Durante décadas, la ingeniería de chips se ha dedicado a una tarea silenciosa pero costosísima: eliminar el ruido térmico, esa agitación aleatoria de electrones que aparece en cualquier circuito y que los transistores convencionales deben suprimir para funcionar con fiabilidad. Ahora, dos estudios revisados por pares publicados este año le dan la vuelta a ese planteamiento y proponen justo lo contrario: aprovechar ese ruido como motor de cálculo. La llamada computación termodinámica ha pasado de ser una curiosidad académica a un campo con resultados publicados por Lawrence Berkeley National Laboratory, un equipo conjunto de Extropic y el MIT, y la startup neoyorquina Normal Computing, que ya tiene un chip de silicio en fase de caracterización. Las cifras que circulan son llamativas —hasta 100.000 millones de veces menos disipación de calor en un caso, 10.000 veces menos energía por muestra generada en otro—, pero conviene entender qué hay detrás de ellas antes de darlas por buenas.

Por qué la IA generativa y la termodinámica hablan el mismo idioma matemático

Lo interesante de este enfoque no es solo la promesa de ahorro energético, sino la coincidencia estructural entre dos campos que parecían no tener nada que ver. Los modelos de difusión, la tecnología que sustenta a los generadores de imágenes por IA, aprenden invirtiendo un proceso de ruido progresivo: una imagen se corrompe paso a paso hasta convertirse en estática aleatoria, y el modelo aprende a reconstruirla recorriendo ese proceso hacia atrás. Ese marco matemático se formaliza mediante la llamada dinámica de Langevin inversa, en honor al físico francés Paul Langevin, cuyas ecuaciones describen cómo se mueven los sistemas físicos bajo la combinación de una fuerza sistemática y una agitación térmica aleatoria.

Un ordenador termodinámico obedece exactamente esas mismas ecuaciones. Es un sistema físico que se mueve bajo fuerzas de acoplamiento sistemáticas y ruido térmico aleatorio, lo que significa que ejecutar un modelo generativo tipo difusión sobre hardware termodinámico no es adaptar la tecnología a una tarea ajena, sino dejar que el hardware haga aquello para lo que físicamente está hecho. De hecho, Stephen Whitelam, autor del estudio publicado en Physical Review Letters, entrenó su circuito termodinámico maximizando la probabilidad de que reprodujera a la inversa una trayectoria de ruido, y el resultado fue un sistema capaz de reconstruir el rostro del propio Langevin a partir de estática pura.

La cifra de los 100.000 millones y lo que realmente demuestra

La cifra que más se ha repetido en la cobertura mediática —que un ordenador termodinámico disiparía aproximadamente 100.000 millones de veces menos calor que una red neuronal digital equivalente y que la American Physical Society describe como una mejora de «once órdenes de magnitud» en eficiencia. Conviene leer ese dato con calma: se trata de un cálculo teórico sobre cuánto calor disiparía una implementación física de esa red, comparado con lo que disiparía una red neuronal digital haciendo la misma tarea, no una medición de hardware real en funcionamiento. El propio ordenador termodinámico del experimento fue simulado sobre un ordenador convencional.

Lo que sí queda demostrado, con revisión por pares de por medio, es que el marco de entrenamiento funciona y que es generativo en dos sentidos: transforma el ruido en estructura, y una vez entrenado con un conjunto de imágenes puede generar otras nuevas que nunca ha visto. El propio Whitelam ha sido franco sobre las limitaciones actuales, reconociendo que los diseños de computación termodinámica desarrollados hasta ahora tienen una capacidad comparable a la de las pequeñas redes neuronales digitales de alrededor de 1990.

El mecanismo físico: resonadores RLC y una inversión de matrices sin algoritmo

El artículo de Normal Computing publicado en Nature Communications en 2025 ofrece la explicación más clara del mecanismo. La compañía, fundada en 2022 por antiguos miembros de Google X y Google Brain, construyó una placa de circuito con ocho grupos de resonadores RLC, componentes formados por una resistencia, un condensador y una bobina. Cada resonador oscila a una frecuencia característica, y al acoplar varios en red, la intensidad de acoplamiento entre cada par puede ajustarse para representar un número concreto dentro de una matriz matemática.

Al excitar esa red con ruido, las fluctuaciones de equilibrio que se observan corresponden matemáticamente a la inversa de la matriz de acoplamiento: no hace falta ningún algoritmo ni multiplicación de matrices, la física entrega directamente el resultado. La inversión de matrices es una operación fundamental en aprendizaje automático, gráficos por ordenador, simulación de ingeniería y modelado financiero, así que un chip capaz de resolverla mediante fluctuación física, si logra hacerlo a la velocidad y escala adecuadas, tendría aplicaciones que van mucho más allá de la IA. El matiz importante es que el ruido térmico ambiental a temperatura de habitación resultó insuficiente para excitar los prototipos actuales, por lo que los investigadores tuvieron que inyectar ruido sintético mediante un generador de números aleatorios, que a su vez consume energía; ese sobrecoste se reduce a medida que el sistema escala, según señala el propio reportaje.

