Chips inspirados no cérebro estão levando a AI para além do data center, permitindo a tomada de decisões em tempo real em dispositivos. Mas cumprir sua promessa requer repensar a infraestrutura do silício para cima.
Imagine um drone tecendo através de um armazém com reflexos semelhantes a insetos ou um membro protético ajustando-se ao usuário em tempo real. Esses não são conceitos de futuro distante. Eles são pontos de prova iniciais para a computação neuromórfica, uma nova classe de hardware de inteligência artificial (IA) projetada para imitar o cérebro humano.
Chips neuromórficos processam dados usando redes neurais fortificadas (SNNs) que ativam apenas para entrada significativa, semelhante aos neurônios biológicos. Ao contrário das unidades de processamento central (CPUs) e unidades de processamento gráfico (GPUs) que separam unidades de memória e processamento, a computação neuromórfica integra esses componentes para um processamento de dados paralelos eficiente (consulte a Figura 1).
O resultado é um consumo de energia drasticamente menor, tempos de resposta mais rápidos e designs compactos adequados para ambientes restritos na borda. Isso importa mais do que nunca, com a projeção de que os gastos globais com infraestrutura de borda atinjam US$ 261 bilhões em 2025, chegando a US$ 380 bilhões em 2028.
Figura 1. O chip neuromórfico único BrainScaleS-2 é um dos sistemas usados para aplicações de computação neuromórfica. Fonte: Aberto Neuromórfico.
Como a computação neuromórfica funciona
Chips neuromórficos integram memória e computação no local exato. Esse design evita o gargalo de von Neumann, que ocorre quando os dados se movem constantemente entre unidades separadas de processamento e memória. Em vez de continuarem invertendo os dados, esses chips operam de forma assíncrona e acionam a computação somente quando a entrada do sensor muda. Este modelo orientado por eventos pode minimizar o processamento desnecessário e reduzir o consumo de energia em até 100 vezes em comparação com os sistemas convencionais.
Loihi da Intel, por exemplo, simula mais de um milhão de neurônios usando apenas 70 miliwatts. As GPUs tradicionais que executam cargas de trabalho semelhantes podem consumir vários watts ou até mesmo quilowatts, o que limita seu uso em ambientes remotos ou móveis.
Vantagens da computação neuromórfica
A computação neuromórfica não se trata de ganhos marginais. Representa uma mudança estrutural na forma como a IA é executada na borda.
Consumo de energia ultrabaixo
Ao imitar como os neurônios disparam apenas quando necessário, os chips neuromórficos reduzem o uso de energia ociosa em até 100 vezes.
Baixa latência
As redes spiking suportam tempos de resposta abaixo de 100 milissegundos, essenciais para robótica, diagnóstico em tempo real e sistemas de controle de malha fechada.
Processamento paralelo
A execução assíncrona permite que esses sistemas processem várias entradas de sensores simultaneamente sem criar um gargalo.
Tolerância a ruído
Os chips neuromórficos são adequados para ambientes caóticos e podem processar dados incompletos ou não estruturados de forma mais eficaz do que os modelos convencionais de IA.
Design compacto
As necessidades reduzidas de energia e térmica permitem a implantação em dispositivos incorporados, eliminando a necessidade de grandes sistemas de resfriamento ou descarregamento para a nuvem.
Juntos, esses recursos sugerem que sistemas neuromórficos podem suportar IA eficiente e autônoma fora do data center.
Casos de uso de computação neuromórfica
Setor de Saúde
Chips neuromórficos estão sendo explorados para análise de ECG de baixa potência e próteses adaptativas que respondem ao movimento em tempo real (consulte a Figura 3). Plataformas como SpiNNaker e BrainScaleS demonstraram a viabilidade do processamento semelhante ao cérebro em contextos médicos. Chips mais recentes, como o Loihi da Intel, têm se mostrado promissores em interfaces cérebro-máquina, decodificando sinais neurais para controlar membros robóticos, abrindo caminho para a restauração da mobilidade (consulte a Figura 2).
Pesquisas sobre simulações moleculares e dobramento de proteínas usando SNNs podem ajudar a reduzir o custo de energia, potencialmente melhorando a eficiência e a acessibilidade do desenvolvimento de medicamentos e tratamentos médicos.
Figura 2. Imagem A (esquerda): Protótipo de braço robótico montado em cadeira de rodas controlado por neuromórfico, demonstrado pelo autor da pesquisa, Yuval Zaidel. Imagem B (direita): Arquitetura de controle: Dados do acelerômetro de processamento de rede neural para adaptação da posição em tempo real. Fonte: Frontiers | Controle adaptativo de um braço robótico montado em cadeira de rodas com leituras de velocidade neuromorficamente integradas e aprendizado on-line.
