IA neuromórfica do KIST treina seis vezes mais rápido que o método do Google — sem gastos extras de hardware

O Instituto Sul-Coreano de Ciência e Tecnologia (KIST) apresentou em 6 de julho de 2026, na conferência ICML 2026, o método A²SG (Adaptive and Asymmetric Surrogate Gradients), uma técnica de treinamento de redes neurais de spikes que exige cerca de seis vezes menos custo computacional que o principal método do Google, com precisão comparável.

O que é o A²SG e por que ele importa

As redes neurais de spikes (SNN, na sigla em inglês) imitam o funcionamento do cérebro biológico: em vez de um fluxo contínuo de números, elas transmitem sinais por meio de impulsos esparsos. Isso resulta em um consumo de energia fundamentalmente menor do que o das redes neurais profundas (DNN) convencionais. O problema é que elas são mais difíceis de treinar, já que o método padrão de retropropagação do erro não funciona diretamente nas SNNs.

O A²SG foi desenvolvido por uma equipe liderada por Songsik Park, pesquisador sênior da Divisão de Tecnologias de Semicondutores do KIST. O método resolve esse problema com gradientes substitutos adaptativos e assimétricos para arquiteturas de SNN baseadas em transformers.

• Ganho de precisão — nível mundial no benchmark ImageNet
• Sobrecarga computacional — ~1/6 da do método do Google
• Implementação — apenas em software, sem necessidade de alterações no hardware
• Aplicabilidade — smartphones, dispositivos vestíveis, drones, sensores que operam 24 horas
• Publicação — arXiv (DOI: 10.48550/arxiv.2606.11236), ICML 2026, Seul, de 6 a 11 de julho de 2026

O que mudou na abordagem de treinamento

A principal diferença do método em relação aos antecessores é que ele é, ao mesmo tempo, adaptativo e assimétrico. Os gradientes substitutos tradicionais aplicam a mesma função a todos os neurônios e em todas as direções do aprendizado. O A²SG ajusta o formato do gradiente a cada neurônio, conforme a sua atividade, e usa estratégias diferentes para a passagem direta (forward) e a reversa (backward). É isso que gera o ganho de eficiência sem perda de qualidade.

"Esta pesquisa resolve problemas estruturais da IA neuromórfica e aumenta o potencial de aplicação prática", —

Songsik Park, pesquisador principal do KIST.

Segundo o arXiv, o método apresentou melhorias consistentes em redes neurais de diferentes tamanhos e em diversas tarefas. O primeiro autor do trabalho é o doutorando Kang Yechan.

O que isso significa

A IA neuromórfica está saindo do nicho acadêmico: se o A²SG for comercializado — e o KIST já anunciou planos de criar chips de IA de baixo consumo baseados em RPU (Random Processing Unit) —, dispositivos com IA poderão funcionar sem suporte constante da nuvem e com consumo na casa das frações de watt, em vez dos megawatts dos data centers.

Perguntas frequentes

O que é uma rede neural de spikes e por que ela é melhor que uma convencional?

Uma rede neural de spikes (SNN) transmite informações por impulsos esparsos, como os neurônios do cérebro, e não por um fluxo contínuo de números. Isso reduz o consumo de energia em ordens de grandeza em comparação com as DNNs clássicas, com qualidade de resultado comparável em uma série de tarefas.

É preciso trocar o hardware para usar o A²SG?

Não. O método é implementado inteiramente em software: não é necessário trocar processadores nem chips, o que reduz drasticamente a barreira de adoção.