La biocomputación ha cruzado la frontera de lo experimental. Lo que sigue es más complicado.
El transistor lleva setenta y cinco años en el centro de la informática y empieza a mostrar sus límites. Los físicos advierten desde hace años que no es posible seguir miniaturizando los chips indefinidamente: llega un punto en el que las leyes de la física cuántica hacen que los componentes dejen de comportarse como se espera. La industria lo sabe y lleva tiempo buscando alternativas. Las más conocidas son la computación cuántica y los chips que imitan la estructura del cerebro pero en silicio. Hay una tercera, menos visible, que en los últimos dos años ha dado un salto que pocos esperaban: usar biología real, células vivas o moléculas de ADN, para procesar información.
No es una metáfora ni una promesa de laboratorio. En marzo de 2025, la empresa australiana Cortical Labs puso a la venta el primer ordenador biológico del mundo. Se llama CL1, cuesta unos 35.000 dólares e integra cientos de miles de neuronas humanas cultivadas sobre un chip de silicio. Desde Suiza, la startup FinalSpark ofrece acceso a cultivos neuronales directamente desde internet: cualquier investigador puede conectarse, enviar señales a las neuronas y leer su respuesta sin necesidad de tener un laboratorio. El campo tiene nombre propio desde 2023, cuando el equipo del profesor Thomas Hartung en la Universidad Johns Hopkins lo bautizó como inteligencia de organoides.
Lo que ha ocurrido no es que la ciencia haya resuelto el problema. Es que ha demostrado que el problema vale la pena. Y eso ya es mucho más de lo que se podía decir hace cinco años.
Dos maneras de usar la biología para calcular
La biocomputación no es una sola tecnología. Hay dos enfoques distintos que comparten el punto de partida, la idea de que la biología procesa información de formas que el silicio no puede imitar, pero funcionan de manera diferente y sirven para cosas distintas.
El primero enfoque usa el ADN como material de cómputo. El ADN es la molécula que guarda la información genética de todos los seres vivos: una cadena formada por cuatro unidades químicas que se combinan entre sí. Esa misma capacidad de combinarse puede aprovecharse para resolver problemas. En un tubo de ensayo, millones de moléculas de ADN pueden reaccionar a la vez, cada una explorando una posibilidad distinta. Es como lanzar un problema a una multitud enorme que trabaja en paralelo, en lugar de dárselo a una sola persona para que lo resuelva paso a paso.
No sirve para cualquier tipo de tarea, pero en búsquedas masivas, diagnóstico molecular y almacenamiento de datos tiene ventajas reales sobre los chips convencionales. En abril de 2026, un equipo del Instituto de Ciencia y Tecnología de Corea publicó el desarrollo de un componente basado en ADN que opera a escalas más pequeñas que cualquier chip de silicio actual e integra en el mismo espacio la capacidad de calcular y la de guardar información, algo que los procesadores convencionales no hacen.
El segundo enfoque usa neuronas cultivadas en laboratorio. La idea es tomar células madre humanas, convertirlas en neuronas y conectarlas a electrodos. El cultivo recibe señales eléctricas y responde. Con el tiempo, aprende: refuerza las conexiones que producen respuestas útiles y debilita las que no sirven, igual que hace el cerebro. En 2022, el equipo de Cortical Labs mostró que un cultivo así podía aprender a jugar al Pong en menos de cinco minutos. No era el experimento más sofisticado de la historia de la neurociencia, pero sí el que llevó el tema a la primera página de los medios científicos.
El segundo enfoque usa neuronas cultivadas en laboratorio. La idea es tomar células madre humanas, convertirlas en neuronas y conectarlas a electrodos. El cultivo recibe señales eléctricas y responde. Con el tiempo, aprende: refuerza las conexiones que producen respuestas útiles y debilita las que no sirven, igual que hace el cerebro. En 2022, el equipo de Cortical Labs mostró que un cultivo así podía aprender a jugar al Pong en menos de cinco minutos. No era el experimento más sofisticado de la historia de la neurociencia, pero sí el que llevó el tema a la primera página de los medios científicos.
El problema del consumo energético
Hay una razón muy concreta por la que este campo ha pasado de la curiosidad académica a recibir inversión seria: la inteligencia artificial consume una cantidad de energía que ya empieza a ser un problema real.
