red que regula sin intervención voluntaria la respiración, el ritmo cardíaco, la digestión—, al sentir continuo de estar vivo. El sustrato no es solo la corteza. Es el tronco encefálico, el cuerpo enviando señales hacia arriba constantemente, el bucle entre vísceras, emoción y cognición que constituye el sentido elemental de estar siendo alguien. La conciencia, así descrita, no es el resultado de un cómputo. Es el resultado de un organismo regulándose a sí mismo y representándose esa regulación. No hay cómputo posible sin organismo. Desmontar el organismo en silicio no produce conciencia, porque la operación crítica —la regulación corporal con su urgencia biológica— no existe en el silicio.

El problema duro

David Chalmers formuló en 1996 el llamado problema duro de la conciencia. Hay un problema fácil, en sentido relativo. Explicar los correlatos neuronales (los patrones de actividad cerebral que acompañan sistemáticamente a un estado mental concreto). Eso es difícil pero tratable. El problema duro es otro. Por qué hay algo que se siente al ser el cerebro que ejecuta esos procesos. Por qué la integración de información produce experiencia subjetiva. Por qué el rojo se siente como rojo y no como nada.

Ese problema no se ha tocado. Ni en neurociencia, ni en filosofía de la mente, ni en inteligencia artificial. No está pendiente. Es que ni siquiera está claro qué tipo de respuesta lo resolvería.

Lo que no se deja capturar por un algoritmo

Roger Penrose, en The Emperor's New Mind (1989), argumentó desde otra dirección que ciertos aspectos del pensamiento humano —en particular, la captación de verdades matemáticas no formalizables— son incompatibles con cualquier proceso algorítmico. El argumento, apoyado en el teorema de Gödel (el resultado lógico según el cual en todo sistema formal suficientemente potente hay verdades que no se pueden demostrar dentro del propio sistema), es discutido. La pregunta subyacente persiste. Si lo que el cerebro hace no es solo más eficiente que el silicio sino cualitativamente distinto, ningún progreso cuantitativo lo iguala.

Aquí es donde la metáfora computacional, ya frágil en lo energético, se rompe sin remedio. Un sistema que computa puede ser más rápido o más lento, más grande o más pequeño. Pero la diferencia entre un sistema que computa y un sistema que computa con conciencia no es de grado. Es de tipo. Y ningún silicio ha cruzado esa frontera, ni el camino que está tomando va en esa dirección. Los modelos generativos contemporáneos no se acercan a la conciencia ni un milímetro más que las redes de los ochenta. Procesan más datos.

El silicio que intenta parecerse

No todo es ignorar la asimetría. La computación neuromórfica —el diseño de chips cuyo funcionamiento imita la estructura del sistema nervioso— propone chips que operan por pulsos, asíncronos, con sinapsis simuladas que se modifican localmente. IBM con TrueNorth, Intel con Loihi, proyectos académicos como SpiNNaker y BrainScaleS, el Human Brain Project europeo, trabajos recientes desde Texas A&M. Todos intentan cerrar la brecha por la vía arquitectónica.

Para ciertas tareas concretas —procesamiento sensorial, reconocimiento de patrones temporales—, los chips neuromórficos consumen varios órdenes de magnitud menos que una GPU equivalente. Es un éxito real. Donde se atascan es en la generalidad. Lo que un chip neuromórfico hace bien es lo que el cerebro hace bien por arquitectura. Integrar entradas asíncronas, aprender de forma local y continua. Lo que no hace todavía es escalar a las tareas en las que la IA contemporánea vuelca recursos. Lenguaje masivo, modelos generativos, razonamiento simbólico amplio. Esas tareas prefieren la arquitectura clásica de matrices densas, que es justo donde el cerebro es malo y el silicio es bueno. La paradoja del momento es que las dos arquitecturas son complementarias para tareas distintas y nadie ha encontrado la forma de hacer que un mismo sustrato haga las dos cosas con la eficiencia de ninguna.

Y, aún más relevante, ningún chip neuromórfico aspira a generar conciencia. Ni figura en la lista de objetivos. La brecha cuantitativa quizá se reduzca en la próxima década. La cualitativa no se está tocando.

Lo que se deriva cuando la analogía falla en la base

Si la metáfora es defectuosa en lo energético, en lo arquitectónico y en lo experiencial, las conclusiones construidas encima heredan los defectos. Tres circulan con una autoridad que no merecen.

