Um processador pode executar uma rede neural com pouquíssima energia e, mesmo assim, proporcionar uma economia modesta ao equipamento que o utiliza. Basta que a câmera, a preparação dos dados ou o computador de apoio consumam muito mais do que o cálculo. Essa fronteira entre chip e sistema determina boa parte do valor dos computadores neuromórficos.
Computadores neuromórficos incorporam princípios do processamento neuronal à arquitetura eletrônica: estado distribuído, memória próxima do cálculo e, em muitos projetos, comunicação por eventos. Executam algoritmos de inteligência artificial. Sua diferença está em como organizam o trabalho e movimentam informação, não em possuir uma inteligência independente da IA.
Para avaliá-los, é preciso examinar três implementações distintas: Loihi 2/Hala Point, NorthPole e BrainScaleS-2. As fontes citadas estavam disponíveis em 27 de outubro de 2026. Os exemplos numéricos identificados como didáticos são cálculos ilustrativos, não medições desses dispositivos.
O que um neurônio de silício calcula
Em uma rede neural de impulsos, ou SNN, um neurônio mantém variáveis internas e recebe eventos de outros neurônios. Um modelo simples integra contribuições e emite um impulso quando ultrapassa um limiar. O intervalo entre eventos importa: duas entradas próximas podem provocar uma saída que não aparece se chegarem suficientemente separadas.
Um exemplo didático de integração com decaimento usa esta atualização: u seguinte = 0,9 × u anterior + soma das entradas ponderadas. Se o resultado atingir 1, o neurônio emite um impulso e subtrai 1 de seu estado. Essa dinâmica e esse reinício são escolhas pedagógicas; não descrevem todos os chips.
Com estado inicial de 0,6 e entradas que somam 0,3, o primeiro resultado é 0,84: não há impulso. Se o passo seguinte receber outros 0,3, o estado chega a 1,056, emite um impulso e fica em 0,056. A memória de curto prazo está no estado que persiste entre as entradas.
O exemplo separa três decisões de engenharia: quanto tempo a memória dura, quando um resultado é comunicado e quanta atividade essa comunicação gera. Mudar qualquer uma delas pode alterar a precisão e o custo. Contar neurônios sem especificar sua dinâmica deixa parte do problema de fora.
A memória local ajuda; o tráfego continua custando
Em uma aplicação distribuída, não basta acelerar uma operação aritmética. Também é necessário acessar pesos e transportar resultados. O interesse arquitetônico está em manter o estado perto de onde é utilizado e evitar movimentações que não acrescentam informação útil.
A documentação técnica do Loihi 2 descreve 128 núcleos neuromórficos, modelos neuronais programáveis e regras de aprendizado configuráveis. Suas mensagens podem transportar valores graduados; a comunicação não se limita a impulsos binários idênticos.
A consequência prática é que o mesmo número de neurônios pode produzir cargas muito diferentes. Se um neurônio envia sua saída a muitos destinos, o trabalho de distribuição aumenta. Se as conexões atravessam frequentemente a fronteira entre chips, o posicionamento da rede e as filas de comunicação passam a fazer parte do desempenho.
Três arquiteturas que precisam de avaliações separadas
| Implementação | Característica relevante | Pergunta de avaliação |
|---|---|---|
| Loihi 2 / Hala Point | Redes de impulsos digitais e estado distribuído | Como o modelo é distribuído e quanto tráfego gera? |
| NorthPole | Inferência com cálculo e memória integrados no chip | O modelo cabe e qual é o custo da tarefa completa? |
| BrainScaleS-2 | Dinâmica neuronal analógica acelerada com controle digital | Como calibração e variabilidade afetam o experimento? |
Loihi 2 e Hala Point: aumentar a escala também exige comunicação
A Intel apresentou o Hala Point em 2024 com 1.152 processadores Loihi 2 e capacidade para 1,15 bilhão de neurônios artificiais. Informou potência máxima de 2.600 W. São especificações do sistema, não energia por classificação ou equivalência cognitiva com um cérebro.
Para escolher uma plataforma, recomendamos solicitar a configuração efetiva da aplicação. Capacidade instalada e utilização real respondem a perguntas diferentes. Uma rede que cabe na memória ainda pode encontrar um limite nas conexões ou no tempo disponível para processar cada entrada.
