Caderno Ciência · Computação e energia
Enquanto você lê esta frase, o seu cérebro reconhece o formato das letras, recupera significados e mantém um raciocínio de pé usando algo em torno de 20 watts, a potência de uma lâmpada doméstica. A comparação, retomada pela pesquisadora Aysha Asif Riaz em artigo republicado pela Scientific American1, é o ponto de partida de uma pergunta que saiu dos laboratórios e chegou às mesas de operadores de energia e formuladores de política industrial: é possível construir computadores que processem informação gastando uma fração da energia consumida hoje?
A aposta mais estudada tem nome técnico e décadas de história. Chama-se computação neuromórfica, e sua proposta não é tornar os chips atuais um pouco mais eficientes, mas repensar a forma como um computador organiza o cálculo.
Em uma frase: computação neuromórfica é o campo que projeta chips e algoritmos a partir de princípios do sistema nervoso, como neurônios que só disparam quando recebem estímulo suficiente, memória guardada no mesmo lugar onde o cálculo acontece e processamento acionado por eventos, em vez de ciclos contínuos.
O problema está no trânsito, não no cálculo
Quase todos os computadores em uso seguem uma arquitetura descrita nos anos 1940, em que o processador e a memória ficam fisicamente separados. Cada operação exige buscar dados em um lugar, levá-los a outro e devolver o resultado. Em 1978, o cientista da computação americano John Backus deu nome a essa ineficiência: gargalo de von Neumann1. Em cargas de trabalho de inteligência artificial, que movimentam volumes enormes de parâmetros a cada instante, esse vai e vem responde por uma parcela considerável da energia gasta.
O cérebro resolve o problema de outro jeito. Seus cerca de 86 bilhões de neurônios se conectam por sinapses, e é na força de cada sinapse que a informação fica registrada1. Memória e processamento ocupam o mesmo endereço. Não há um arquivo central a ser consultado, e por isso não há viagem de dados a pagar.
Como um chip aprende a disparar
No cérebro, um neurônio recebe sinais dos vizinhos e só emite um pulso elétrico breve, chamado spike, quando a soma desses sinais ultrapassa um limiar1. Na maior parte do tempo, a maioria dos neurônios está em silêncio. Essa esparsidade é a chave da economia: gasta-se energia onde algo acontece, e não em todo lugar o tempo todo.
Os chips neuromórficos reproduzem essa lógica de três maneiras combinadas: aproximam memória e processamento, trabalham com representações esparsas, em que a maior parte dos valores é zero, e executam cálculos apenas quando surge um evento1. É a chamada computação orientada a eventos.
O exemplo mais maduro está nos sensores. As câmeras de eventos, inspiradas na retina, não capturam quadros inteiros dezenas de vezes por segundo como um celular. Cada pixel reage sozinho, e apenas quando detecta mudança na cena. O resultado, segundo o artigo da Scientific American, é um sensor que consome uma fração da energia, acompanha movimentos rápidos sem borrão e funciona tanto sob sol forte quanto no quase escuro; dispositivos desse tipo já foram usados no espaço para rastrear objetos e detritos1. Em veículos autônomos, a combinação de baixa latência e desempenho estável sob ofuscamento pode definir se um pedestre é detectado a tempo.
Do laboratório ao rack de servidores
A tecnologia já ganhou escala de pesquisa. Em abril de 2024, a Intel apresentou o Hala Point, instalado inicialmente no Sandia National Laboratories, nos Estados Unidos. O sistema reúne 1.152 processadores Loihi 2 em um chassi do tamanho de um micro-ondas, com capacidade para 1,15 bilhão de neurônios e 128 bilhões de sinapses distribuídos em 140.544 núcleos, consumindo no máximo 2.600 watts2. A empresa compara essa capacidade à do cérebro de uma coruja e afirma que sistemas baseados no Loihi executam inferência e problemas de otimização com até 100 vezes menos energia e até 50 vezes mais velocidade do que arquiteturas convencionais de CPU e GPU2. No Sandia, a máquina é usada para pesquisa em computação cerebral de grande escala3.
Vale fazer a conta com cuidado. Na potência máxima, o Hala Point consome cerca de 130 vezes a energia do cérebro humano para operar com aproximadamente 1,3% dos neurônios que o cérebro possui. O número não desqualifica o feito, já que o sistema é muito mais eficiente que alternativas convencionais nas tarefas para as quais foi desenhado. Mas mostra que a distância entre o silício e a biologia continua medida em ordens de grandeza.
