Reading time: 7 min
Un desarrollador independiente sin experiencia en computación biológica se sentó frente a una API en Python, se conectó a un chip con 200.000 neuronas humanas vivas en un laboratorio de Melbourne, y en siete días las tenía controlando Doom, el shooter en primera persona de 1993. Las neuronas no juegan bien —lo hacen como alguien que jamás ha visto un teclado—, pero están aprendiendo. Y la empresa que construyó el sistema ya ha vendido 115 unidades a $35.000 cada una.
La empresa es Cortical Labs, fundada por el Dr. Hon Weng Chong y con sede en Melbourne. El producto se llama CL1, y la compañía lo presenta como el primer computador biológico comercialmente disponible del mundo. Fusiona neuronas humanas cultivadas en laboratorio con un chip de silicio para crear lo que Cortical Labs denomina Inteligencia Biológica Sintética, o SBI por sus siglas en inglés. La demostración con Doom, anunciada en YouTube a finales de febrero y recogida esta semana por Popular Science, Tom’s Hardware, The Register y prácticamente cualquier medio tecnológico con pulso, marca el momento en que la tecnología dejó de ser una curiosidad de laboratorio para convertirse en algo con lo que los desarrolladores pueden interactuar directamente. El código fuente está en GitHub. La API es en Python. Las neuronas están vivas en un baño de nutrientes en Australia.
Cómo funciona realmente
El CL1 cultiva neuronas humanas sobre un array de 59 multielectrodos fabricado en un chip de metal y vidrio. Las neuronas no se extraen de cerebros. Parten de células tomadas de donantes adultos —piel o sangre— que se reprograman como células madre pluripotentes inducidas y después se diferencian en neuronas corticales, según un detallado análisis técnico publicado por PerfScience en marzo de 2026. Las células se mantienen vivas dentro de una cámara hermética de soporte vital que regula temperatura, intercambio gaseoso y flujo de nutrientes. Cortical Labs asegura que las neuronas pueden sobrevivir hasta seis meses.
El sistema funciona con lo que la compañía llama biOS, un Sistema Operativo de Inteligencia Biológica. Crea un entorno simulado y envía información sobre ese entorno a las neuronas como patrones de estimulación eléctrica a través de los electrodos. Las neuronas responden con sus propios impulsos eléctricos, que se interpretan como acciones. En Pong, la demostración anterior de 2022, la relación era directa: la pelota sube, la paleta sube. En Doom, el problema es exponencialmente más complejo. El juego es tridimensional. Hay enemigos. El jugador tiene que explorar, navegar, apuntar y disparar.
Para salvar esa brecha, Sean Cole, el desarrollador independiente que construyó la interfaz con Doom, tradujo la señal de video del juego a patrones de estimulación eléctrica que las neuronas pudieran procesar. Según Tom’s Hardware, el CTO David Hogan explicó el mapeo así: “Si las neuronas disparan en un patrón específico, el personaje de Doom dispara. Si disparan en otro patrón, se mueve a la derecha.” Las neuronas reciben retroalimentación de refuerzo —señales positivas y negativas que moldean sus patrones de activación con el tiempo—. Es, en el sentido más literal, aprendizaje por refuerzo ejecutándose en tejido biológico en lugar de silicio.
Qué puede y qué no puede hacer
Brett Kagan, Director Científico de Cortical Labs, fue categórico sobre el rendimiento actual. “¿Es un campeón de eSports? Rotundamente no”, dijo en el video de presentación, según Tom’s Hardware. El sistema juega Doom mejor que un generador de inputs aleatorios, pero peor que cualquier humano que haya pasado cinco minutos con el juego. Lo relevante, argumentó Kagan, no es la puntuación, sino que las neuronas demostraron “aprendizaje adaptativo, en tiempo real y orientado a objetivos” en un entorno tridimensional complejo. Eso representa una categoría de problema completamente distinta a devolver una pelota de Pong.
Conviene ponerlo en contexto. En 2022, el prototipo anterior de Cortical Labs, DishBrain, aprendió a jugar Pong en aproximadamente cinco minutos. Un sistema estándar de aprendizaje profundo por refuerzo tarda unas 90 minutos en alcanzar un rendimiento comparable, según PerfScience. Las neuronas no son más rápidas computando; son más eficientes con los datos. Aprenden con menos ejemplos. Esa propiedad, si escala, tiene implicaciones enormes para el descubrimiento de fármacos y el modelado de enfermedades, donde el coste de generar datos de entrenamiento suele ser la principal limitación.