Entrenar un modelo de lenguaje del tamaño del GPT-3 requiere tanta electricidad como la que consumen varios miles de hogares en un año. Los centros de datos del mundo ya se llevan en torno al 2% de toda la electricidad que se produce, y la expansión de la IA generativa empuja esa cifra hacia arriba. El cerebro humano, por contraste, funciona con unos 20 vatios, lo que gasta una bombilla de bajo consumo. Con esa energía gestiona el lenguaje, el movimiento, la memoria, las emociones y todo lo demás.
El bioprocesador en sí consume mucho menos que esos 20 vatios. Lo que consume más es la infraestructura que lo mantiene vivo: los sistemas de temperatura, los nutrientes que hay que suministrar de forma continua, el control del entorno. Eso es importante tenerlo en cuenta cuando se comparan cifras. FinalSpark afirma que sus bioprocesadores gastan un millón de veces menos energía que un procesador digital equivalente. Investigadores de Johns Hopkins estiman que la biocomputación podría reducir el consumo energético de la IA entre un millón y diez mil millones de veces. Son proyecciones que los propios científicos presentan con mucha cautela, porque comparan cosas en estadios de desarrollo muy distintos. Pero el potencial que señalan es suficientemente grande como para justificar la investigación.
La eficiencia energética no es el único argumento. Las neuronas aprenden sin necesidad de reentrenarse desde cero, manejan información incompleta sin colapsar y trabajan en paralelo por naturaleza. Para tareas que exigen adaptación continua, la biología lleva millones de años de ventaja sobre cualquier chip.
Una tecnología más limpia desde el origen
Fabricar un procesador convencional es una operación extractiva. Requiere minerales que se extraen en condiciones a menudo problemáticas, procesos químicos intensivos, agua en grandes cantidades y cadenas de suministro que atraviesan varios continentes. Al final de su vida útil, ese chip se convierte en residuo electrónico, uno de los tipos de basura más difíciles de gestionar.
Un bioprocesador parte de una lógica distinta. Las neuronas que lo componen se cultivan a partir de células madre en laboratorio. No hace falta minar nada. Cuando el sistema llega al final de su ciclo, las células se degradan de forma natural. Es, en esencia, biodegradable.
Esta diferencia no es menor. La industria tecnológica lleva años buscando cómo reducir su huella ambiental con resultados modestos: los chips se hacen más eficientes pero no más limpios en su fabricación ni más fáciles de reciclar. La biocomputación no mejora ese modelo, lo sustituye. Hay que ser cuidadosos, porque los sistemas actuales necesitan infraestructura de soporte con su propio coste ambiental, y escalar esta tecnología sin generar nuevas dependencias es un problema sin resolver. Pero el principio de fondo es sólido: si los componentes se cultivan y se degradan, la huella del hardware puede parecerse mucho menos a una industria minera.
Lo que ya existe
El CL1 de Cortical Labs es el primer producto comercial del sector. Integra cientos de miles de neuronas sobre un sustrato de silicio, mantiene el cultivo vivo hasta seis meses y consume entre 850 y 1.000 vatios en total, infraestructura incluida. Parece mucho hasta que se compara con los megavatios que necesita un servidor convencional entrenando modelos grandes.
La plataforma de FinalSpark trabaja con 16 pequeños cultivos de unas 10.000 neuronas cada uno, conectados a electrodos. Investigadores de cualquier parte del mundo pueden acceder de forma remota, realizar experimentos y analizar resultados sin tener laboratorio propio. En junio de 2025, la empresa presentó en Londres sus planes para la próxima década: ofrecer potencia de cómputo biológica desde la nube, como se hace hoy con los servidores convencionales. Para llegar ahí necesita financiación y resolver un problema técnico inmediato: los cultivos actuales duran unos 100 días; el objetivo es superar los 200.
El respaldo científico del campo es real. En noviembre de 2025, una reunión en Asilomar reunió a los principales investigadores para debatir estándares y protocolos. El término inteligencia de organoides, acuñado en Johns Hopkins, ya tiene comunidad activa en Europa, Estados Unidos y Asia.
Lo que los titulares no cuentan
Cuando un medio anuncia que unas neuronas han aprendido a jugar a un videojuego, suele omitir la parte complicada: ese cultivo necesita oxígeno, nutrientes, temperatura estable y un entorno sin patógenos para sobrevivir. Un chip de silicio funciona en condiciones que matarían cualquier célula. Un bioprocesador necesita el equivalente a cuidados intensivos permanentes.