Extropic y su unidad de muestreo termodinámico: el producto que marca el rumbo comercial

Si hay un actor que condensa hacia dónde va la aplicación práctica de esta tecnología, ese es Extropic, la startup bostoniana fundada en 2022 por ingenieros procedentes de Google, IBM, Apple y Microsoft. Su producto central son las llamadas thermodynamic sampling units (TSU), componentes semiconductores diseñados no para ejecutar lógica booleana determinista, sino para producir directamente muestras de una distribución de probabilidad programable. La diferencia arquitectónica es concreta: una GPU convencional calcula primero un vector de probabilidades y después extrae una muestra de ese vector, dos operaciones separadas y ambas costosas energéticamente. La TSU de Extropic se salta el paso de cálculo por completo, toma los parámetros de una función de energía y muestrea directamente de la distribución correspondiente, de modo que los estados de alta energía resultan improbables y los de baja energía, probables.

En julio de 2026, Extropic y el científico de información cuántica del MIT Isaac Chuang publicaron una arquitectura denominada Denoising Thermodynamic Computer Architecture (DTCA), evaluada mediante simulaciones en GPU alimentadas con mediciones de un generador de ruido experimental, sobre el conjunto de datos Fashion-MNIST. Los resultados fueron comparables en calidad de imagen a los métodos basados en GPU, requiriendo un estimado de 10.000 veces menos energía por muestra generada, cifra que los propios autores insisten en presentar como una proyección de un modelo energético, no como una medición de un sistema terminado. Su plataforma de hardware experimental, la XTR-0, se anunció en octubre de 2025 para pruebas beta con socios, y la DTCA representa su primer resultado arquitectónico con revisión por pares.

El chip CN101 de Normal Computing y la comparación inevitable con la computación cuántica

Normal Computing anunció en agosto de 2025 la fabricación de CN101, presentado como el primer chip de computación termodinámica sobre silicio, basado en lo que la empresa llama arquitectura Carnot y orientado a tareas de inferencia de IA, álgebra lineal y muestreo de modelos de difusión. La compañía proyecta hasta 1.000 veces mejor eficiencia energética en las tareas objetivo frente a los enfoques convencionales, con una hoja de ruta que contempla los chips CN201 y CN301 entre 2027 y 2028. A diferencia de la placa de resonadores RLC del prototipo anterior, CN101 procesa las operaciones termodinámicas mediante una representación digital sobre silicio, y el propio reportaje de Quanta Magazine subraya que este chip «todavía no ha sido evaluado por otros expertos» externos al proyecto.

La propia Normal Computing traza el paralelismo con otra tecnología emergente que también prometió revoluciones: reconoce que el campo se encuentra en una fase análoga a cuando se construyeron los primeros ordenadores cuánticos a pequeña escala en los años noventa. La advertencia implícita es clara, porque aquel campo tardó tres décadas y decenas de miles de millones de dólares de inversión en convertirse en una industria de unos 12.000 millones de dólares, y la ventaja cuántica práctica sobre el hardware clásico sigue siendo esquiva para la mayoría de las tareas. Los defensores de la computación termodinámica argumentan que las barreras de ingeniería son menores —no requiere refrigeración criogénica ni mantener coherencia cuántica, y puede fabricarse con procesos CMOS estándar—, lo que haría plausible un camino más rápido hacia la relevancia comercial.

Un contexto de consumo energético que no da tregua

Todo este desarrollo llega en un momento en que el apetito energético de los centros de datos no deja de crecer. Según cifras de Gartner, el consumo eléctrico mundial de los centros de datos se proyecta en 565 teravatios-hora para 2026, un 26 por ciento más que el año anterior, con las cargas de trabajo de IA representando ya en torno al 31 por ciento de ese total, una proporción que superará al consumo de servidores convencionales en apenas dos años. Es precisamente ese contexto el que explica por qué unos resultados todavía teóricos y sin hardware terminado han generado tanto interés: si la computación termodinámica cumpliera aunque solo fuera una fracción de sus proyecciones, el impacto en la factura energética de la industria de la IA sería considerable.

Reflexiones adicionales

Conviene no perder de vista que ninguno de los tres umbrales que definirán el éxito comercial de esta tecnología —rendimiento en cargas de trabajo de inferencia reales, programabilidad frente a distintos tipos de problema y coste de fabricación competitivo con la cadena de suministro de GPU ya establecida— se ha superado todavía. Lo que sí ha cambiado, y es relevante, es la base de evidencia: un físico de un laboratorio nacional ha publicado en una revista de referencia que el marco de entrenamiento funciona, un equipo de una startup y una universidad de prestigio ha publicado una arquitectura completa evaluada por simulación, y una publicación científica de reconocido rigor ha decidido cubrir el campo como un desarrollo científico genuino, no como una promesa especulativa más. El próximo hito será sencillo de identificar y difícil de alcanzar: un chip termodinámico ejecutando una carga de trabajo de IA de producción sobre hardware real, con eficiencia medida y no proyectada. Hasta que eso ocurra, la prudencia razonable es tratar estas cifras como un mapa de lo que la física permite, no como una hoja de especificaciones de un producto disponible.