Nova arquitetura inspirada no cérebro humano torna IA mais rápida e eficiente energeticamente
Em um novo estudo publicado na revista científica Nature Machine Intelligence, pesquisadores do Imperial College London e do ETH Zurich apresentaram uma nova arquitetura de inteligência artificial inspirada no funcionamento do cérebro humano. Os pesquisadores desenvolveram uma rede neural do tipo redes neurais de disparo (SNNs, na sigla em inglês) com um sistema de “memória dupla”, combinando sinais rápidos com um mecanismo separado para armazenar informações contextuais de longo prazo. A abordagem permitiu processar sequências longas de dados com mais velocidade e eficiência energética do que arquiteturas neuromórficas anteriores.
O cérebro não mantém todos os neurônios disparando o tempo inteiro. Na verdade, ele trabalha com eventos relevantes, ativando regiões específicas apenas quando necessário. As SNNs tentam reproduzir esse comportamento usando “disparos” elétricos semelhantes aos dos neurônios biológicos e transmitindo informações apenas quando necessário. O problema é que essas redes costumam ter dificuldade para lembrar informações por longos períodos.
A solução proposta foi a criação de duas vias de memória trabalhando em conjunto. Uma delas armazena informações de longo prazo de forma compacta, enquanto a outra processa rapidamente os estímulos imediatos. Isso permitiu manter o aprendizado eficiente sem aumentar drasticamente o consumo energético. Além do algoritmo, os pesquisadores desenvolveram o hardware em conjunto com o software. Enquanto a memória contextual compacta permanece armazenada diretamente no chip, os cálculos rápidos são executados de forma otimizada, reduzindo a movimentação de dados, uma das maiores fontes de consumo energético dos sistemas atuais de IA.
E os resultados chamam atenção. Nos testes realizados pelos pesquisadores, a nova arquitetura alcançou mais de quatro vezes o desempenho de processamento e mais de cinco vezes a eficiência energética quando comparada a implementações anteriores de redes neurais de disparo. Isso pode ser especialmente importante em uma época em que a demanda energética da inteligência artificial cresce rapidamente. Modelos cada vez maiores exigem centros de dados gigantescos, consumindo quantidades significativas de eletricidade.
Se esses resultados se confirmarem em aplicações reais, o futuro da inteligência artificial pode depender menos de computadores cada vez maiores e mais de sistemas capazes de aprender usando energia de forma muito mais inteligente. Essa tecnologia pode ajudar a levar inteligência artificial avançada para dispositivos pequenos e autônomos, como drones, sensores industriais, wearables e robôs que precisam tomar decisões em tempo real sem depender de grandes centros de processamento ou conexão constante com a Internet.
–
Fontes
PENGFEI, S. et al. Algorithm–hardware co-design of neuromorphic networks with dual memory pathways. Nature Machine Intelligence, 2026. Disponível em: DOI: 10.1038/s42256-026-01255-3. Acesso em 25 jun. 2026.
FADELLI, I. Brain-inspired AI architecture could compute faster while using far less power. TechXplore, 23 jun. 2026. Disponível em: https://techxplore.com/news/2026-06-brain-ai-architecture-faster-power.html. Acesso em: 25 jun. 2026.
Imagem da capa: Abstração da arquitetura de memória de via dupla. No nível algorítmico, cada camada mantém um estado compartilhado de baixa dimensionalidade que captura dinâmicas contextuais lentas e modula a atividade rápida dos neurônios pulsantes (spiking). No nível de hardware, essa separação é reproduzida por um acelerador heterogêneo que mantém esse estado compacto no próprio chip e integra cálculos esparsos e densos para uma execução mais eficiente. Crédito: PENGFEI, S. et al.
