Cada vez que alguém faz uma pergunta a um large language model, aceita uma sugestão de conexão numa plataforma social ou segue um desvio de rota indicado por um aplicativo de navegação, energia está sendo consumida numa escala que a maioria das pessoas jamais considera. O hardware que executa essas interações fica em imensos data centers, consumindo energia ininterruptamente. Para entender por que isso acontece — e por que uma descoberta aparentemente menor de laboratório pode mudar esse cenário — é preciso voltar ao básico: como o hardware de IA realmente funciona e o quanto ele ainda está distante do órgão que tenta imitar.
O Problema Energético Escondido em Cada Interação com IA
Os processadores que alimentam a IA moderna são GPUs, e cada uma pode consumir até 1.000 watts. Esse número coloca uma única GPU no mesmo patamar de um aspirador de pó, uma lava-louças ou um fogão. A diferença é que as GPUs de data center não desligam. Elas funcionam continuamente, processando trilhões de operações por segundo, e os data centers contêm milhares delas operando em paralelo.
Para efeito de comparação, um smartphone moderno consome menos de 1 watt.
Isso não é simplesmente uma questão de escala. Reflete uma incompatibilidade arquitetural mais profunda. As GPUs são construídas para executar softwares que simulam redes neurais artificiais, e essa simulação exige mover enormes quantidades de dados por bilhões de transistores. O processo é inerentemente ineficiente porque o hardware nunca foi projetado para pensar como um cérebro pensa. Foi projetado para executar lógica binária rapidamente, e a simulação de redes neurais é sobreposta a isso.
O cérebro humano, por sua vez, é aproximadamente um milhão de vezes mais eficiente em termos energéticos do que o hardware de IA atual em tarefas comparáveis. Essa diferença não é uma pequena deficiência de engenharia. É um sinal de que toda a abordagem computacional pode precisar ser repensada.
O Que o Cérebro Faz Que os Transistores Não Conseguem
Os neurônios biológicos operam por meio de um mecanismo específico. Quando a tensão no corpo celular de um neurônio sobe o suficiente para cruzar um limiar, ela desencadeia um pulso autopropagante chamado potencial de ação, que percorre uma longa projeção chamada axônio. No final do axônio está uma sinapse, uma junção eletroquímica que se conecta às projeções ramificadas do neurônio seguinte, chamadas dendritos. Se pulsos suficientes chegarem dentro de uma determinada janela de tempo, o neurônio receptor dispara seu próprio potencial de ação. O sistema é orientado a eventos, esparso e extraordinariamente eficiente.
As redes neurais artificiais tomam emprestada a lógica conceitual desse processo, mas a implementam por meio de software rodando em transistores. A diferença entre o original biológico e a aproximação eletrônica é enorme, e ela se manifesta diretamente no consumo de energia.
A engenharia neuromórfica é o campo que tenta fechar essa lacuna. O objetivo é construir componentes eletrônicos que se comportem como neurônios e sinapses no nível do hardware — não simulá-los em software. Progressos foram feitos, mas a abordagem dominante tem uma limitação séria: implementar um único neurônio artificial ou sinapse exige a interconexão de dezenas, e às vezes até centenas, de transistores padrão. Isso demanda área significativa no chip, introduz atrasos quando os sinais precisam ser processados sequencialmente e torna extremamente difícil escalar para sistemas capazes de competir com GPUs de última geração.
Algumas pesquisas exploraram dispositivos experimentais inteiramente novos, mas estes ainda não atingiram a confiabilidade necessária para sistemas de grande porte. O campo parecia estar preso entre duas opções imperfeitas.
Um Único Transistor, Comportando-se Como uma Célula Cerebral
Eis o que a maioria das coberturas sobre hardware de IA deixa passar: a solução pode ter estado presente o tempo todo, dentro de um dos componentes mais comuns da eletrônica.
Pesquisadores descobriram que um transistor CMOS padrão — o bloco de construção básico de praticamente toda a lógica digital — pode se comportar como um neurônio ou uma sinapse por conta própria, sem precisar ser combinado com dezenas de outros componentes. A descoberta foi acidental. Ela surgiu da observação do que acontece quando uma parte normalmente ignorada do transistor — o terminal de bulk — não é simplesmente aterrado, mas conectado por meio de uma resistência.
Em operação padrão, aumentar a tensão no dreno produz uma corrente que sobe de forma constante e cai pelo mesmo caminho. Mas quando uma resistência é adicionada ao terminal de bulk, algo diferente acontece. Pares elétron-lacuna que normalmente seriam varridos começam a se acumular. Assim que a tensão de bulk atinge um determinado ponto, um transistor bipolar de junção oculto dentro do MOSFET é ativado, fazendo a corrente disparar subitamente. A corrente então permanece elevada até que a tensão do dreno caia abaixo de um limiar separado. Os pontos de ativação e relaxamento são diferentes entre si — uma propriedade chamada histerese —, o que significa que a corrente flui apenas por um período definido antes de o dispositivo retornar ao repouso.
Esse comportamento corresponde de perto ao que um neurônio artificial precisa: um pico súbito e não linear quando um limiar de tensão é cruzado, seguido de relaxamento automático. Uma configuração relacionada produz a condutância estável e ajustável que uma sinapse artificial requer. Cada comportamento — neurônio e sinapse — é obtido com um único dispositivo.
Por Que Isso Importa Além do Laboratório
As implicações vão muito além da engenharia de hardware. A pegada energética da IA já é uma preocupação significativa, e ela cresce à medida que os modelos se tornam maiores e mais amplamente implantados. Uma arquitetura de computação que se aproxime da eficiência do cérebro — em vez de permanecer seis ordens de magnitude aquém dela — mudaria a economia e o perfil ambiental da infraestrutura de IA de maneiras difíceis de superestimar.
Há também uma questão de escalabilidade. As abordagens neuromórficas atuais são limitadas pela área e pela complexidade necessárias para construir cada neurônio e sinapse a partir de muitos transistores. Uma implementação com dispositivo único remove essa restrição e abre um caminho para sistemas grandes o suficiente para competir genuinamente com o hardware baseado em GPU.
É isso que torna a natureza acidental da descoberta digna de nota. O componente não era exótico nem recém-inventado. Era um transistor comum, operando num regime que simplesmente não havia sido examinado com atenção. O insight não estava no material, mas na observação.
Em Resumo
Um transistor padrão, há muito ignorado num modo específico de operação, pode se comportar como um neurônio ou sinapse biológica por conta própria — sem exigir os complexos circuitos com múltiplos transistores que limitaram a computação neuromórfica até agora. O hardware de IA atual consome até 1.000 watts por GPU e é aproximadamente um milhão de vezes menos eficiente em termos energéticos do que o cérebro humano em tarefas comparáveis. Essa descoberta não resolve essa lacuna imediatamente, mas aponta para uma arquitetura de hardware que poderia tornar a IA muito menos intensiva em energia — e muito mais escalável — do que qualquer coisa construída até agora.
Com base em reportagem de IEEE Spectrum AI.