Computação neuromórfica: como funcionam os chips inspirados no cérebro?

A computação neuromórfica é uma abordagem para projetar computadores inspirada na maneira como o cérebro processa informações. Em vez de trabalhar continuamente, esses chips imitam alguns princípios de neurônios e sinapses, processando informações conforme os eventos acontecem.

A ideia não é nova: pesquisadores desenvolvem circuitos inspirados no cérebro humano desde os anos 1980. O que mudou foi a escala. Em 2024, a Intel apresentou o Hala Point, um sistema de pesquisa que reúne 1.152 processadores Loihi 2 e simula até 1,15 bilhão de neurônios.

A eficiência, porém, vem acompanhada de desafios que ajudam a explicar por que a arquitetura ainda não virou padrão. Hoje não existe um “computador neuromórfico” à venda para uso cotidiano.

A seguir, entenda o que é computação neuromórfica, como os chips inspirados no cérebro processam informações, onde essa tecnologia já é usada e por que ela ainda não substitui os processadores tradicionais.

O que é computação neuromórfica?

A computação neuromórfica é uma abordagem de computação que leva princípios do funcionamento do cérebro para o projeto de hardware. Em vez de imitar neurônios e sinapses apenas por software, o hardware incorpora alguns desses princípios diretamente aos circuitos.

O nome ajuda a entender a proposta. Ele combina os radicais gregos neuro, de “sistema nervoso”, com morphé, de “forma”. O termo foi cunhado nos anos 1980 pelo engenheiro americano Carver Mead, do Caltech, que estudava como circuitos eletrônicos poderiam reproduzir propriedades encontradas em sistemas neurais.

O cérebro humano continua sendo a grande inspiração — e também um desafio. Ele reúne cerca de 86 bilhões de neurônios que trabalham juntos consumindo aproximadamente 20 watts, uma eficiência energética nenhuma máquina conseguiu reproduzir até hoje.

Como funcionam os chips neuromórficos?

Nos chips neuromórficos, os neurônios artificiais acumulam sinais e disparam quando essa soma ultrapassa um limiar, enviando impulsos aos neurônios seguintes da rede.

O modelo veio da biologia. Um neurônio real também soma os estímulos que recebe e só dispara ao atingir o limiar. Abaixo disso, permanece em silêncio — e silêncio, no chip, significa energia não gasta.

A arquitetura muda também em outro ponto: na relação entre memória e processamento. Nos computadores tradicionais, os dados circulam entre esses dois blocos. Já os chips neuromórficos aproximam ou integram as duas funções, reduzindo a movimentação de dados e, em determinadas situações, o consumo de energia.

Alguns projetos vão além e trocam o próprio material do circuito. Os memristores — nome que combina ‘memória’ e ‘resistor’ — mudam de resistência conforme a corrente que já passou por eles, e guardam esse estado mesmo desligados.

A diferença está em onde a informação mora. Em uma memória comum, o dado fica em um endereço, separado do circuito que calcula. No memristor, o dado é o próprio estado da peça. A sinapse segue o mesmo princípio: a força de uma conexão é a conexão. E quando ela muda com o uso, chamamos isso de aprendizado.

O que são redes neurais de impulsos?

As redes neurais de impulsos são os modelos computacionais usados por grande parte dos chips neuromórficos. Nelas, a informação não flui continuamente: é transmitida em pulsos, os spikes, que acontecem conforme os neurônios recebem e acumulam sinais.

O detalhe curioso é que o intervalo entre os disparos também carrega informação: rajadas sinalizam estímulo intenso, disparos espaçados indicam estímulo fraco, e a ordem entre eles diz o que veio primeiro.

Redes convencionais descartam essa dimensão — processam quadros inteiros no ritmo do relógio do processador, não no ritmo do que está acontecendo.

Aqui vale um esclarecimento: as redes de impulsos também são inteligência artificial. Elas formam o que os pesquisadores chamam de terceira geração de redes neurais, mais fiel à biologia por levar o tempo em conta.

Mas essa fidelidade cobra seu preço, pois treiná-las é mais difícil do que treinar os modelos tradicionais.

Como o silêncio é o estado padrão, o consumo só sobe quando algo muda no ambiente — daí a vantagem em sensores, drones e robótica.

Qual é a diferença entre chips neuromórficos e tradicionais?

A diferença entre chips neuromórficos e tradicionais começa por algo que quase ninguém percebe: dentro de um computador, gasta-se mais energia buscando os dados do que fazendo as contas com eles.

Engenheiros chamam isso de gargalo de von Neumann, em referência ao matemático que ajudou a definir a arquitetura dos computadores nos anos 1940. O desenho funcionou por oito décadas — e é justamente ele que os chips neuromórficos eliminam.

O NorthPole, da IBM, mostrou o tamanho do ganho. Sem memória externa, ele processou imagens 25 vezes mais rápido por watt que uma GPU de tecnologia equivalente, com resposta 22 vezes mais ágil, em resultados publicados na revista Science.

