Нейроморфный ИИ из KIST обучается в шесть раз быстрее Google — без лишних аппаратных затрат

O Instituto 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 para redes neurais de pulso que requer aproximadamente seis vezes menos recursos computacionais do que o método líder do Google, mantendo precisão comparável.

O que é o A²SG e por que isso é importante

As redes neurais de pulso (SNN) imitam o funcionamento do cérebro biológico: elas transmitem sinais por meio de impulsos esparsos, em vez de um fluxo contínuo de números, o que resulta em um consumo de energia fundamentalmente menor em comparação com as redes neurais profundas convencionais (DNN). O problema é que elas são mais difíceis de treinar, pois o método padrão de retropropagação não funciona diretamente para SNNs.

O método A²SG, desenvolvido por uma equipe liderada pelo pesquisador sênior Songsik Park, da Divisão de Tecnologia de Semicondutores do KIST, resolve esse desafio por meio de gradientes substitutos adaptativos e assimétricos para arquiteturas de transformadores baseadas em SNN.

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

O que mudou na abordagem de treinamento

A principal diferença do método em relação aos seus antecessores é que ele é simultaneamente adaptativo e assimétrico. Os gradientes substitutos tradicionais aplicam a mesma função a todos os neurônios e em todas as direções de treinamento. O A²SG ajusta a forma do gradiente para cada neurônio de acordo com sua atividade e aplica estratégias diferentes para as passagens direta e inversa. É exatamente isso que gera o ganho de eficiência sem sacrificar a qualidade.

"Esta pesquisa elimina os problemas estruturais da IA neuromórfica, aumentando o potencial de aplicações práticas", —

Songsik Park, pesquisador líder do KIST.

De acordo com o arXiv, o método mostrou melhorias consistentes em redes neurais de vários tamanhos e em diferentes tarefas. O primeiro autor do artigo foi o doutorando Kang Yechan.

O que isso significa

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

Perguntas Frequentes

O que é uma rede neural de pulso e em que ela é melhor do que uma convencional?

Uma rede neural de pulso (SNN) transmite informações por meio de impulsos esparsos, como os neurônios do cérebro, em vez de um fluxo contínuo de números. Isso reduz o consumo de energia em ordens de grandeza em comparação com as DNNs clássicas — mantendo qualidade de resultados comparável em diversas tarefas.

É necessário trocar o hardware para usar o A²SG?

Não. O método é implementado inteiramente em software — não há necessidade de substituir processadores ou chips, o que reduz drasticamente a barreira de adoção.