Outras frentes seguem caminhos parecidos. O NorthPole, da IBM Research, é um chip de 12 nanômetros com 22 bilhões de transistores, 256 núcleos e 192 MB de memória distribuída junto às unidades de cálculo, justamente para reduzir o tráfego de dados4. Seu antecessor conceitual, o TrueNorth, registrou economias de energia de até 10 mil vezes em tarefas orientadas a eventos, na comparação com arquiteturas digitais convencionais1. Na Universidade de Manchester, o SpiNNaker funciona como simulador cerebral em escala de supercomputador, e a australiana BrainChip já vende um processador neuromórfico comercial para câmeras e sensores de baixíssimo consumo1.
A conta de luz da inteligência artificial
O interesse pela eficiência não é abstrato. Segundo a Agência Internacional de Energia (IEA), os data centers consumiram cerca de 415 TWh em 20245. Na atualização publicada em 2026, a agência estima que o consumo chegou a 485 TWh em 2025 e deve praticamente dobrar, para cerca de 950 TWh em 2030, o equivalente a aproximadamente 3% da demanda mundial de eletricidade. No mesmo período, o consumo dos data centers dedicados à IA deve triplicar6.
Esse é o pano de fundo que dá peso à pergunta da Scientific American. Um chip que resolva certas tarefas com uma fração da energia não elimina a necessidade de data centers, mas pode tirar deles parte do trabalho, sobretudo o processamento que hoje viaja até a nuvem apenas porque o dispositivo na ponta não tem fôlego para executá-lo1.
O que isso significa para o Brasil
No Brasil, a discussão sobre energia e computação ganhou números próprios. Relatório conjunto de ONS, CCEE e EPE projeta que a carga de energia associada a data centers com contratos de acesso à Rede Básica passe de 304 MW médios em 2026 para 3.457 MW médios em 2030, um salto de mais de 11 vezes em quatro anos7. O volume de interesse é muito maior: segundo a EPE, os projetos em processo de conexão somavam 26,2 GW no fim de 2025, número que cresceu após o lançamento do regime tributário especial para data centers, o Redata, e que não representa potência contratada nem garantia de construção8. Em entrevista neste mês, o diretor-geral do ONS, Marcio Rea, afirmou que o operador recebeu quase 20 GW em pedidos ligados a data centers entre 2025 e 20269.
A computação neuromórfica não vai alterar essas projeções até 2030. O que ela pode mudar, no médio prazo, é a distribuição do processamento. Em um país com agricultura extensiva, áreas remotas de monitoramento ambiental e uma lei de proteção de dados que impõe cuidado com informações de saúde, sensores capazes de processar dados no próprio aparelho, sem enviá-los à nuvem, têm apelo prático. O artigo original destaca justamente esse ganho de privacidade e de funcionamento offline em dispositivos vestíveis, câmeras e sensores médicos1.
Há também produção científica nacional no tema. A Revista Pesquisa Fapesp mostrou que grupos brasileiros investigam memristores, componentes que "lembram" a corrente que passou por eles e permitem calcular e armazenar no mesmo espaço, com parcerias envolvendo UFSCar, Unesp e Unicamp e a Universidade Nova de Lisboa10. Em abril de 2026, uma equipe internacional com participação do físico Victor Lopez-Richard, da UFSCar, publicou na Nature Communications um dispositivo feito na interface entre dois óxidos, LaAlO₃ e SrTiO₃, que opera ao mesmo tempo como transistor, memristor e memcapacitor. Os próprios autores classificam o resultado como prova de conceito em pesquisa básica11. O trabalho resulta de uma colaboração com a Universidade de Würzburg, na Alemanha, financiada pela Fapesp11.
O retrato é o de um país com competência em física de materiais, mas distante da fabricação de chips avançados. A distância entre o dispositivo de laboratório e o produto em escala passa por fábricas, padrões e cadeias de fornecimento que o Brasil ainda não domina.
- Eficiência medida em casa. Os ganhos mais impressionantes, como os 100 vezes do Loihi ou os 10 mil vezes do TrueNorth, foram obtidos em tarefas selecionadas e divulgados pelos próprios fabricantes. Não se aplicam automaticamente a qualquer carga de trabalho.
- A IA dominante não fala a língua dos spikes. Os grandes modelos de linguagem dependem de operações matemáticas densas e repetitivas, território em que as GPUs seguem imbatíveis1. Treinar redes de spikes ainda é mais difícil, e o ecossistema de software é imaturo, ponto reconhecido pela própria comunidade na revista Nature12.