El problema más difícil es la escala. Los sistemas actuales tienen cientos de miles de neuronas. El cerebro humano tiene 86.000 millones. La diferencia no se resuelve poniendo más células: hace falta resolver cómo llevar oxígeno y nutrientes a estructuras grandes, cómo organizar las conexiones de forma controlada y cómo comunicarse con millones de neuronas a la vez con suficiente precisión. Ninguno de esos problemas tiene solución conocida todavía.
Hay además un problema de variabilidad. Lo que hace útil a un sistema neuronal, que aprende y se adapta, es también lo que lo hace impredecible. Dos cultivos que parten del mismo material genético no producen el mismo sistema. En ingeniería, esa falta de reproducibilidad es un obstáculo serio. Y si ya es difícil entender por qué un modelo de IA llega a una conclusión, en un sistema biológico que cambia sus conexiones físicamente mientras opera, rastrear el proceso es mucho más complicado.
En la reunión de Asilomar de 2025, Tony Zador, del Cold Spring Harbor Laboratory, fue directo sobre el riesgo de las expectativas excesivas: intentar que los orgánulos cerebrales compitan con la IA de silicio en tareas de propósito general es la dirección equivocada. El valor del campo está en aplicaciones concretas: modelado de enfermedades neurológicas, prueba de fármacos, sensores en entornos biológicos. No como sustituto del procesador.
Las preguntas que todavía no tienen respuesta
La biocomputación plantea preguntas éticas que no tienen precedente porque nadie había necesitado hacérselas antes.
La primera es sobre el estatuto de estos sistemas. Cuando Cortical Labs publicó los resultados del experimento con el Pong, treinta investigadores firmaron una carta en la revista Neuron rechazando el uso de la palabra sentience, que en inglés alude a la capacidad de tener experiencias subjetivas. El debate no era de palabras. Si un cultivo neuronal toma decisiones orientadas a un objetivo de forma autónoma, ¿Qué tipo de cosa es? ¿Una herramienta, como un procesador? ¿O algo que merece otro tipo de consideración? En noviembre de 2025, una investigación publicada en MDPI abordó directamente si el comportamiento inteligente puede separarse de un ser inteligente. La respuesta es que no lo sabemos.
La segunda es sobre quién consiente qué. Los cultivos se desarrollan a partir de células madre de donantes humanos. Hay preguntas abiertas sobre los límites del consentimiento, sobre la privacidad de la información genética que esos sistemas contienen y sobre qué ocurre con los datos que generan. No hay legislación pensada para esto porque hasta ahora no hacía falta.
La tercera es sobre seguridad, pero en un sentido completamente nuevo. En un sistema digital, un ataque informático corrompe código. En un bioprocesador, un patógeno corrompe células. Señales eléctricas mal diseñadas podrían inducir patrones de funcionamiento erróneos en el cultivo. Las medidas de protección que necesitarán los futuros centros de datos biológicos son las de un laboratorio de microbiología. Ese manual no existe todavía.
Lo que viene después
La biocomputación no va a sustituir el ordenador convencional. Los investigadores más serios del campo son los primeros en decirlo. Lo que puede hacer, si los problemas técnicos se van resolviendo, es añadir una nueva categoría de herramienta: sistemas especializados, eficientes en energía, capaces de aprendizaje flexible, útiles en entornos donde la biología ya está presente.
Las aplicaciones más prometedoras a corto plazo no son las de propósito general. Son las médicas: cultivos desarrollados a partir de las células de un paciente concreto para probar tratamientos contra el Alzheimer o la epilepsia antes de aplicarlos a la persona real. Sensores moleculares que funcionan dentro de organismos vivos. Plataformas de prueba de fármacos que no requieren animales porque el propio sistema de prueba es tejido humano.
Lo que ha cambiado en este momento es el tipo de pregunta que el campo se hace. Ya no es si algo así es posible. Es cómo se escala, cómo se estabiliza, cómo se regula. Esa transición, de la especulación al problema de ingeniería concreto, es lo que ocurre cuando una tecnología cruza la frontera de lo experimental hacia algo que podría convertirse en una industria.
En algún momento de los próximos años, alguien va a abrir un centro de datos que no tendrá servidores en el sentido habitual. Tendrá incubadoras, electrodos y cultivos celulares.
El siguiente ordenador no se fabricará. Se cultivará.#Biocomputación #Sostenibilidad #ResiduosElectrónicos #EconomíaCircular #Tecnología #InteligenciaArtificial #Ciencia #Innovación