Spi-Fly: el algoritmo bioinspirado que detecta olores sin olvidarlos

Spi-Fly, el algoritmo bioinspirado que detecta olores como una mosca

Un equipo de la Okinawa Institute of Science and Technology (OIST) acaba de presentar Spi-Fly, un algoritmo de clasificación de olores inspirado en el cerebro de la mosca Drosophila melanogaster, que resuelve dos de los mayores puntos débiles de las narices electrónicas actuales: aprender con pocas muestras y no olvidar lo aprendido cada vez que aparece un olor nuevo. El trabajo se publicó en la revista Neuromorphic Computing and Engineering (DOI 10.1088/2634-4386/ae9177), según recoge News-Medical.

Lo importante para founders no es la anécdota biológica: es que el algoritmo supera a los métodos clásicos en few-shot learning (clasificar con apenas unos ejemplos) y en continual learning (seguir reconociendo viejas categorías tras aprender nuevas), el famoso catastrophic forgetting que arruina muchos modelos en producción.

Por qué copiar a la Drosophila fue una buena idea

La mosca de la fruta tiene unos 140.000 neuronas, menos que una semilla de amapola, y aun así distingue olores en fracciones de segundo y los recuerda. Su sistema olfativo funciona con un truco elegante: cientos de receptores capturan fragmentos moleculares y solo unas pocas neuronas se activan para cada olor, formando una especie de código de barras único con un gasto mínimo de energía. Es lo que en neurociencia llaman sparse coding.

Según explica Yang Shen, coautor del estudio, el cerebro de la mosca "es uno de los mejor mapeados; es lo bastante simple para estudiarlo entero, pero aún así ejecuta procesamiento complejo". Esa es exactamente la propiedad que busca cualquier founder que despliega IA en el edge o en hardware limitado.

Cómo funciona Spi-Fly por dentro

Spi-Fly traduce el sistema olfativo de la mosca a una red neuronal de tres capas, con 1.000 neuronas artificiales en la capa oculta. Las señales de entrada se proyectan de forma aleatoria y dispersa; solo unas pocas neuronas se activan por olor, y la capa de salida aprende a reconocer ese patrón con una regla de aprendizaje asociativo.

En las pruebas con dos bases de datos olorosas, el algoritmo rindió especialmente bien en dos escenarios:

• Few-shot learning: clasificó olores correctamente tras ver apenas unos pocos ejemplos, donde los algoritmos tradicionales fallan por falta de datos.
• Continual learning: siguió reconociendo aromas aprendidos antes mientras incorporaba nuevos, mientras la línea base entrenada con backpropagation cayó a niveles casi aleatorios cuando se le añadían categorías nuevas.

Limitaciones que los propios autores reconocen

El propio paper y el artículo de Ars Technica señalan que Spi-Fly no supera en rendimiento global a los métodos clásicos de machine learning en todas las situaciones. Tampoco se ha probado todavía con mezclas complejas de olores, algo crítico para entornos reales como una fábrica de alimentos o un aeropuerto. Y, sobre todo, el algoritmo necesita un sensor físico para captar olores: por sí solo, no detecta nada.

Para cerrar esa pieza, OIST colabora ya con grupos de la TU Eindhoven y la Universidad de Kiel en hardware de sensado olfativo donde piensan integrar Spi-Fly, con la vista puesta en una nariz artificial completa, eficiente y de bajo consumo.

El mercado de narices electrónicas: una oportunidad de US$1.840M

El espacio al que apunta Spi-Fly no es un nicho. Según el reporte de MarketsandMarkets, el mercado global de e-noses alcanzará US$1.840 millones en 2032, con un CAGR del 28%, impulsado por control de calidad en alimentos, monitoreo ambiental, detección de explosivos y drogas, y diagnóstico no invasivo.

En 2025, Norteamérica concentró la mayor cuota, pero los sensores MOS (semiconductor de óxido metálico) son la arquitectura predominante a nivel global. Entre los jugadores establecidos están Alpha MOS, Aryballe, NOZE, Owlstone Medical, Sensigent y otros, todos con la misma debilidad de fondo: olvidar olores al aprender otros nuevos. Ahí es donde un algoritmo como Spi-Fly abre una ventana competitiva real para hardware nuevo.

Qué significa esto para tu startup

Aunque Spi-Fly nace en el mundo académico, el tipo de problema que resuelve te toca si trabajas con clasificación en el borde, datos escasos o modelos en producción que deben actualizarse sin romperse. La pregunta no es "¿puedo montar una nariz electrónica?", sino "¿qué parte de mi producto se beneficiaría de un clasificador que aprende con pocos datos y no olvida?".

Dos acciones concretas que puedes tomar esta semana:

• Audita tu pipeline de ML en busca de catastrophic forgetting. Si cada vez que reentrenas un modelo pierdes precisión sobre categorías antiguas, prueba arquitecturas de continual learning (sparse coding, replay buffers, regularización tipo EWC) antes de cambiar el producto. El paper original de Spi-Fly es accesible y reproducible para evaluar el enfoque.
• Explora hardware neuromórfico para clasificación eficiente. Si tu propuesta de valor depende de bajo consumo (IoT, edge, wearables, sensado ambiental), integrar frameworks tipo Spi-Fly con chips neuromórficos puede diferenciarte del enfoque clásico basado en GPU. La referencia del paper (DOI 10.1088/2634-4386/ae9177) cita hardware compatible, una pista concreta para prototipar.

Más a largo plazo, el espacio de olfato digital aún está maduro para entrada: la mayoría de competidores son empresas industriales heredadas con datos propietarios y poca agilidad en software. Una capa de IA ligera y tolerante a pocos datos, como Spi-Fly, puede ser el diferenciador que una startup necesita para entrar en foodtech, agtech, salud o seguridad.

Fuentes

• Just like a fruit fly, a new algorithm never forgets old scents
• Fruit fly brain inspires energy-efficient scent classification algorithm
• Tiny Fruit Fly Brain Inspires a Smarter, More Efficient AI Algorithm
• E-nose Market worth $1.84 billion by 2032 - MarketsandMarkets