En la incansable búsqueda de una inteligencia artificial más eficiente, investigadores del Instituto de Ciencia y Tecnología de Okinawa (OIST) han presentado en agosto de 2026 una solución inspirada en la naturaleza. Se trata de Spi-Fly, un novedoso algoritmo basado en el cerebro de la mosca de la fruta que permite clasificar olores con un consumo energético y de memoria drásticamente reducido en comparación con los métodos tradicionales de aprendizaje profundo.
Mientras que los modelos convencionales de redes neuronales requieren una inmensa capacidad de cómputo para procesar datos, este desarrollo imita la sencillez y el procesamiento disperso del circuito olfativo de un insecto que es apenas más pequeño que una semilla de amapola. El avance representa un paso importante hacia la creación de narices artificiales viables para el mundo real, con aplicaciones prácticas que van desde la detección de sustancias peligrosas y explosivos hasta el diagnóstico médico o la monitorización de la contaminación ambiental. Al ser compatible con chips neuromórficos de baja precisión, abre la puerta a dispositivos inteligentes autónomos y de muy bajo consumo.
¿Qué es Spi-Fly y cómo funciona?
Para comprender el funcionamiento de esta tecnología, es necesario observar a la mosca de la fruta, un insecto que, a pesar de tener un cerebro del tamaño de una semilla, alberga unas 140.000 neuronas y procesa información de manera asombrosa. El algoritmo Spi-Fly imita este circuito olfativo mediante una arquitectura de tres capas que reduce la complejidad de los datos mediante una codificación dispersa, representando olores de forma muy eficiente.
El sistema opera como una versión simplificada del cerebro del insecto. Las señales analógicas de los sensores químicos se convierten en picos mediante un método de integración y disparo con fugas (LIF), que simula a las neuronas biológicas. Luego, estas señales se proyectan de forma aleatoria en una capa oculta de 1.000 neuronas, imitando a las neuronas de Kenyon de la mosca.
En esta capa intermedia, se produce un proceso de inhibición lateral donde las neuronas compiten entre sí. Gracias a este mecanismo, solo el 5 % de las neuronas se mantienen activas para cada olor, creando un «código de barras» único para cada aroma. Una regla de aprendizaje asociativo permite que las neuronas de salida identifiquen este código específico y clasifiquen el olor rápido y con precisión.
Por qué importa: adiós al olvido catastrófico y al alto consumo
Uno de los mayores problemas de la IA convencional es el olvido catastrófico, donde una red neuronal borra conocimientos previos al aprender algo nuevo. Esto suele requerir un costoso reentrenamiento con todos los datos acumulados. Spi-Fly lo soluciona modificando únicamente las conexiones que van a la neurona de salida de la nueva clase, manteniendo intactas las demás.
Esta independencia permite un aprendizaje continuo real. En pruebas de clasificación incremental, donde aprende secuencialmente a distinguir parejas de olores, Spi-Fly no pierde rendimiento. En cambio, los métodos basados en propagación hacia atrás en el tiempo (BPTT) sufren un colapso inmediato, funcionando apenas al nivel del azar.
Además, Spi-Fly destaca en el aprendizaje de pocos ejemplos. En el conjunto de datos de gas de Vergara, el algoritmo alcanzó su máximo rendimiento con solo 3 presentaciones por olor, frente a las múltiples repeticiones requeridas por otros métodos. En una base sintética que imita los receptores de la mosca, Spi-Fly necesitó únicamente una presentación para alcanzar su nivel óptimo, demostrando una excelente eficiencia.
Detrás del proyecto: ciencia básica e investigación de vanguardia
La investigación ha sido liderada por el doctor Kevin Max, de la Unidad de Computación Neural, y el doctor Yang Shen, de la Unidad de Ciencia de Datos de Dinámica No Lineal Biológica, del Instituto de Ciencia y Tecnología de Okinawa (OIST) en Japón. Su trabajo científico fue publicado el 24 de agosto de 2026 en la revista especializada Neuromorphic Computing and Engineering.
El proyecto forma parte de la colaboración internacional SYNCH, financiada por la Fundación Volkswagen bajo su iniciativa NEXT. Los investigadores colaboran con la Universidad Tecnológica de Eindhoven y la Universidad de Kiel para integrar Spi-Fly en chips de silicio reales, allanando el camino para crear una nariz artificial totalmente autónoma.
Un aspecto crucial para su implementación física es que el algoritmo es compatible con hardware neuromórfico que utiliza pesos sinápticos de baja precisión. Los chips neuromórficos suelen tener limitaciones severas de memoria, pero Spi-Fly mantiene una alta precisión incluso con pesos de 6 bits, e incluso supera a los métodos tradicionales cuando se reduce a tan solo 4 bits de precisión, lo que demuestra su robustez.
El éxito de Spi-Fly radica en que sus conexiones son excitatorias, lo que elimina el bit de signo en el hardware y optimiza los recursos del microchip. Además, su consumo de memoria fuera del chip es unas cinco órdenes de magnitud inferior al de los métodos convencionales, lo que reduce la necesidad de procesadores auxiliares y evita cuellos de botella de comunicación.
¿Qué significa esto para el futuro de la olfacción artificial?
La olfacción neuromórfica inspirada en insectos es prometedora para la computación de borde. Aunque hay limitaciones, como un rendimiento ante presentaciones repetidas inferior a los métodos tradicionales fuera de línea o la necesidad de evaluar mezclas complejas de olores con ruido de fondo, los resultados muestran un camino claro hacia la IA de bajo consumo.
El desarrollo de estos algoritmos nos acerca a un futuro de sensores inteligentes diminutos, capaces de aprender continuamente directamente en el dispositivo y sin conexión a internet, vigilando silenciosamente nuestra seguridad y salud con la misma eficiencia con la que una pequeña mosca localiza su alimento en la naturaleza.