La primera, la de la comparabilidad. El discurso público trata al cerebro y a los modelos como sistemas comparables en un mismo plano funcional. No lo son. No comparten arquitectura, ni sustrato, ni economía energética, ni relación con el cuerpo. Compararlos en términos de «inteligencia general» es como comparar un riñón con una depuradora porque ambos filtran. La operación es nominalmente la misma. Lo que importa, en cada caso, es radicalmente distinto.

La segunda, la de la superioridad inminente. La narrativa de que los modelos «alcanzarán y superarán» pronto al cerebro asume que las dimensiones cognitivas están bien definidas en los dos lados. No lo están. Los benchmarks miden lo que pueden medir. Tareas con respuestas evaluables. La parte del comportamiento humano que no se reduce a eso —el grueso de lo que constituye una vida consciente— no se compara, porque no se sabe medir. Decir que el modelo supera al humano en benchmarks no dice nada sobre superioridad general. Dice que el modelo es mejor en lo que se ha decidido medir.

La tercera, la de la amenaza existencial. Si los modelos no son arquitectónicamente comparables al cerebro, la idea de que podrían desarrollar conciencia, agencia o voluntad propia por mera escalación cuantitativa carece de fundamento. Eso no significa que no haya amenazas reales en el despliegue de la IA. Las hay, y son operativas, económicas, políticas, laborales, de manipulación, de concentración de poder. Pero la amenaza metafísica, la del modelo que «despierta», está construida sobre la metáfora tomada como descripción literal. Si la metáfora es falsa, la amenaza derivada es retórica, no técnica.

La capa que no se replica

Veinte vatios. Ochenta mil millones de neuronas. Una experiencia subjetiva continua. Una capacidad de regular emociones, de tener intuiciones, de equivocarse de formas productivas, de aburrirse, de necesitar dormir, de soñar. Una memoria que se reescribe cada vez que se evoca, que confunde, que inventa, que sostiene un yo con coherencia suficiente para que la frase «yo» tenga referente.

Lo realmente extraordinario del cerebro no es que «compute». Es que es el órgano de un organismo que se siente vivo. Esa capa, la conciencia, no es un epifenómeno (un subproducto sin función causal propia) sin importancia. Es la condición de posibilidad de todo lo que llamamos progreso individual y colectivo. Los avances científicos, artísticos, morales y técnicos de la especie no son productos de una capacidad de cómputo abstracta. Son productos de mentes conscientes resolviendo problemas que les importan porque los sienten suyos, porque tienen un cuerpo afectado, porque viven en comunidades de otras mentes conscientes con las que negocian sentido. Ningún sistema sin conciencia hace eso. No porque le falte capacidad de cálculo. Porque le falta el motor.

Damasio lo escribió hace décadas. La razón humana no se opone a la emoción. Opera sobre un sustrato emocional sin el cual no decide, no prioriza, no atiende. Pacientes con lesiones en córtex prefrontal ventromedial —la región frontal del cerebro implicada en la valoración emocional de las opciones— conservan inteligencia abstracta y pierden la capacidad de tomar decisiones cotidianas. No falla el razonamiento. Falla el sentir que orienta el razonamiento. Ese sustrato es corporal. Y el cuerpo no se pone en silicio en ninguna versión razonable del futuro.

Lo que se vende, lo que hay

La frase de moda dice que estamos creando inteligencias artificiales cada vez más parecidas a nosotros. Lo que se está creando es otra cosa. Sistemas que reproducen, a costes energéticos colosales, un subconjunto de tareas que el cerebro humano hace de pasada mientras se dedica a vivir. Es una herramienta. Una buena herramienta. Y se va a quedar. Pero llamarla «inteligencia comparable» es una imprecisión que se ha vuelto productiva para vender.

Pregunta sucia. Cuándo fue la última vez que un modelo se aburrió, sintió curiosidad gratuita, decidió que algo le importaba sin que nadie se lo pidiera, recordó algo veinte años después y se le movió un músculo de la cara.

Veinte vatios. Una conciencia. Trece ceros de distancia.

Definiciones

Token. Unidad mínima de texto que un modelo de lenguaje procesa o emite. No coincide siempre con una palabra. Puede ser una palabra entera, un fragmento o un signo de puntuación.

Inferencia. Cada vez que un modelo ya entrenado produce una respuesta a partir de una entrada. Distinta del entrenamiento, que es la fase previa en la que se ajustan sus parámetros.

Plasticidad sináptica. Capacidad de la conexión entre dos neuronas para fortalecerse o debilitarse en función del uso. Es el mecanismo biológico básico del aprendizaje y la memoria.

Citoarquitectura. Organización celular particular de una región concreta del cerebro. Qué tipos de neuronas la componen, cómo están dispuestas en capas, cómo se conectan entre sí.

