Um Chip de IA “Super-Turing” que Imita o Cérebro Humano para Aprender em Tempo Real Usando Apenas Nanowatts de Energia

Em um voo simulado em laboratório, através de uma floresta digital sujeita a ventos constantes, um drone se movimenta com extrema habilidade – desviando de obstáculos, alterando sua trajetória em tempo real e atingindo seu destino com agilidade semelhante à humana. O sistema que o dirige não depende de um servidor potente ou de um volume massivo de dados; ao invés disso, ele é orientado por um pequeno chip que consome pouquíssima energia e imita o funcionamento do cérebro, aprendendo à medida que executa suas tarefas.

Desenvolvido por uma equipe de engenheiros da UCLA, Texas A&M e outras instituições colaboradoras, esse dispositivo representa um revolucionário modelo de IA “Super-Turing”. Ele rompe com as limitações da computação tradicional ao simular a capacidade do cérebro de se adaptar instantaneamente. No coração do chip, encontra-se um circuito composto por “resistores sinápticos” – os chamados “synstors” – fabricados com óxido ferroelectric de háfnio e zircônio (HfZrO), permitindo que o sistema modifique suas próprias conexões em tempo real.

O estudo, publicado na revista Science Advances, demonstra que essa arquitetura Super-Turing supera as redes neurais artificiais convencionais em adaptabilidade e eficiência energética, operando com apenas 158 nanowatts – um consumo de energia que é sete ordens de magnitude menor que o dos sistemas de IA tradicionais.

De Turing a Super-Turing

A maioria dos sistemas de IA atuais – desde os que dirigem carros autônomos até os modelos avançados de linguagem – baseiam-se no modelo de computação de Turing. Esses sistemas executam algoritmos fixos, treinados previamente durante longos períodos, e não conseguem se adaptar sem serem totalmente re-treinados. Em outras palavras, a IA atual se assemelha a um aluno que estuda tudo antes da prova, sem a possibilidade de aprender algo novo durante o exame, enquanto o cérebro humano continua absorvendo conhecimento e se adaptando em tempo real.

Enquanto os data centers consomem energia equivalente a gigawatts, o cérebro humano opera com meros 20 watts. Esse contraste evidencia a necessidade de novas abordagens para a computação, especialmente quando consideramos a escalabilidade e a sustentabilidade das tecnologias atuais.

É nesse contexto que a computação Super-Turing surge. Inspirados pelo modo como as sinapses cerebrais se ajustam durante o aprendizado, os pesquisadores desenvolveram o “circuito synstor”, que utiliza mecanismos de plasticidade dependente do tempo de disparo (STDP) – uma regra de aprendizado biologicamente plausível – para atualizar seus parâmetros internos enquanto processa informações. Ao contrário de dispositivos como memristores ou memórias de mudança de fase, que precisam alternar entre fases distintas de aprendizado e inferência, os synstors realizam ambos os processos de forma simultânea.

O sistema depende de uma notável inovação em nível de hardware: uma heterojunção composta por uma camada de WO₂.₈, um filme fino de Hf₀.₅Zr₀.₅O₂ ferroelectrizado e um substrato de silício. Essa combinação permite ajustar os valores de condutância – de forma similar ao fortalecimento de uma sinapse – com precisão, repetibilidade e durabilidade excepcionais. Foram realizados mais de 1,6 × 10¹¹ ciclos de comutação sem degradação, com a condutância sendo sutilmente modulada em 1000 níveis analógicos e uma precisão de aprendizado de até 36 picosiemens, utilizando pulsos de tensão de apenas ±3 V e com respostas em 10 nanosegundos.

Essa capacidade possibilita que o circuito synstor opere no que os pesquisadores chamam de modo “Super-Turing” – atualizando continuamente seus pesos internos em resposta ao ambiente, sem a necessidade de pausas ou re-treinamento externo, adaptando-se de forma instantânea a mudanças, como turbulências inesperadas ou a presença repentina de novos obstáculos.

Superando a IA e os Humanos

Para testar essa tecnologia inovadora, os pesquisadores colocaram um drone orientado pelo circuito synstor contra dois competidores em uma paisagem montanhosa simulada: um drone controlado por uma rede neural artificial clássica e outro operado por humanos sem familiaridade com o sistema. Os resultados foram impressionantes. O drone guiado pelo synstor alcançou seu destino mais rapidamente do que o operado por humanos, com um tempo médio de aprendizado de 4,4 segundos, enquanto os humanos demoraram, em média, 6,6 segundos. Em contrapartida, a rede neural tradicional levou mais de 35 horas para atingir uma competência similar, além de apresentar falhas constantes diante de variações nas condições do ambiente.

Em cenários com florestas densas e ventos intensos, tanto o sistema synstor quanto os operadores humanos conseguiram navegar sem colisões, enquanto a abordagem tradicional falhou repetidamente.

Rumo a Máquinas Semelhantes ao Cérebro Super-Turing

As implicações desse avanço podem repercutir em diversas indústrias. Desde drones autônomos e próteses robóticas até dispositivos vestíveis inteligentes e exploração espacial, sistemas que precisam reagir rapidamente a ambientes imprevisíveis sem esgotar suas fontes de energia podem se beneficiar enormemente dessa tecnologia Super-Turing.

Além disso, a arquitetura dos synstors permite uma significativa escalabilidade. Embora o protótipo atual possua um matriz cruzada relativamente modesta de 8×8, os pesquisadores acreditam que a tecnologia pode ser expandida para circuitos contendo milhões de synstors, utilizando as técnicas de nanofabricação já existentes.

Não Apenas Mais Rápido, Mas Mais Inteligente

Enquanto os debates sobre a capacidade da IA de igualar a inteligência humana continuam, esse estudo redefine os parâmetros. Em vez de intensificar a inteligência por meio do aumento no tamanho dos modelos e dos conjuntos de dados – como ocorre com a IA generativa atual –, a abordagem Super-Turing busca alcançar uma inteligência superior de maneira muito mais eficiente, fazendo muito mais com muito menos energia.

O fato de um circuito sem treinamento prévio conseguir superar uma rede neural treinada em condições reais sugere que a verdadeira inteligência não depende apenas do armazenamento de grandes quantidades de dados, mas sim da capacidade de adaptação diante da escassez de informações.

Como explicou o Dr. Suin Yi, “modelos de IA modernos, como o ChatGPT, são incríveis, mas seu alto custo operacional limita seu uso. A IA Super-Turing tem o potencial de transformar a forma como construímos e utilizamos a inteligência artificial, avançando de maneira a beneficiar tanto as pessoas quanto o planeta.”