Modelagem climática e física
No CERN, sensores baseados em eventos inspirados em princípios neuromórficos têm sido usados para rastrear partículas em ambientes ruidosos e de alto rendimento. A Sandia National Laboratories está usando chips semelhantes para reduzir a energia necessária para simulações climáticas, um campo tradicionalmente dominado por supercomputadores.
Robótica e IoT
O Processo Neural de Agarramento do Massachusetts Institute of Technology (MIT) demonstrou um braço robótico alimentado por SNN treinado em 1.000 geometrias e 5.000 objetos, permitindo coletas confiáveis em ambientes dinâmicos como armazéns.
Os pesquisadores usaram os sensores de visão dinâmica (DVS), câmeras inspiradas na retina, para capturar mudanças na luz. Esses sensores permitem que drones naveguem por espaços lotados com agilidade semelhante a insetos e latência ultrabaixa
Empresas como a Prophesee comercializaram sistemas de visão baseados em eventos para vigilância inteligente, reduzindo as necessidades de largura de banda e energia. Seus sensores podem alcançar mais de 10.000 quadros por segundo enquanto consomem menos energia.
Figura 3. O desenvolvimento de uma neuroprótese somatossensorial depende de três pilares principais: (1) Usar modelos de computador para imitar como o sistema nervoso responde ao toque (segmento azul); (2) Testar animais para validar estratégias de neuroestimulação (segmento laranja); DRG – gânglio da raiz dorsal. (3) Realização de estudos clínicos com humanos para avaliar a eficácia da tecnologia em cenários da vida real (segmento verde). Fonte: Comunicações da natureza.
Finanças e cibersegurança
A IBM explorou o uso de SNNs para detecção de fraudes. Eles treinaram modelos que identificam padrões em transações financeiras com alta precisão. Esses sistemas podem se adaptar a ameaças emergentes com o mínimo de dados.
O que a infraestrutura precisa
O suporte a sistemas neuromórficos requer mais do que atualizações incrementais na borda. Ela exige uma infraestrutura específica (consulte a Figura 4) que se adapte à demanda, adapte às cargas de trabalho em constante mudança e se adapte a ambientes com limitações de espaço ou energia.
Por exemplo, o resfriamento líquido direto ao chip pode gerenciar o calor esporádico de forma mais eficaz do que o ar sozinho. A abordagem Vertiv. Coolchip, que combina resfriamento líquido e a ar, ajuda a manter o desempenho estável e reduz o uso geral de energia. Da mesma forma, os sistemas de fornecimento de energia devem responder rapidamente a mudanças de corrente acentuadas sem sobreconstrução, o que aumenta o custo e a pegada física. Interconexões de alta velocidade também são necessárias para suportar o processamento rápido e localizado de dados.
No lado das operações, as cargas de trabalho neuromórficas exigem uma mentalidade diferente. SNNs e arquiteturas assíncronas são fundamentalmente diferentes dos modelos usados na maioria dos pipelines de treinamento de IA. As equipes devem entender como trabalhar com sistemas orientados por eventos e como mantê-los. Os engenheiros devem projetar cargas imprevisíveis e comportamento dinâmico.
Figura 4.Por exemplo, as soluções modulares, como as soluções de infraestrutura da Vertiv e o Vertiv CoolChip, que combinam resfriamento líquido direto ao chip com estratégias adaptáveis no lado do ar, já foram projetadas para lidar com cargas de trabalho de alto desempenho na borda, como a computação neuromórfica.
Preparando-se para o que vem a seguir
A computação neuromórfica não é um conceito. Ela já está remodelando a forma como a inteligência de borda funciona. Da robótica e saúde à modelagem climática e segurança cibernética, os aplicativos estão aqui. O que está atrasado é a infraestrutura.
Se você planeja implantar IA na borda, precisará de sistemas projetados para suportar essas novas cargas de trabalho. Isso significa avaliar a densidade do rack, estratégias térmicas e capacidade de resposta da energia. Isso também significa investir em pessoas que entendem esse novo paradigma de IA: neurociência parcial, engenharia parcial, design de sistemas de peças.
A evolução da AI no edge depende de como a infraestrutura atual atende às demandas emergentes.
Visite o Vertiv. AI Hub para explorar soluções de infraestrutura criadas para desempenho neuromórfico, na borda, em tempo real e com eficiência que se expande.