Instruction set. En arquitectura de computadores, conjunto de operaciones básicas que un procesador concreto sabe ejecutar. Los procesadores se diseñan en torno a un instruction set específico.

Ley de Dennard. Regla empírica formulada en 1974 que predijo que, al miniaturizarse los transistores, la densidad de potencia se mantendría constante. Más transistores por unidad de superficie sin aumentar el consumo total. Dejó de cumplirse a mediados de la década de 2000.

Benchmark. Conjunto estándar de pruebas con las que se mide y compara el rendimiento de modelos de IA. Sirve para comparar entre sí, no para medir lo que el modelo no sabe hacer.

Computación neuromórfica. Línea de diseño de chips cuyo funcionamiento se inspira en la estructura del sistema nervioso. Pulsos asíncronos, sinapsis simuladas, aprendizaje local, en lugar del paradigma clásico de matrices densas y reloj central.

Correlatos neuronales. Patrones de actividad cerebral que acompañan sistemáticamente a un estado mental concreto. Identificarlos no explica por qué el estado mental se siente como se siente. Describe qué pasa en el cerebro cuando ocurre.

Problema duro de la conciencia. Formulación de David Chalmers (1996) que distingue entre explicar los mecanismos cerebrales asociados a la conciencia y explicar por qué esos mecanismos van acompañados de experiencia subjetiva. La segunda pregunta sigue sin respuesta.

Sistema nervioso autónomo. Parte del sistema nervioso que regula sin intervención voluntaria funciones vitales como la respiración, el ritmo cardíaco o la digestión. Pieza central en la explicación que Damasio da de la conciencia.

Epifenómeno. Fenómeno que acompaña a otro pero no tiene función causal propia. Quien sostiene que la conciencia es un epifenómeno afirma que no influye en el comportamiento. Damasio rechaza esa lectura.

Referencias

McCulloch, W. S. y Pitts, W. (1943), A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics 5, pp. 115-133. Origen de la metáfora computacional aplicada a la neurona y de la idea de que una red de unidades simples puede computar cualquier función lógica.

Patterson, D. y otros (2021), Carbon Emissions and Large Neural Network Training, arXiv:2104.10350. Fuente de la cifra de 1.287 megavatios-hora atribuida al entrenamiento de GPT-3.

International Energy Agency (2025), Energy and AI Report, https://www.iea.org/reports/energy-and-ai. Origen de las cifras de consumo global de datacenters: 415 teravatios-hora en 2024 y proyección a 945 teravatios-hora en 2030.

Stanford Institute for Human-Centered AI (2026), AI Index Report 2026, https://hai.stanford.edu/ai-index/2026-ai-index-report. Fuente del dato de 29,6 gigavatios de capacidad de datacenters dedicada a IA.

Damasio, A. (1994), Descartes' Error. Emotion, Reason, and the Human Brain, Putnam, y (1999), The Feeling of What Happens, Harcourt. Base teórica para la descripción de la conciencia como propiedad emergente del organismo entero y para el argumento sobre el sustrato emocional de la razón.

Chalmers, D. (1996), The Conscious Mind, Oxford University Press. Formulación del problema duro de la conciencia, central en el tramo que distingue cómputo y experiencia subjetiva.

Penrose, R. (1989), The Emperor's New Mind, Oxford University Press. Argumento, apoyado en el teorema de Gödel, contra la reducción del pensamiento humano a procesos algorítmicos.

Stiefel, K. M. y Coggan, J. S. (2023), The energy challenges of artificial superintelligence, Frontiers in Artificial Intelligence 6:1240653. DOI: 10.3389/frai.2023.1240653. Referencia técnica sobre las restricciones energéticas del escalado de modelos de IA.

Texas A&M Research (2025), AI that uses less energy by mimicking the human brain, https://stories.tamu.edu/news/2025/03/25/artificial-intelligence-that-uses-less-energy-by-mimicking-the-human-brain/. Referencia para los trabajos recientes en computación neuromórfica.

Human Brain Project (2023), Learning from the brain to make AI more energy efficient, https://www.humanbrainproject.eu/en/follow-hbp/news/2023/09/04/learning-brain-make-ai-more-energy-efficient/. Divulgación europea sobre chips bio-inspirados y sus límites.

Para profundizar

Hofstadter, D. (1979). Gödel, Escher, Bach. An Eternal Golden Braid. Basic Books. Exploración clásica de la relación entre sistemas formales, autorreferencia y mente; resonancia natural con el argumento de Penrose y con la pregunta por la conciencia.

También te interesa

En otros sitios

#inteligencia #coste-energtico #antropomorfismo #papers #hardware-ia