A Biologia encontra o Silício: redes neurais da computação não convencional

A Inteligência Artificial por muito tempo copiou o cérebro apenas em termos matemáticos — camada após camada, matriz após matriz, sequências de álgebra linear. Agora pesquisadores começam a copiá-lo no sentido literal: usando mecanismos biológicos em redes neurais, construindo hardware que calcula como uma célula viva. A computação não convencional — molecular, óptica, neuromórfica — está se tornando a principal candidata para a arquitetura de uma IA forte.

Quando o silício atinge um muro

As GPUs modernas são construídas em transistores que ficam cada vez menores, mas não infinitamente. A Lei de Moore está desacelerando. O treinamento de grandes modelos requer uma quantidade colossal de energia: uma busca no Perplexity consome tanta eletricidade quanto um automóvel percorre 5 km.

O treinamento do GPT-4 custou centenas de milhões de dólares e emitiu carbono na atmosfera como uma pequena cidade. A AGI exigirá poder em escala planetária — se for construída em silício tradicional. Os engenheiros esbarram na física.

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

Chips neuromórficos — arquitetura cerebral em eletrônica

Intel Loihi, BrainScaleS, SpiNNaker — estes não são GPUs que imitam neurônios em código. São chips fisicamente estruturados como o cérebro: neurônios que disparam, sinapses com pesos ajustáveis, processamento de eventos assíncrono. Em vez de multiplicação matricial de todos os pesos em um lote — apenas neurônios ativos enviam impulsos quando necessário. O resultado é impressionante: consumo de energia mil vezes menor do que o de uma GPU da mesma escala. O cérebro humano em 20 watts faz o que as redes neurais modernas requerem 20 quilowatts. O chip neuromórfico replica esse resultado.

• Treinamento em tempo real (sem aguardar um lote completo de dados)
• Processamento de streams em vez de matrizes (ideal para sensores, câmeras, sensores)
• Adaptação a novas tarefas sem reotimização do modelo inteiro
• Robustez a entradas ruidosas graças à lógica biológica dos impulsos

Empresas como Intel e laboratórios acadêmicos já usaram chips neuromórficos em robótica e processamento de dados sensoriais. Escalar é mais difícil, mas o potencial é enorme.

Máquina molecular, computação em tubo de ensaio

O DNA não é apenas um repositório de genes. É um computador paralelo. Uma única molécula pode codificar gigabits de informação e realizar cálculos simultaneamente com todas as moléculas em solução.

Pesquisadores no MIT, Caltech e outros laboratórios já usam computação por DNA para tarefas de aprendizado de máquina: classificação, multiplicação matricial. Escalar é mais difícil do que com chips — são necessários métodos para controlar bilhões de moléculas de forma síncrona e extrair resultados sem erros. Mas se funcionar — a densidade de computação excederá qualquer análogo de silício e o consumo de energia cairá várias vezes.

Em paralelo, pesquisam computadores ópticos (fótons em vez de elétrons) e sistemas quânticos. A situação é clara: a monocultura de GPUs de silício está desaparecendo. A AGI será híbrida.

O que isso significa

A fronteira entre biologia e silício está se tornando desfocada. A computação não convencional não é uma exoticidade para laboratórios, mas uma prática de engenharia para uma 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, processadores ópticos para álgebra linear. Quando a AGI chegar — se é que chega — seu hardware será composto 90% daquilo que a natureza viva provou ser eficaz há bilhões de anos.