Chips neuromórficos são circuitos inspirados em neurônios e sinapses, criados para processar informações conforme os eventos acontecem. Eles não trabalham o tempo todo, nem dependem necessariamente de buscar dados em uma memória distante para fazer cada conta. Essa arquitetura pode consumir muito menos energia em sensores, drones, robôs e dispositivos vestíveis. Mas há um detalhe importante: ainda não existe um “computador neuromórfico” à venda para uso cotidiano. A tecnologia entrega resultados expressivos em tarefas específicas, enquanto continua enfrentando problemas de programação, treinamento e escala.
O que é computação neuromórfica?
A computação neuromórfica é uma abordagem que incorpora princípios do cérebro diretamente ao projeto do hardware, em vez de apenas simulá-los por software. O nome combina os radicais gregos neuro, relacionado ao sistema nervoso, e morphé, “forma”. O termo foi cunhado nos anos 1980 pelo engenheiro americano Carver Mead, do Caltech, que estudava como circuitos eletrônicos poderiam reproduzir propriedades de sistemas neurais.
A referência biológica é ambiciosa. O cérebro humano reúne cerca de 86 bilhões de neurônios e funciona consumindo aproximadamente 20 watts. Nenhuma máquina conseguiu reproduzir essa combinação de escala e eficiência energética. A computação neuromórfica não pretende construir um cérebro artificial completo, tampouco transformar um notebook em uma cabeça de silício. Ela seleciona alguns mecanismos úteis, como processamento distribuído, comunicação por pulsos e memória próxima do cálculo.
A ideia circula em laboratórios desde os anos 1980, mas ganhou escala recente. 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. O número impressiona. Ainda assim, uma bancada de pesquisa não equivale a um produto pronto, com preço, suporte e aplicativo para instalar.
Como funcionam os chips neuromórficos?
Os chips neuromórficos acumulam sinais e disparam impulsos quando essa soma ultrapassa um limiar; depois, enviam o sinal aos neurônios seguintes da rede. O comportamento imita, de modo simplificado, o de um neurônio biológico. Se os estímulos não atingem o limiar, nada acontece. O circuito permanece em silêncio — e silêncio, nesse caso, significa energia não gasta.
Essa é uma diferença decisiva em relação ao processamento convencional, que costuma executar operações seguindo o ritmo de um relógio interno, mesmo quando pouca coisa mudou. Nos chips neuromórficos, a atividade pode ser orientada por eventos. Um sensor não precisa tratar cada instante como se fosse uma fotografia nova; ele pode reagir apenas quando identifica alteração na cena.
A arquitetura também aproxima memória e processamento. Em computadores tradicionais, os dados circulam entre a memória e o bloco responsável pelos cálculos. Esse deslocamento consome tempo e energia. Em uma arquitetura neuromórfica, as duas funções podem ficar integradas ou muito próximas, reduzindo a movimentação de dados em determinadas situações. É uma tentativa de contornar o chamado gargalo de von Neumann, associado ao desenho dominante dos computadores desde os anos 1940.
Alguns projetos usam memristores, componentes cujo nome combina “memória” e “resistor”. Eles alteram a resistência conforme a corrente que já passou pelo dispositivo e preservam esse estado mesmo quando desligados. A informação, então, não fica apenas em um endereço separado do circuito que calcula: ela pode estar no próprio estado físico do componente. A sinapse segue lógica parecida, pois a força de uma conexão participa do processamento e pode mudar com o uso.
O que são redes neurais de impulsos?
Redes neurais de impulsos são modelos computacionais que transmitem informação em pulsos, conhecidos como spikes, conforme os neurônios recebem e acumulam sinais. Elas formam a chamada terceira geração de redes neurais porque levam o tempo em consideração, e não apenas o valor de uma entrada. A resposta é afirmativa: o intervalo entre os disparos também pode carregar informação.
Uma sequência de disparos próximos pode indicar um estímulo intenso. Pulsos espaçados podem representar uma atividade mais fraca. A ordem dos eventos registra o que aconteceu primeiro. Parece um detalhe, mas é justamente aí que a arquitetura encontra sua vocação: perceber mudanças no mundo físico sem transformar tudo em um fluxo contínuo de dados.
Redes neurais convencionais costumam processar quadros inteiros em intervalos definidos pelo relógio do processador. Uma câmera tradicional, por exemplo, captura imagens completas mesmo quando nada relevante se moveu. Câmeras de eventos fazem outra aposta: registram apenas as alterações na cena. Menos dados trafegando significa menos trabalho, menor latência e, em certos casos, consumo muito menor.
O ganho energético tem um preço. Treinar redes de impulsos é mais difícil do que treinar modelos tradicionais, e as ferramentas disponíveis ainda são menos maduras. A rede precisa aprender a lidar com o tempo, com o limiar dos disparos e com a ausência de atividade. Não é um defeito acidental; é a conta cobrada pela tentativa de abandonar o processamento em bloco.
Qual é a diferença entre chips neuromórficos e tradicionais?
Chips neuromórficos diferem dos tradicionais porque reduzem a distância entre memória e processamento e trabalham de forma orientada por eventos. Em muitos computadores, gasta-se mais energia buscando e movimentando os dados do que fazendo as contas com eles. A arquitetura neuromórfica tenta eliminar parte desse vaivém, enquanto os processadores convencionais continuam sendo generalistas e mais flexíveis.
O NorthPole, da IBM, ilustra o potencial. Segundo resultados publicados na revista Science, o sistema processou imagens 25 vezes mais rápido por watt do que uma GPU de tecnologia equivalente e apresentou resposta 22 vezes mais ágil. São números importantes, mas não devem ser tratados como uma vitória universal. O NorthPole executa a etapa final de um modelo já treinado; o aprendizado propriamente dito continua acontecendo em GPUs.
