La noche del 29 de diciembre de 1959, en el auditorio del Caltech, Richard Feynman pronunció una frase que resonaría durante décadas: "Hay mucho espacio en el fondo". No era una metáfora poética, sino una provocación técnica: manipulando átomos individualmente, podríamos escribir la Enciclopedia Británica en la cabeza de un alfiler y construir máquinas que operaran a escala molecular.

Sesenta y cinco años después, esa visión define los límites de lo que llamamos computación. La ley de Moore —la observación de Gordon Moore en 1965 de que los transistores se duplican cada dos años— ha sido el motor económico y tecnológico de la era digital. Pero los físicos llevan una década advirtiendo: a 3 nanómetros, los efectos cuánticos (tunelaje, fluctuaciones térmicas) hacen que los transistores de silicio dejen de comportarse como interruptores fiables. TSMC e Intel ya fabrican a 3 nm y preparan 2 nm; más allá, el silicio convencional entra en territorio inexplorado.

La respuesta de la industria no es única, sino un abanico de apuestas paralelas. La computación cuántica promete resolver problemas intratables para máquinas clásicas —simulación molecular, optimización logística, criptografía— aprovechando la superposición y el entrelazamiento. IBM, Google y startups como Rigetti o IQM ya ofrecen acceso en la nube a procesadores de más de 1.000 qubits, aunque la corrección de errores y la coherencia siguen siendo cuellos de botella críticos.

En paralelo, la computación neuromórfica imita la arquitectura cerebral: neuronas artificiales que disparan pulsos (spikes) en lugar de procesar en reloj continuo. Chips como Loihi 2 de Intel o TrueNorth de IBM consumen microwatios para tareas de inferencia en el borde, ideales para robótica y sensores siempre activos. La memoria y el cómputo dejan de estar separados, rompiendo el cuello de botella de von Neumann que lleva 80 años lastrando el rendimiento.

Otra vía es la fotónica integrada: usar luz en lugar de electrones para mover datos entre chips y dentro de ellos. Empresas como Lightmatter o Ayar Labs ya comercializan interconnects ópticos que reducen la latencia y el consumo en centros de datos de IA, donde el movimiento de datos —no el cálculo— domina la factura energética.

Mientras, la apuesta más radical sigue siendo la que Feynman vislumbró: computación molecular y de ADN. Microsoft y la Universidad de Washington han demostrado almacenamiento de datos en oligonucleótidos con densidad teórica de exabytes por gramo. La velocidad de lectura/escritura sigue siendo el talón de Aquiles, pero para archivo en frío (cold storage) la promesa es disruptiva.

¿Por qué importa esto a un ingeniero o CTO hoy? Porque la escalabilidad vertical del silicio se agota y la próxima década no traerá "más de lo mismo". Las cargas de trabajo de IA generativa, simulación científica y gemelos digitales exigen arquitecturas heterogéneas: CPU + GPU + NPU + aceleradores cuánticos/fotónicos/neuromórficos, orquestados por capas de software que abstraigan la complejidad. Quien entienda primero cómo mapear sus problemas a este nuevo zoo de hardware —y no solo a instancias x86 en la nube— capturará ventaja competitiva.

Feynman cerró su charla ofreciendo 1.000 dólares a quien construyera un motor eléctrico de 1/64 de pulgada. Lo ganaron en 1960. Hoy, el premio sería construir un sistema que compute a escala atómica con eficiencia termodinámica cercana al límite de Landauer. La carrera no es por transistores más pequeños, sino por arquitecturas que respeten la física en lugar de luchar contra ella.