Esse número impressiona, mas pede contexto. O NorthPole só faz a parte final do trabalho: usar um modelo já treinado. O aprendizado em si, que é a etapa mais custosa, continua acontecendo em GPUs. E sua memória interna nem chega perto do necessário para rodar um modelo como o ChatGPT.

Em resumo, processadores tradicionais são generalistas: encaram qualquer tarefa, ao custo de mover dados o tempo todo. Chips neuromórficos, por sua vez, são especialistas em economia, e só brilham quando a informação chega aos poucos, em vez de tudo de uma vez.

Para que servem os chips neuromórficos?

A vocação dos chips neuromórficos aparece nos aparelhos que precisam pensar sozinhos. Sem enviar dados para a nuvem, sem tomada por perto e sem tempo a perder — como um sensor que vigia uma plantação, um drone desviando de um obstáculo ou um relógio que monitora batimentos cardíacos o dia inteiro.

O caso mais conhecido está em um carro. A Mercedes-Benz equipou o Vision EQXX, seu protótipo de eficiência elétrica, com um processador da BrainChip para reconhecer o comando “Hey Mercedes” — tarefa que, assim, consome de cinco a dez vezes menos energia.

Parece pouco, mas o detalhe revela sua lógica. Reconhecer uma palavra exige escuta permanente, e escutar o tempo todo com um chip comum custa bateria demais. Com disparo por eventos, o circuito só desperta quando alguém fala.

Além dos automóveis, as frentes em desenvolvimento incluem:

• Câmeras de eventos, que registram apenas o que muda na cena;
• Robôs e drones com reflexos rápidos e consumo baixo;
• Wearables de monitoramento contínuo de saúde;
• Agricultura e cidades inteligentes, com sensores sempre ativos.

Quais são as vantagens e as limitações dessa tecnologia?

A vantagem dos chips neuromórficos é energética e está bem documentada. O problema é que ela costuma ser apresentada como se valesse para qualquer tarefa de IA — e não vale.

Vantagens:

• Consumo baixíssimo em aparelhos que ficam ligados o tempo todo;
• Resposta imediata, sem depender de conexão com a internet;
• Dados que não saem do dispositivo, o que favorece a privacidade;
• Em alguns modelos, capacidade de fazer pequenos ajustes sem voltar ao treinamento completo.

Limitações:

• Programação ainda difícil, com poucas ferramentas prontas;
• Desempenho fraco justamente nos modelos que dominam a IA hoje;
• Chips restritos a parcerias de pesquisa, com quase nada à venda;
• Números de eficiência medidos, quase sempre, pelos próprios fabricantes.

Esse último ponto merece atenção. Quem conduz o teste escolhe a tarefa, o concorrente e a forma de medir — três decisões que mudam bastante o resultado final.

A computação neuromórfica pode substituir os chips atuais?

Substituir não é a palavra certa. Os chips neuromórficos não foram pensados para ocupar o lugar dos processadores atuais, mas para executar determinadas tarefas de maneira mais eficiente. A tendência é que cada arquitetura faça aquilo que sabe fazer melhor.

O maior obstáculo não está no hardware, mas em todo o ecossistema construído em torno das GPUs nas últimas duas décadas. Programas, ferramentas e métodos de treinamento foram desenvolvidos para esse tipo de processador e não funcionam em chips neuromórficos. Adaptar esse conjunto exige muito tempo e trabalho.

Ou seja, a computação neuromórfica ainda precisa superar algumas barreiras para ganhar escala. Entre elas estão ferramentas de programação mais acessíveis e uma aproximação maior entre universidades e empresas, que podem ajudar a transformar protótipos em produtos.

O mercado, por enquanto, é pequeno. A consultoria MarketsandMarkets projeta um salto de US$ 28,5 milhões em 2024 para US$ 1,32 bilhão em 2030 — muito longe da indústria de chips, mas o suficiente para mostrar onde o setor aposta.

Com poucos produtos à venda para medir, as projeções variam bastante entre as consultorias. O cenário mais provável é uma convivência: as GPUs continuam adequadas para tarefas pesadas, enquanto chips neuromórficos assumem funções específicas em que o baixo consumo e a resposta rápida façam diferença.

A computação neuromórfica vive hoje uma tensão curiosa: entrega resultados extraordinários em laboratório e quase nada nas prateleiras. A eficiência é comprovada, mas em tarefas discretas, distantes do mercado bilionário da IA generativa: apenas escutar, vigiar e esperar.

Talvez seja essa, afinal, a mudança de perspectiva que a área propõe. Depois de anos perseguindo máquinas que pensam mais rápido, a pergunta virou outra: quanto tempo um aparelho consegue ficar atento sem gastar quase nada?

E você, apostaria em um aparelho que só acorda quando algo acontece? Comente e compartilhe esta matéria nas suas redes sociais. Para acompanhar o que vem por aí em chips e inteligência artificial, fique ligado no TecMundo.