NorthPole: inspiração cerebral sem exigir uma SNN
O trabalho da IBM publicado na Science em 2023 integra memória e cálculo para inferência. No ResNet50, comparado a uma GPU com tecnologia de fabricação equivalente de 12 nm, relatou 25 vezes mais quadros por segundo e watt, e latência 22 vezes menor.
Esse resultado precisa conservar sua tarefa e sua referência. Não permite transferir o fator 25 para qualquer modelo nem estabelecer uma comparação direta com uma GPU posterior. O NorthPole mostra uma distinção útil: computação inspirada no cérebro é uma família mais ampla do que redes de impulsos. O rótulo comercial não identifica, sozinho, o mecanismo.
BrainScaleS-2: acelerar a dinâmica não acelera tudo
O artigo do BrainScaleS-2 de 2022 descreve circuitos neuronais analógicos e processadores digitais para plasticidade. A dinâmica opera aproximadamente mil vezes mais rápido do que sua referência biológica. Isso acelera um modelo físico, não promete executar qualquer programa mil vezes mais depressa.
Ao projetar um experimento, também é preciso prever preparação, entrada e leitura dos resultados. Comprimir o tempo do circuito torna mais exigente alimentá-lo e observá-lo. Convém verificar quanto demora uma execução completa, incluindo a calibração necessária, em vez de usar apenas a escala temporal neuronal.
Treinar, inferir e adaptar são trabalhos diferentes
Inferir é produzir uma saída com um modelo já configurado. Treinar modifica seus parâmetros. Adaptar durante o uso acrescenta outra exigência: decidir o que atualizar com dados novos sem destruir o que foi aprendido. Um dispositivo eficiente em uma dessas tarefas não comprova automaticamente as outras.
Redes de impulsos podem ser treinadas por diferentes procedimentos. O trabalho de Neftci, Mostafa e Zenke sobre gradientes substitutos explica como aproximar, durante o aprendizado, a derivada problemática do disparo. Portanto, usar impulsos na execução não implica eliminar otimização numérica nem treinamento externo.
Antes de um projeto piloto, eu pediria uma separação explícita dos custos: o que é treinado fora do chip, quais parâmetros podem mudar dentro dele e quais informações a atualização exige. Também convém perguntar se o aprendizado continua quando os rótulos corretos deixam de estar disponíveis. Aprender com supervisão é diferente de adaptar-se sem ela.
Um resultado de outubro de 2026 e o que fica de fora
O preprint CLP-SNN, revisado em 20 de outubro de 2026, relata no Loihi 2 um passo de predição e atualização de 0,33 ms e 0,05 mJ sobre características extraídas. A comparação exclui extração de características e comunicação com o computador anfitrião; seu protocolo 25-shot alcança 90,0% de acurácia.
A leitura que propomos separa o benefício desse passo do desempenho do produto completo. Se uma aplicação precisa primeiro produzir essas características, deve medir esse trabalho adicional. Tampouco se deve atribuir toda diferença à fabricação do chip quando algoritmo e precisão numérica também mudam. Um preprint oferece evidência examinável, não uma certificação independente.
A entrada pode preservar ou destruir a vantagem
A revisão de visão por eventos de Gallego e colaboradores descreve câmeras que comunicam mudanças de luminosidade por pixel, com posição, tempo e sinal. Essa saída difere de uma sequência de imagens completas a uma frequência fixa.
Como exemplo de projeto, imaginemos uma câmera observando uma peça que atravessa uma esteira. O objetivo é detectar mudanças relevantes e responder dentro de um prazo. Uma cadeia que preserva os eventos pode evitar a construção de imagens intermediárias que depois seriam transformadas novamente. A vantagem precisa ser testada com movimento e iluminação reais.
Se o programa acumula eventos em janelas longas, pode introduzir uma espera incompatível com a resposta desejada. Se uma vibração ou cintilação gera atividade abundante, o fluxo muda. Nossa proposta de teste incluiria os dois extremos, além do cenário confortável com pouca atividade.
