En marzo de 2026, una placa de Petri con 200.000 células cerebrales humanas aprendió a jugar al Doom[s]. La startup australiana Cortical Labs había enseñado a células similares a jugar al Pong en 2022, y ahora llama a su creación «el primer ordenador biológico del mundo implementable mediante código». El CL1 de Cortical utiliza neuronas cultivadas en laboratorio sobre un chip en lugar de un organoide 3D, pero comparte las ambiciones de la computación por organoides cerebrales: el esfuerzo por utilizar neuronas vivas como hardware computacional. Promete máquinas que aprenden más rápido y consumen mucha menos energía que el silicio. Pero antes de celebrarlo, cinco grandes obstáculos separan los trucos neuronales de hoy de los supercomputadores biológicos del mañana.
Por qué importa la computación por organoides cerebrales
El cerebro humano funciona con unos 20 vatios de potencia mientras iguala la capacidad computacional del supercomputador Frontier, que consume 21 megavatios[s]. Eso supone una brecha de eficiencia de un millón. Entrenar GPT-3 requirió un estimado de 1.300 megavatios-hora de electricidad, suficiente para abastecer a 800 hogares europeos durante un año[s]. Si pudiéramos aprovechar aunque sea una fracción de la eficiencia neuronal biológica, el balance ambiental de la inteligencia artificial cambiaría de manera radical.
Los organoides cerebrales son pequeños racimos tridimensionales de neuronas humanas cultivadas a partir de células madre. Los investigadores extraen células sanguíneas, las reprograman como células madre y las inducen a convertirse en neuronas[s]. Al colocarlos en chips con electrodos, estas neuronas pueden enviar y recibir señales eléctricas, creando una interfaz primitiva entre biología y máquina. Las células se adaptan. Aprenden. Y a diferencia de los algoritmos, lo hacen con una cantidad de datos de entrenamiento notablemente reducida.
Obstáculo 1: la pregunta sobre la conciencia
Cuando Cortical Labs publicó su artículo sobre Pong, usaron la palabra «sentience» (capacidad de sentir) en el título. La reacción fue inmediata: 30 investigadores argumentaron que el término «no estaba justificado por los datos presentados»[s]. El debate no es meramente semántico. Si la computación por organoides cerebrales produce sistemas capaces de sufrir, las implicaciones éticas cambian por completo.
El filósofo Matthew Owen sostiene que deberíamos preocuparnos más por la conciencia de los organoides que por la de la IA, porque los organoides comparten mucho más con los cerebros humanos que las redes neuronales artificiales[s]. Sin embargo, sospecha que los organoides actuales aprenden «de la misma manera en que aprenden los algoritmos, o como podría decirse que aprenden las plantas en el sentido de que se adaptan a su entorno», sin ninguna conciencia moralmente significativa. El problema es que no existe ninguna prueba acordada para determinar dónde termina la adaptación y dónde empieza la experiencia.
Obstáculo 2: no viven lo suficiente
Los organoides cerebrales sobreviven entre 100 días y 15 meses en el laboratorio, según los métodos de mantenimiento[s]. Sin vasos sanguíneos para suministrar oxígeno y nutrientes, eventualmente mueren. Los supercomputadores modernos duran años. Una plataforma computacional cuyos componentes duran solo meses o un año requiere mantenimiento y reemplazo constantes, lo que presenta desafíos prácticos evidentes para cualquier aplicación seria.
Obstáculo 3: no hay dos organoides iguales
Cada organoide se desarrolla de manera diferente. Los cultivos de células madre se autoorganizan, lo que significa que los investigadores no pueden controlar con precisión la arquitectura neural resultante. Esta variabilidad dificulta los experimentos reproducibles y complica aún más el despliegue a gran escala. Los chips de silicio se fabrican según especificaciones idénticas; las neuronas, no.
Obstáculo 4: no podemos decirles qué hacer
El neurocientífico computacional Tony Zador lo expresó sin rodeos en una conferencia Asilomar de 2025: «Conseguir que se conecten para hacer lo que queremos que hagan está completamente más allá de lo que podríamos siquiera concebir ahora mismo. El desafío es que todavía no entendemos qué neuronas son importantes y cómo formar modelos de computación con ellas»[s]. Los centros de datos ejecutan instrucciones humanas. Los circuitos neuronales hacen lo que la evolución los programó para hacer. Cerrar esa brecha sigue siendo un problema sin resolver.
