Seu cérebro reconhece letras, interpreta frases e mantém uma linha de pensamento usando cerca de 20 watts — o consumo aproximado de uma lâmpada. Sistemas atuais de inteligência artificial, para reproduzir uma fração dessas tarefas, dependem de enormes estruturas de processamento e gastam muito mais energia. A computação neuromórfica tenta diminuir essa distância mudando a arquitetura das máquinas, não apenas apertando alguns parafusos de eficiência.
Como a computação neuromórfica imita o cérebro?
A computação neuromórfica reduz o desperdício ao aproximar memória e processamento, usar dados esparsos e calcular apenas quando ocorre um evento. No cérebro, os cerca de 86 bilhões de neurônios trocam sinais por meio de sinapses; quando a combinação de estímulos supera determinado limiar, o neurônio dispara um pulso elétrico, o chamado spike. Energia é gasta onde há atividade. O resto fica quieto. Parece óbvio depois que alguém explica.
Em chips convencionais, memória e processador ficam fisicamente separados. Cada cálculo exige transportar dados entre os dois, movimento que consome tempo e energia. Esse problema é conhecido como gargalo de von Neumann, termo usado pelo cientista da computação John Backus em 1978. Chips neuromórficos tentam contorná-lo mantendo os dados perto do processamento e trabalhando com representações nas quais a maior parte dos valores é zero. É a computação orientada a eventos: nada acontece até que algo aconteça.
Onde os sensores neuromórficos já são úteis?
Sensores neuromórficos já são usados em câmeras orientadas a eventos, inspiradas na retina humana. Seus pixels respondem individualmente apenas quando detectam uma mudança na cena, em vez de capturar quadros completos dezenas de vezes por segundo. O resultado combina baixo consumo, pouca latência e menor desfoque em movimentos rápidos, funcionando também sob sol intenso ou quase no escuro.
Essa característica pode ser decisiva em veículos autônomos, nos quais perceber um pedestre a tempo não é detalhe de laboratório. No espaço, onde energia é escassa e a iluminação muda brutalmente, câmeras desse tipo já foram empregadas para rastrear objetos e detritos. A australiana BrainChip comercializa processadores neuromórficos para câmeras e sensores de baixo consumo. Eles não devem substituir GPUs de uma hora para outra. GPUs são excelentes na matemática repetitiva e densa do aprendizado profundo; a computação neuromórfica tende a produzir chips especializados, cada qual com sua tarefa.
O que muda para a privacidade e os data centers?
A computação neuromórfica pode proteger melhor informações sensíveis porque processa os dados no próprio dispositivo. Imagens de câmeras inteligentes, sinais de wearables e medições médicas poderiam ser analisados localmente, sem viajar o tempo todo para a nuvem. Menos transmissão significa menos pontos de exposição para privacidade e segurança. E um aparelho que trabalha offline não precisa esperar a resposta de um servidor distante — vantagem nada pequena para drones, robôs e veículos em áreas sem sinal confiável.
Isso não torna os data centers obsoletos. Apenas pode retirar deles uma parte do serviço. Em tarefas orientadas a eventos, a IBM demonstrou no chip TrueNorth economias de energia de até 10 mil vezes em comparação com arquiteturas digitais convencionais. A promessa, porém, não se transforma sozinha em infraestrutura cotidiana. São necessários padrões comuns, instalações abertas para testar chips e profissionais capazes de circular entre neurociência, eletrônica e computação.
O mercado de tecnologia neuromórfica é projetado para quase quadruplicar e chegar a US$ 20 bilhões, ou £ 14,8 bilhões, até 2030. No Reino Unido, iniciativas como o NeuroWare trabalham em um roteiro para 2050, enquanto o SpiNNaker, da Universidade de Manchester, simula redes cerebrais em escala de supercomputador. O desafio agora é levar essa lógica dos centros de pesquisa para bilhões de aparelhos comuns. Seu cérebro resolveu a questão há milhões de anos. Nós ainda estamos tentando descobrir como copiar o truque sem gastar uma usina no caminho.
