Chips inspirados no cérebro estão levando a IA além do data center, possibilitando a tomada de decisões em tempo real em dispositivos. Mas cumprir sua promessa exige repensar a infraestrutura desde o chip.
Imagine um drone movendo-se em um armazém com reflexos semelhantes aos dos insetos ou um membro protético ajustando-se ao usuário em tempo real. Esses não são conceitos de um futuro distante. Eles são pontos de comprovação iniciais para a computação neuromórfica, uma nova classe de hardware de inteligência artificial (IA) projetado para imitar o cérebro humano.
Chips neuromórficos processam dados usando redes neurais de spiking (SNNs) que são ativadas apenas para inputs relevantes, semelhante aos neurônios biológicos. Ao contrário das unidades de processamento central (CPUs) e das unidades de processamento gráfico (GPUs) que separam unidades de memória e de processamento, a computação neuromórfica integra esses componentes para um eficiente processamento paralelo de dados (ver 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 edge computing 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: Open Neuromorphic.
Como funciona a computação neuromórfica
Chips neuromórficos integram memória e computação na localização exata. Esse design evita o gargalo de von Neumann, que ocorre quando os dados se movem constantemente entre unidades separadas de processamento e de memória. Em vez de continuamente rodopiar pelos dados, esses chips operam de forma assíncrona e acionam a computação somente quando o input 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.
O 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 dispositivos móveis.
Vantagens da computação neuromórfica
A computação neuromórfica não se trata de ganhos marginais. Ela representa uma mudança estrutural na forma como a IA é executada na borda.
Consumo de energia ultrabaixo
Ao imitar como os neurônios entram em funcionamento apenas quando necessário, os chips neuromórficos reduzem o uso de energia em estado ocioso em até 100 vezes.
Baixa latência
As redes de 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 vários inputs do sensor 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 de gerenciamento térmico permitem a implementação em dispositivos integrados, eliminando a necessidade de grandes sistemas de resfriamento ou descarregamento para a nuvem.
Juntas, essas características sugerem que sistemas neuromórficos podem dar suporte à 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 (ver Figura 3). Plataformas como a SpiNNaker e a BrainScaleS demonstraram a viabilidade do processamento semelhante ao do cérebro em contextos médicos. Chips mais novos, 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 (ver Figura 2).
Pesquisas sobre simulações moleculares e dobramento, ou enovelamento, de proteínas usando SNNs podem ajudar a reduzir os custos com energia, potencialmente melhorando a eficiência e a acessibilidade financeira 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 da 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 alta capacidade de produção. 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 Preensão do Massachusetts Institute of Technology (MIT) demonstrou um braço robótico movido por SNN treinado em 1.000 geometrias e 5.000 objetos, permitindo separações 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 dos insetos e com 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 computação para imitar como o sistema nervoso responde ao toque (segmento azul); (2) Testar em animais para validar estratégias de neuroestimulação (segmento laranja); GRD – 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: Nature Communications.
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. Ele requer uma infraestrutura específica (ver Figura 4) que escale junto com a demanda, se adapte às cargas de trabalho em constante mudança e se encaixe em ambientes com limitações de espaço ou de 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 da Vertiv™ Coolchip, que combina resfriamento líquido e a ar, ajuda a manter a performance estável enquanto reduz o uso total de energia. Da mesma forma, os sistemas de fornecimento de energia devem responder rapidamente a mudanças expressivas da corrente sem haver construção excessiva, o que aumentaria os custos e o espaço físico ocupado. Interconexões de alta velocidade também são necessárias para dar suporte ao processamento de dados rápido e localizado.
No lado das operações, as cargas de trabalho neuromórficas exigem uma mentalidade diferente. Os SNNs e as arquiteturas assíncronas são fundamentalmente diferentes dos modelos usados na maioria dos canais de treinamento de IA. As equipes devem entender como trabalhar com sistemas orientados por eventos e como fazer sua manutenção. Os engenheiros devem fazer os designs considerando cargas imprevisíveis e um comportamento dinâmico.
Figura 4.Por exemplo, as soluções modulares, como as Soluções de Infraestrutura Vertiv™ com a 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 alta performance 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 do edge computing funciona. Da robótica e saúde à modelagem climática e cibersegurança, as aplicações estão aqui. O que está defasada é a infraestrutura.
Se você planeja implementar IA na borda, precisará de sistemas projetados para dar suporte a essas novas cargas de trabalho. Isso significa avaliar a densidade dos racks, as estratégias de gerenciamento térmico e a capacidade de resposta da alimentação de energia. Também significa investir em pessoas que compreendam esse novo paradigma da IA: parte neurociência, parte engenharia e parte design de sistemas.
A evolução da IA no edge depende de como a infraestrutura atual atende às demandas emergentes.
Visite o Hub de IA da Vertiv™ para explorar soluções de infraestrutura criadas para performance neuromórfica — na borda, em tempo real e com eficiência escalável.
