Un equipo de Cornell University publicó el 29 de julio de 2026 en Nature Communications una actualización de su chip «microwave brain» que añade la capacidad de usar microwave token embeddings — el equivalente microondas de los tokens que usan los LLMs — para codificar mensajes en señales de radio y comprimir datos. El resultado: comunicaciones más rápidas, más seguras y con menor potencia para satélites, drones y dispositivos que operan en el espectro de microondas. Interesting Engineering lo recoge el 30 de julio.
El chip original, publicado en Nature Electronics en agosto de 2025, era ya notable: el primer procesador que computa simultáneamente sobre señales de datos ultrarrápidas y señales de comunicación inalámbrica usando física de microondas. Opera a menos de 200 milivatios — una fracción de lo que consume un procesador digital equivalente — y alcanza 88% de precisión en clasificación de señales wireless, equiparable a redes neuronales digitales pero en hardware órdenes de magnitud más pequeño.
La novedad: enseñar al chip un «léxico de microondas»
Lo que añade el paper de julio es una capa de abstracción que los investigadores comparan directamente con el mecanismo de tokens de los modelos de lenguaje. En un LLM, los tokens son la unidad mínima en la que se divide el texto para procesarlo. En el microwave brain, los «microwave token embeddings» son la representación comprimida de las señales de radio en el dominio de la frecuencia.
«Me gusta pensar en esto como establecer un léxico de microondas», dijo Bala Govind, el doctorando que lideró la investigación bajo la supervisión de Alyssa Apsel, profesora de la Cornell School of Electrical and Computer Engineering.
Las implicaciones prácticas:
- Comunicaciones satelitales más rápidas: comprimir más datos en la misma señal de radio
- Seguridad de hardware: decodificar una transmisión requiere no solo otro chip de red neuronal de microondas sino también la secuencia correcta que lo configura — «casi como un esquema de clave pública-privada», según Govind
- Menor consumo de potencia: relevante para satélites y drones que tienen presupuestos de energía muy estrictos
El paralelismo con los LLMs que los propios investigadores hacen
Lo que hace notable este paper no es solo el resultado técnico sino el marco conceptual. Los investigadores están importando deliberadamente la arquitectura de representación de los LLMs (tokenización, embeddings) al dominio del hardware de microondas. Eso sugiere que las intuiciones desarrolladas en el campo de la IA sobre cómo representar y comprimir información también son aplicables a sistemas físicos que operan en el espectro de radiofrecuencia.
Las herramientas de generación de vídeo con IA como Midjourney requieren el tipo de transmisión de datos de alta velocidad para la que este chip abre nuevas posibilidades. La guía de herramientas de generación de imágenes con IA opera sobre infraestructura de red que podría beneficiarse de chips más eficientes para comunicación de datos. Los acuerdos entre Meta, YouTube, TikTok y distritos escolares reflejan la escala de las comunicaciones digitales que hoy saturan las redes — un chip que hace lo mismo con menor consumo y mayor seguridad tiene un mercado enorme.
Mi valoración
Lo que más me convence del microwave brain de Cornell es la ingeniería inversa del problema: en lugar de construir hardware más rápido para ejecutar software más complejo, construyeron hardware que incorpora la complejidad del procesamiento directamente en la física del chip. La clave es la analogía con los tokens: usar los principios matemáticos de los LLMs para diseñar hardware de comunicaciones es una síntesis creativa entre los dos campos más activos de la ingeniería.
Lo que más me preocupa es el camino a producción. Los chips que funcionan en laboratorio a menudo enfrentan décadas para llegar a producción en escala comercial. El impacto en satélites y drones requerirá que el chip sea ruggerizado, producido en volumen y certificado para aplicaciones aeroespaciales — un proceso largo y costoso.
La cronología de publicaciones del chip de Cornell
El chip «microwave brain» tiene ahora dos publicaciones en revistas de alto impacto:
- Agosto 2025, Nature Electronics: el paper original que describió el primer chip neuronal de microondas integrado en silicio, con sus capacidades de clasificación de señales a <200mW
- Julio 2026, Nature Communications: el nuevo paper que añade los «microwave token embeddings» y las capacidades de codificación segura de comunicaciones
Esta cadencia de publicación — un año entre papers — refleja el ritmo natural de la investigación académica fundamental. El equipo de Apsel en Cornell no está bajo la presión de time-to-market que tienen las startups; pueden refinar y publicar cuando tienen algo genuinamente nuevo. El soporte de DARPA para el trabajo original da al proyecto financiación estable y conexión con aplicaciones de defensa sin necesitar la ronda de capital de riesgo que forzaría acelerar el timeline de publicación o comercialización.
Preguntas frecuentes
¿Puede este chip usarse para comunicaciones militares?
El proyecto fue financiado en parte por DARPA (Defense Advanced Research Projects Agency), lo que confirma el interés militar en la tecnología. La combinación de alta velocidad, bajo consumo y seguridad de hardware basada en la secuencia de configuración tiene aplicaciones directas en comunicaciones militares cifradas, especialmente para drones y satélites de bajo coste.
¿Cuándo podría llegar a productos de consumo?
No hay un timeline comercial establecido. El chip está en fase de investigación académica. Las aplicaciones de consumo más cercanas serían mejoras en chips WiFi y 5G que usen principios similares — pero eso requeriría que las empresas de semiconductores adoptaran la arquitectura, lo que generalmente lleva 5-10 años desde la investigación académica.
¿Qué hace diferente a los «microwave token embeddings» de los tokens de un LLM?
En un LLM, los tokens son unidades discretas de texto (palabras o subpalabras) convertidas a vectores numéricos para procesamiento matemático. Los microwave token embeddings son representaciones comprimidas de patrones de señal de radio en el dominio de la frecuencia — la representación de la señal en términos de qué frecuencias la componen y con qué intensidad. La analogía es conceptual: ambos son métodos de convertir una señal compleja (texto o radio) en una representación matemática comprimida que puede procesarse y transmitirse eficientemente.