Biologia encontra o silício: redes neurais e computação não convencional

Por muito tempo, a inteligência artificial copiou o cérebro apenas na matemática: camada após camada, matriz após matriz, cadeias de álgebra linear. Agora os pesquisadores começam a copiá-lo literalmente: usam mecanismos biológicos nas redes neurais e constroem hardware que calcula como uma célula viva. A computação não convencional, seja molecular, óptica ou neuromórfica, vira a principal candidata a arquitetura da IA forte.

Quando o silício bate na parede

As GPUs atuais são feitas de transistores cada vez menores, mas não indefinidamente. A lei de Moore está desacelerando. Treinar grandes modelos exige uma quantidade absurda de energia: uma única busca no Perplexity consome tanta eletricidade quanto um carro gasta para rodar 5 km. O treinamento do GPT-4 custou centenas de milhões de dólares e lançou na atmosfera tanto carbono quanto uma cidade pequena. A AGI exigiria potência em escala planetária se fosse construída sobre silício convencional. Os engenheiros esbarram na física.

A computação não convencional promete uma saída. Em vez de manipular elétrons em um chip, é possível usar fótons em sistemas ópticos (paralelismo na velocidade da luz), moléculas de DNA (densidade de armazenamento de informação incrível) ou processos eletroquímicos em chips neuromórficos (eficiência energética semelhante à do cérebro biológico).

Chips neuromórficos: a arquitetura do cérebro na eletrônica

Intel Loihi, BrainScaleS e SpiNNaker não são GPUs que imitam neurônios em código. São chips construídos fisicamente como um cérebro: neurônios de pulsos (spiking), sinapses com pesos ajustáveis e processamento assíncrono orientado a eventos. Em vez de multiplicar todos os pesos por um lote, apenas os neurônios ativos enviam impulsos, e somente quando necessário.

O resultado é impressionante: consumo de energia mil vezes menor que o de uma GPU de mesma escala. O cérebro humano faz com 20 watts o que as redes neurais atuais exigem 20 quilowatts para fazer. Um chip neuromórfico reproduz esse resultado.

• Aprendizado em tempo real (sem esperar um lote completo de dados)
• Processamento de fluxos em vez de matrizes (ideal para sensores e câmeras)
• Adaptação a novas tarefas sem reotimizar um modelo inteiro
• Resistência a entradas ruidosas graças à lógica biológica dos impulsos

Empresas como a Intel e laboratórios acadêmicos já usaram chips neuromórficos em robótica e no processamento de dados sensoriais. Escalar é mais difícil, mas o potencial é enorme.

A máquina molecular: computação em um tubo de ensaio

O DNA não é só um repositório de genes. É um computador paralelo. Em uma única molécula é possível codificar gigabits de informação e realizar cálculos simultaneamente com todas as moléculas de uma solução. Pesquisadores do MIT, do Caltech e de outros laboratórios já usam a computação com DNA em tarefas de aprendizado de máquina, como classificação e multiplicação de matrizes.

Escalar é mais difícil do que com chips: são necessários métodos para controlar bilhões de moléculas de forma sincronizada e extrair os resultados sem erros. Mas, se der certo, a densidade de computação superaria qualquer equivalente em silício, e o consumo de energia cairia várias vezes.

Também se pesquisam computadores ópticos (fótons no lugar de elétrons) e sistemas quânticos. O quadro é claro: a monocultura de GPUs de silício está com os dias contados. A AGI será um híbrido.

O que isso significa

A fronteira entre biologia e silício está se dissolvendo. A computação não convencional não é uma exótica curiosidade de laboratório, mas uma oficina de engenharia para a IA forte. Em um ou dois anos veremos os primeiros sistemas híbridos: aceleradores neuromórficos em data centers ao lado de GPUs, computadores moleculares para tarefas especializadas e processadores ópticos para álgebra linear. Quando a AGI chegar, se é que vai chegar, 90% do seu hardware será feito do que a natureza viva provou ser eficaz bilhões de anos atrás.