- Eficiência nem sempre reduz consumo total. Na história da tecnologia, tornar algo mais barato de executar costuma ampliar o uso. Chips mais econômicos podem espalhar a IA por bilhões de aparelhos sem diminuir a demanda agregada por energia.
- O gargalo brasileiro imediato é outro. Até o fim da década, a pressão sobre a rede elétrica virá dos data centers convencionais em fila de conexão, e não de uma troca de arquitetura de chips.
O que observar nos próximos anos
A tendência mais provável não é a de um vencedor único. Em revisão publicada na Nature em 2025, 23 especialistas afirmam não esperar uma solução universal, e sim uma variedade de hardwares neuromórficos ajustados a necessidades específicas, de computação científica a agricultura de precisão e cidades inteligentes12. A autora do artigo da Scientific American, que liderou a elaboração de um roteiro britânico para a tecnologia até 2050 no hub NeuroWare, aponta na mesma direção: chips neuromórficos devem conviver com processadores e GPUs, assumindo as funções em que a vantagem energética é decisiva1.
Três sinais merecem acompanhamento: a consolidação de ferramentas de software que permitam a desenvolvedores comuns programar esses chips; a chegada de processadores neuromórficos a produtos de massa, como fones, relógios e câmeras de segurança; e a capacidade de países como o Brasil transformarem pesquisa em materiais em participação real na cadeia de semicondutores. A projeção citada pela pesquisadora, de um mercado global de cerca de US$ 20 bilhões em 2030, indica interesse comercial, mas continua sendo uma estimativa1.
O cérebro levou milhões de anos para chegar a uma máquina de 20 watts. A engenharia não precisa copiá-lo integralmente. Basta aprender a parar de desperdiçar energia no transporte de dados, uma lição que a biologia deixou pronta e que a indústria de chips só agora começa a levar a sério.
Perguntas frequentes
O que é computação neuromórfica?
É uma abordagem de hardware e algoritmos inspirada no cérebro. Os chips usam neurônios artificiais que disparam pulsos apenas quando recebem estímulo suficiente, guardam memória junto ao local do cálculo e processam informação quando ocorrem eventos, o que reduz o consumo de energia em tarefas específicas.
Por que o cérebro humano gasta tão pouca energia?
O cérebro opera com cerca de 20 watts porque a maioria dos seus 86 bilhões de neurônios fica inativa na maior parte do tempo e porque memória e processamento ocupam o mesmo lugar, nas sinapses. Não há transporte constante de dados entre unidades separadas, como nos computadores convencionais.
Chips neuromórficos vão substituir as GPUs?
A expectativa de pesquisadores é que não. As GPUs seguem mais adequadas às operações matemáticas densas dos grandes modelos de IA. Os chips neuromórficos tendem a ocupar nichos em que a economia de energia e a baixa latência são decisivas, como sensores, robôs, drones e dispositivos vestíveis.
Quanta energia os data centers consomem hoje?
Segundo a Agência Internacional de Energia, os data centers consumiram cerca de 485 TWh em 2025, e a projeção é de aproximadamente 950 TWh em 2030, perto de 3% da eletricidade mundial. No Brasil, ONS, CCEE e EPE projetam que a carga de data centers contratados passe de 304 MW médios em 2026 para 3.457 MW médios em 2030.
O Brasil pesquisa computação neuromórfica?
Sim, principalmente na área de materiais. Grupos da UFSCar, Unesp e Unicamp estudam memristores, e em 2026 uma equipe com participação da UFSCar publicou na Nature Communications um dispositivo que funciona como transistor, memristor e memcapacitor, ainda em estágio de prova de conceito.
Onde a computação neuromórfica já é usada?
Em câmeras de eventos inspiradas na retina, aplicadas em rastreamento de objetos no espaço e estudadas para veículos autônomos; em processadores comerciais de baixo consumo para sensores; e em sistemas de pesquisa de grande porte, como o Hala Point, da Intel, e o SpiNNaker, da Universidade de Manchester.
Este artigo tem como ponto de partida a reportagem "Could brain-inspired computers run on the same amount of power as a human brain?", de Aysha Asif Riaz, publicada originalmente pelo The Conversation e republicada pela Scientific American. O texto de O Tecido não é tradução nem reprodução do original: as informações atribuídas à publicação estão indicadas como referência 1, e os demais dados foram apurados em fontes independentes, listadas ao lado.