Obstáculo 5: los marcos éticos van a la zaga
La mayoría de las directrices de bioética tratan los organoides como herramientas de investigación, no como componentes computacionales[s]. El Nuffield Council on Bioethics ha pedido nuevos criterios para determinar qué «marcadores» podrían indicar conciencia en los organoides neurales[s]. El investigador de Stanford Sergiu Pasca advirtió en Asilomar que «afirmaciones demasiado amplias pueden confundir al público y a los responsables de políticas sobre lo que estos sistemas realmente hacen»[s]. Los investigadores temen una reacción del público que provoque regulaciones amplias, lo que podría obstaculizar las aplicaciones médicas legítimas.
¿Qué viene después?
A pesar de los obstáculos, las inversiones continúan. La National Science Foundation comprometió 14 millones de dólares para siete proyectos de biocomputing en 2024, pidiendo a cada equipo que estableciera marcos para una investigación segura, ética y socialmente responsable[s]. La DARPA también ha invertido millones[s]. Empresas como Cortical Labs y FinalSpark venden acceso a sus plataformas de computación biológica.
El futuro inmediato probablemente incluirá pruebas de fármacos y modelado de enfermedades en lugar de reemplazar centros de datos. La computación por organoides cerebrales podría ayudar a los investigadores a entender el autismo, el Alzheimer y la epilepsia sin recurrir a pruebas en animales[s]. La gran visión de los supercomputadores biológicos sigue estando a décadas de distancia, si es que llega alguna vez.
En marzo de 2026, Cortical Labs demostró su ordenador biológico CL1 jugando al Doom con 200.000 neuronas humanas cultivadas en un array multielectródo[s]. Las neuronas se obtuvieron de células madre pluripotentes inducidas reprogramadas a partir de muestras de sangre, luego diferenciadas en neuronas corticales y depositadas en silicio con electrodos. El CL1 es un cultivo 2D en lugar de un organoide cerebral 3D, pero se sitúa en el borde visible del biocomputing junto a la computación por organoides cerebrales: redes neuronales biológicas conectadas a sistemas digitales mediante señalización eléctrica bidireccional. El potencial técnico es considerable. Los obstáculos lo son igualmente.
El argumento de la eficiencia para la computación por organoides cerebrales
El supercomputador Frontier alcanza aproximadamente 1,1 exaFLOPS a 21 megavatios. El cerebro humano opera con un rendimiento computacional similar usando 20 vatios[s]. Esta brecha de eficiencia de un millón impulsa todo el campo. Kwabena Boahen, de Stanford, estimó que replicar la eficiencia neuronal biológica con silicio requeriría 10 megavatios para lo que el cerebro logra con 20 vatios[s].
La eficiencia proviene de diferencias arquitectónicas fundamentales. Las neuronas biológicas operan mediante computación basada en impulsos y eventos en lugar de procesamiento continuo sincronizado por reloj. Codifican la información en el tiempo de los impulsos, la amplitud y la forma de onda, no en estados binarios[s]. Cada neurona funciona simultáneamente como procesador y memoria, eliminando los cuellos de botella de von Neumann. Y de manera crucial, las redes neuronales biológicas exhiben plasticidad: se reconectan físicamente en respuesta a estímulos, permitiendo el aprendizaje sin retropropagación a través de millones de parámetros.
La ventaja en eficiencia de datos es igualmente notable. Los humanos dominan las tareas de igual-o-diferente con aproximadamente 10 muestras de entrenamiento; las abejas necesitan unas 100. Los sistemas de aprendizaje automático en 2018 todavía no podían aprender estas distinciones con 10 millones de muestras[s]. AlphaGo requirió 160.000 partidas de datos de entrenamiento; una persona que jugara cinco horas diarias necesitaría 175 años para acumular una experiencia equivalente.
Obstáculo 1: conciencia fenoménica frente a comportamiento adaptativo
El artículo de Cortical Labs en Neuron de 2022 que describía neuronas que «aprendían» a jugar al Pong incluyó «sentience» en su título, lo que provocó una carta abierta de 30 investigadores que argumentaban que la terminología no estaba justificada[s]. La cuestión central es distinguir la respuesta adaptativa de la experiencia fenoménica.