A memória interna do NorthPole também não chega perto do necessário para rodar um modelo como o ChatGPT. Esse ponto costuma desaparecer quando a eficiência é apresentada em uma tabela reluzente. Quem conduz o teste escolhe a tarefa, o concorrente e a forma de medir. As três decisões mudam o resultado final — não, o contrário: elas ajudam a definir o resultado antes mesmo do cronômetro começar.
Processadores tradicionais, portanto, não são simplesmente “piores”. Eles fazem muitas coisas, contam com décadas de ferramentas e sustentam boa parte do software atual. Chips neuromórficos brilham quando a informação chega aos poucos, em pequenos sinais, e quando permanecer ligado por muito tempo importa mais do que executar um modelo gigantesco.
Para que servem os chips neuromórficos?
Chips neuromórficos servem principalmente para aparelhos que precisam permanecer atentos, responder depressa e gastar pouca energia. Essa combinação favorece sensores locais, drones, robôs, automóveis, relógios e outros dispositivos que não podem depender o tempo todo da nuvem ou de uma tomada.
Um exemplo está no Vision EQXX, protótipo de eficiência elétrica da Mercedes-Benz. O veículo usa um processador da BrainChip para reconhecer o comando de voz “Hey Mercedes”. Segundo a empresa, a tarefa consome de cinco a dez vezes menos energia com esse componente. Parece uma aplicação modesta, mas reconhecer uma palavra exige escuta permanente. Um circuito convencional ficaria trabalhando o tempo todo; o neuromórfico pode despertar quando algo acontece.
As câmeras de eventos também se encaixam bem nessa lógica. Elas registram alterações, em vez de capturar continuamente quadros completos. Robôs e drones podem usar o mesmo princípio para detectar obstáculos e reagir com baixa latência. Wearables podem monitorar batimentos cardíacos durante o dia sem enviar cada leitura para um servidor. Na agricultura e nas cidades inteligentes, sensores permanecem instalados por longos períodos, muitas vezes em locais difíceis de acessar.
Há uma imagem útil aqui: o chip neuromórfico não é um funcionário acelerado digitando sem parar. É o vigia que fica quieto até ouvir um ruído na janela. Quando nada muda, quase nada acontece. Quando a alteração chega, a resposta vem sem precisar acordar uma infraestrutura inteira.
Quais são as vantagens e limitações da tecnologia?
As principais vantagens dos chips neuromórficos são baixo consumo, resposta rápida e processamento local, mas elas aparecem sobretudo em tarefas específicas. Um dispositivo pode ficar ligado continuamente, reagir sem internet e manter os dados dentro do próprio aparelho. Alguns modelos também conseguem fazer pequenos ajustes sem retornar a um treinamento completo.
Isso interessa diretamente à privacidade. Se o sensor identifica uma palavra, um movimento ou uma alteração de temperatura no próprio dispositivo, menos dados precisam viajar até a nuvem. Não significa que a privacidade esteja garantida por decreto; significa apenas que existe menos informação circulando por padrão. Arquitetura não é política de proteção de dados, embora possa ajudá-la.
As limitações são consideráveis. A programação ainda é difícil, há poucas ferramentas prontas e o desempenho cai justamente nos modelos que dominam a inteligência artificial atual. Os chips disponíveis estão concentrados em parcerias e projetos de pesquisa, com quase nada nas prateleiras. Também há uma questão de comparação: muitos números de eficiência são medidos pelos próprios fabricantes, em tarefas escolhidas por eles.
O treinamento é outro obstáculo. Redes de impulsos levam o tempo em conta e não se comportam como redes convencionais, que contam com métodos amplamente testados. Adaptar modelos, bibliotecas e fluxos de desenvolvimento exige trabalho. O hardware pode ser elegante; o ecossistema ao redor ainda parece uma oficina com ferramentas espalhadas.
A computação neuromórfica pode substituir os chips atuais?
A computação neuromórfica não deve substituir os chips atuais; a tendência mais provável é a convivência entre arquiteturas especializadas. GPUs continuam adequadas para treinamento e tarefas pesadas, enquanto chips neuromórficos podem assumir funções de baixo consumo, resposta rápida e processamento contínuo.
O maior obstáculo está no ecossistema construído em torno das GPUs nas últimas duas décadas. Programas, bibliotecas e métodos de treinamento foram desenhados para esse tipo de processador. Eles não migram automaticamente para uma arquitetura neuromórfica. Universidades e empresas ainda precisam aproximar pesquisa e produto, transformar protótipos em sistemas confiáveis e criar ferramentas acessíveis para quem não trabalha dentro de um laboratório.
O mercado segue pequeno, embora as projeções apontem crescimento. A consultoria MarketsandMarkets estima que ele passe de US$ 28,5 milhões em 2024 para US$ 1,32 bilhão em 2030. É uma expansão expressiva, mas continua distante da indústria geral de chips. E projeção, como qualquer promessa de mercado, depende de premissas que podem envelhecer antes do gráfico.
A computação neuromórfica vive uma tensão curiosa: apresenta resultados extraordinários em laboratório e quase nada nas prateleiras. Sua eficiência é mais convincente quando a máquina precisa escutar, vigiar e esperar, não quando tenta absorver a escala de um modelo generativo. Talvez a pergunta mais interessante não seja quando teremos um cérebro eletrônico, mas quanto tempo um aparelho consegue ficar atento sem gastar quase nada.