El modelo de negocio
El CL1 se presentó en el Mobile World Congress de Barcelona en marzo de 2025 y comenzó a enviarse en la segunda mitad del año pasado. Cada unidad cuesta $35.000, o $20.000 por unidad en un rack de servidores de 30 unidades. Un rack completo consume entre 850 y 1.000 vatios, lo que, como señalaron varios medios, es menos que algunos PCs gaming de gama alta. Cortical Labs ha vendido 115 unidades hasta la fecha, según PerfScience, generando aproximadamente $4 millones en ingresos a precio de lista. La empresa también ofrece Wetware-as-a-Service, o WaaS, permitiendo a los investigadores acceder a las neuronas de forma remota a través de Cortical Cloud.
Según IEEE Spectrum, Kagan afirmó que la empresa ha detectado un fuerte interés por parte de universidades, startups y organismos gubernamentales que exploran aplicaciones en descubrimiento de fármacos, neurocomputación, aceleración de inteligencia artificial y, de forma algo inesperada, minería de Bitcoin. La propuesta comercial central es que el CL1 constituye una alternativa éticamente superior a la experimentación animal en investigación farmacéutica. Al utilizar neuronas humanas en lugar de modelos con roedores, puede capturar diferencias genéticas entre donantes y modelar respuestas específicas de enfermedades de maneras que las pruebas con animales no permiten. Cortical Labs posiciona la tecnología como una plataforma para estudiar epilepsia, Alzheimer y otras patologías neurológicas.
El panorama competitivo es reducido, pero crece. La empresa suiza FinalSpark ya ofrece acceso remoto a organoides neuronales desde $1.000 al mes. En la Universidad de Indiana, investigadores construyeron Brainoware, un sistema que alcanzó un 78% de precisión en identificación de hablantes tras solo dos días de entrenamiento. Un equipo de la UC San Diego ha propuesto usar sistemas basados en organoides para modelado ambiental. En China, la Universidad de Tianjin presentó MetaBOC, una plataforma de cerebro-en-chip. Ninguno de estos proyectos está tan avanzado comercialmente como Cortical Labs, pero el capital de riesgo que fluye hacia todo lo adyacente a la inteligencia artificial ha convertido las apuestas especulativas en biocomputación en inversiones de repente financiables.
La pregunta que nadie quiere responder
La dimensión ética es ineludible, y Cortical Labs no ha intentado esquivarla. Las neuronas del CL1 no son conscientes. Son demasiado pocas y demasiado simples para producir algo parecido a la conciencia. El consenso actual en neurociencia sostiene que 200.000 neuronas en un array de electrodos no pueden generar experiencia subjetiva. Un cerebro humano contiene aproximadamente 86.000 millones de neuronas conectadas por billones de sinapsis. La distancia no es incremental: es civilizacional.
Pero la trayectoria plantea interrogantes que la industria aún no ha respondido. Como señaló RealClearScience en un análisis de enero de 2026, las afirmaciones de inteligencia o consciencia en estos sistemas carecen hoy de sustento. Los sistemas muestran una capacidad simple de respuesta y adaptación, no cognición superior. La cuestión es qué ocurrirá cuando el número de neuronas escale, cuando los arrays de electrodos se vuelvan más densos, cuando los bucles de retroalimentación se sofistiquen. Cortical Labs ha hablado de construir un “Cerebro Mínimo Viable”. Esa expresión, tomada prestada de la cultura startup y aplicada a tejido biológico, conlleva implicaciones que la empresa quizá no pueda controlar del todo.
De momento, sin embargo, el CL1 es una caja de $35.000 que mantiene neuronas humanas vivas durante seis meses, permite que cualquiera con conocimientos de Python se comunique con ellas, y acaba de aprender a disparar demonios en un juego de 1993. El dato que debería captar tu atención es este: la interfaz con Doom la construyó un único desarrollador en una semana, usando una API pública, sin formación alguna en neurociencia. Eso significa que la barrera de entrada para desarrollar sobre esta plataforma ya es lo suficientemente baja como para que la comunidad de programadores empiece a experimentar. Lo que construyan a partir de ahora es la historia que merece la pena seguir.