Como medir energia sem esconder o resto do equipamento
Para uma avaliação de engenharia, propomos este balanço: energia total = sensor + preparação dos dados + processador + comunicação + equipamento auxiliar. É preciso definir onde a medição começa e termina e usar o mesmo critério para as alternativas. A potência máxima informada pelo fabricante não substitui essa medição.
Exemplo hipotético: uma operação completa consome 100 mJ, dos quais 90 pertencem ao restante do equipamento e 10 ao processador. Reduzir esses 10 para 1 mJ divide por dez o gasto do processador. O total cai para 91 mJ: a economia do sistema é de 9%. A aritmética explica por que uma melhoria impressionante no chip pode ter pouco efeito no produto.
A energia útil também depende da qualidade do resultado. Recomendo contabilizar decisões corretas dentro do prazo, informar os erros e separar consumo em repouso de consumo durante atividade. Um detector que gasta menos, mas dispara falsos alarmes frequentes, resolve um problema diferente daquele exigido.
Um protocolo de comparação que ajuda a decidir
O NeuroBench, publicado em 2025, distingue avaliação de algoritmos e avaliação de sistemas. Essa separação ajuda a identificar se uma melhoria vem do modelo ou da implementação. Para um projeto piloto específico, propomos acordar estas condições antes de executar a demonstração:
| Condição | O que registrar | O que evita |
|---|---|---|
| Qualidade equivalente | Acurácia e falsos positivos com os mesmos dados reservados | Comparar economia obtida resolvendo pior a tarefa |
| Resposta completa | Tempo da entrada à decisão; percentis 50 e 99 | Esconder filas e esperas atrás de uma média |
| Fronteira energética comum | Componentes incluídos, energia em repouso e por operação | Comparar um chip isolado com um equipamento inteiro |
| Carga representativa | Atividade baixa, rajadas, ruído e saturação | Mostrar apenas o cenário favorável |
| Custo de integração | Conversão do modelo, memória, ferramentas e tempo de engenharia | Confundir uma demonstração de laboratório com um produto pronto |
A referência deveria incluir uma implementação convencional bem ajustada e adequada à carga. Em um sensor pequeno, comparar com um microcontrolador ou uma NPU integrada pode ser mais informativo do que comparar com uma GPU de centro de dados. Escolher uma referência superdimensionada facilita uma manchete, mas orienta mal uma compra.
Perguntas técnicas antes de escolher um computador neuromórfico
Uma SNN executada em uma GPU já é hardware neuromórfico?
Não. O modelo usa impulsos; a GPU conserva sua arquitetura. Para julgar a eficiência, é preciso medir a implementação que realmente roda.
Um milhão de neurônios indica quantos parâmetros cabem?
Não basta. É necessário conhecer conexões, precisão, variáveis de estado e limites de memória. Essas restrições podem determinar qual modelo realmente cabe.
Memória próxima do cálculo elimina transferências?
Continuam existindo entradas, saídas e comunicação entre unidades. A pergunta útil é quais transferências diminuem e quais ainda dominam o custo total.
Aprendizado local significa aprendizado autônomo geral?
Não. Uma regra pode atualizar conexões com sinais locais e continuar precisando de objetivos, supervisão ou recompensas definidos para uma tarefa específica.
Uma vantagem em imagens comprova vantagem em modelos de linguagem?
Não. A estrutura do cálculo, os requisitos de memória e a avaliação mudam. Cada mudança de aplicação precisa de sua própria demonstração.
Esses dispositivos contêm neurônios vivos?
As três plataformas descritas usam eletrônica. A inspiração neuronal não transforma os circuitos em tecido biológico nem comprova consciência.
Por onde vale a pena começar
Nossa proposta é priorizar pilotos com sinais temporais, restrições de resposta e uma fronteira energética mensurável: detecção de mudanças, processamento sensorial ou adaptação delimitada. Não é uma lista de vantagens garantidas. São condições que permitem formular uma hipótese e descartá-la se o sistema completo não melhorar.
No Laboratório do Futuro, acompanhamos como a IA muda o trabalho científico. Para computadores neuromórficos, o critério de adoção deveria ser igualmente concreto: uma tarefa definida, resultados comparáveis e uma melhoria que sobreviva ao sair do chip e entrar no equipamento que alguém realmente utilizará.