El filósofo Matthew Owen distingue entre aprendizaje funcional y aprendizaje consciente: los organoides probablemente aprenden «de la misma manera en que aprenden los algoritmos, o como podría decirse que aprenden las plantas en el sentido de que se adaptan a su entorno»[s]. Sin embargo, señala que los organoides comparten mucho más mecánicamente con los cerebros humanos conscientes que las redes neuronales artificiales, lo que hace que la pregunta sobre la conciencia sea más urgente para la computación por organoides cerebrales que para la IA de silicio.
El Nuffield Council on Bioethics ha identificado la necesidad de «marcadores anatómicos o funcionales» que puedan servir como criterios para atribuir conciencia a los organoides neurales[s]. Esos criterios no existen actualmente. Sin ellos, determinar el estatus moral sigue siendo imposible, y los marcos éticos no pueden especificar límites de investigación apropiados.
Obstáculo 2: restricciones por la vida útil biológica
Los organoides cerebrales actuales sobreviven entre 100 días y 15 meses según las condiciones de cultivo y la aplicación[s]. El factor limitante es la necrosis por difusión insuficiente de oxígeno y nutrientes en ausencia de vascularización. Esto representa aproximadamente el 25 % de la vida útil operativa media de un supercomputador como máximo. Si bien los costos de generación de organoides son notablemente bajos (aproximadamente 0,36 € por organoide con 0,66 € de mantenimiento anual)[s], el reemplazo continuo genera complicaciones prácticas y potencialmente éticas.
Obstáculo 3: autoorganización estocástica
Los organoides cerebrales se desarrollan mediante la autoorganización de cultivos de células madre, lo que produce una variabilidad significativa en la composición celular y la arquitectura entre los ejemplares. Cada organoide desarrolla patrones de conectividad únicos, lo que hace que los experimentos reproducibles sean difíciles y el despliegue a escala sea impracticable con las técnicas actuales. La fabricación de silicio alcanza una precisión nanométrica; el desarrollo biológico es intrínsecamente estocástico.
Obstáculo 4: el problema de la controlabilidad
El neurocientífico computacional Tony Zador, del Cold Spring Harbor Laboratory, articuló el desafío fundamental en la conferencia Asilomar de 2025: «Conseguir que se conecten para hacer lo que queremos que hagan está completamente más allá de lo que podríamos siquiera concebir ahora mismo. El desafío es que todavía no entendemos qué neuronas son importantes y cómo formar modelos de computación con ellas»[s]. Los centros de datos ejecutan instrucciones deterministas; los circuitos neuronales ejecutan el cálculo que permite su patrón de conectividad. Cerrar esta brecha requiere avances en neurociencia que aún no existen.
Obstáculo 5: vacío regulatorio y de gobernanza
Los marcos de bioética existentes tratan los organoides como herramientas de investigación biomédica, no como sustratos computacionales[s]. La reunión de Asilomar de noviembre de 2025 cristalizó los temores de que la publicidad sobre el biocomputing «puede atraer la atención de una manera que lleve a leyes demasiado amplias que podrían obstaculizar las aplicaciones médicas de la investigación con organoides»[s]. Sergiu Pasca, de Stanford, enfatizó que «usar términos precisos que ni exageren ni tergiversen el trabajo realmente importa»[s].
El programa EFRI BEGIN OI 2024 de la NSF representa un modelo de gobernanza: 14 millones de dólares distribuidos entre siete proyectos interdisciplinarios, cada uno encargado de establecer marcos para una investigación segura, ética y socialmente responsable[s]. Si este enfoque de ética integrada puede escalar al desarrollo comercial sigue sin probarse.
Trayectoria de investigación actual
Las aplicaciones a corto plazo se centran en el cribado de toxicología farmacéutica y el modelado de enfermedades, en lugar de en la computación de propósito general. Los investigadores de Johns Hopkins prevén sistemas de organoides que comparen el desarrollo neural típico con el afectado por autismo sin modelos animales[s]. Cortical Labs ofrece acceso remoto a su plataforma de computación biológica, mientras que FinalSpark proporciona acceso similar a través de su Neuroplatform.
Thomas Hartung, quien acuñó el término «inteligencia de organoide» junto a su colega Lena Smirnova en 2023, estima que pasarán décadas antes de que los sistemas alcancen la capacidad computacional de un ratón[s]. Las ventajas de eficiencia de la computación por organoides cerebrales siguen siendo teóricamente convincentes; sus desafíos de ingeniería siguen siendo prácticamente formidables.
