Chips de IA Analógicos: Como a Computação na Memória Reduz o Consumo de Energia das Redes Neuronais
A inteligência artificial está a tornar-se cada vez mais exigente, e a eletricidade necessária para executar redes neuronais é uma preocupação crescente. Os processadores convencionais gastam uma quantidade considerável de energia a transferir informações entre a memória e as unidades de processamento, sobretudo quando trabalham com modelos que contêm milhões ou milhares de milhões de parâmetros. Os chips de IA analógicos oferecem uma abordagem diferente: realizam cálculos diretamente nos circuitos de memória, reduzindo as transferências desnecessárias de dados. Esta técnica, conhecida como computação analógica na memória, poderá tornar os sistemas de IA mais rápidos e energeticamente eficientes. Estudos publicados entre 2023 e 2026 demonstraram o seu potencial no reconhecimento de voz, no processamento de linguagem e noutras aplicações de redes neuronais. No entanto, transformar resultados laboratoriais promissores em hardware fiável e amplamente disponível continua a ser um importante desafio de engenharia.
Como os Chips de IA Analógicos Alteram o Funcionamento das Redes Neuronais
A maioria dos sistemas modernos de IA utiliza processadores digitais, incluindo unidades de processamento gráfico (GPU), para realizar um enorme número de operações matemáticas. Estes processadores são particularmente eficazes na execução simultânea de cálculos complexos, mas continuam a precisar de aceder às informações armazenadas na memória. Sempre que uma rede neuronal processa uma imagem, reconhece uma voz ou gera texto, o processador recupera repetidamente os parâmetros do modelo e processa os dados recebidos. A movimentação destas informações consome eletricidade e exige tempo. À medida que as redes neuronais aumentam de dimensão, o custo das transferências de dados pode representar uma parte significativa das suas necessidades energéticas totais, mesmo quando os próprios cálculos são altamente eficientes.
Os chips de IA analógicos procuram resolver este problema aproximando o processamento e o armazenamento de dados no mesmo local físico. Em vez de transferirem continuamente valores numéricos para uma unidade de processamento separada, utilizam circuitos de memória especializados que participam diretamente nos cálculos. Propriedades elétricas, como a tensão, a corrente e a condutância, representam informações e ajudam a executar operações matemáticas. Isto não significa abandonar completamente a computação digital. A maioria dos projetos práticos combina matrizes de memória analógicas com circuitos digitais responsáveis pelo controlo das operações, pelo processamento dos resultados e pela comunicação com outros componentes. O principal objetivo é reduzir a energia consumida na movimentação de dados, preservando a precisão necessária para aplicações úteis de inteligência artificial.
Esta abordagem é particularmente adequada às redes neuronais porque muitas das suas operações envolvem a multiplicação de números e a soma dos resultados. Estes cálculos determinam a influência que diferentes informações exercem sobre a resposta produzida por um modelo. O hardware convencional executa-os através de sequências de instruções digitais, enquanto uma matriz de memória analógica consegue realizar simultaneamente muitas operações relacionadas, aproveitando o comportamento dos seus circuitos elétricos. Consequentemente, o chip pode processar determinadas tarefas de IA com menos etapas de cálculo convencionais. A melhoria depende do tipo de rede neuronal, da tecnologia de memória e dos circuitos auxiliares. Por isso, o processamento analógico deve ser entendido como um método especializado, e não como um substituto universal dos processadores existentes.
Porque é que a Computação Dentro da Memória Pode Poupar Eletricidade
Para compreender a poupança energética, considere-se uma rede neuronal que reconhece um comando de voz. As suas ligações internas contêm valores numéricos conhecidos como pesos, que determinam a forma como a rede responde a diferentes padrões sonoros. Um processador convencional precisa de aceder repetidamente a estes valores durante a análise do áudio recebido. Um chip analógico com computação na memória armazena os pesos em circuitos que também executam os cálculos necessários. Os sinais de entrada interagem com os valores armazenados, produzindo sinais elétricos de saída que representam os resultados. Como os pesos não precisam de circular constantemente entre unidades de memória e processamento separadas, o sistema consegue reduzir tanto a movimentação de dados como o consumo de energia associado.
Um dos modelos mais estudados utiliza uma matriz de barras cruzadas, conhecida como crossbar, constituída por uma rede de ligações elétricas que se cruzam e contêm dispositivos de memória. Cada dispositivo pode representar o peso de uma rede neuronal através da sua condutância elétrica, que descreve a facilidade com que a corrente elétrica o atravessa. Quando são aplicadas tensões de entrada, as correntes que percorrem a matriz correspondem a produtos matemáticos, enquanto a combinação dessas correntes representa naturalmente as respetivas somas. Este comportamento permite ao hardware executar a multiplicação de matrizes por vetores, uma operação fundamental nas redes neuronais. Embora a física envolva resistência elétrica e corrente, o princípio é simples: o comportamento físico do circuito de memória realiza parte dos cálculos que, de outra forma, teriam de ser executados separadamente por processadores digitais.
No entanto, a poupança de energia não é automática. Os chips analógicos continuam a necessitar de circuitos que preparem os sinais de entrada, convertam os resultados elétricos em valores digitais e coordenem a informação entre diferentes matrizes de memória. Estes componentes auxiliares também consomem eletricidade, e a sua contribuição pode tornar-se significativa quando um modelo exige conversões frequentes ou processamento adicional. Por isso, os engenheiros avaliam o chip completo, e não apenas a matriz de memória. Uma comparação útil deve também considerar a precisão, a velocidade de processamento e a quantidade de trabalho realizado. Um circuito analógico que execute operações individuais de forma eficiente pode apresentar uma vantagem menor quando os componentes eletrónicos auxiliares e os requisitos de comunicação são incluídos na avaliação global.
Tecnologias de Memória e Avanços Científicos por Detrás da IA Analógica
Estão a ser investigadas várias tecnologias de memória para a computação analógica de IA, cada uma com um equilíbrio diferente entre eficiência, precisão e complexidade de fabrico. A memória de mudança de fase é uma das abordagens mais amplamente demonstradas. Utiliza materiais cuja resistência elétrica se altera quando a sua estrutura interna é modificada por impulsos elétricos cuidadosamente controlados. Estas alterações permitem que os dispositivos de memória representem os pesos numéricos utilizados pelas redes neuronais. Os valores armazenados podem permanecer disponíveis sem uma alimentação elétrica contínua, o que torna a memória de mudança de fase interessante para determinados projetos orientados para a eficiência energética. Contudo, programar estes valores com precisão e manter a sua estabilidade ao longo do tempo exige soluções de engenharia cuidadosamente desenvolvidas.
A memória resistiva, frequentemente associada aos memristores, oferece outra possibilidade. Estes dispositivos conseguem alterar a sua resistência de acordo com os sinais elétricos anteriormente aplicados, permitindo-lhes armazenar informações e participar nos cálculos. Os investigadores também estão a estudar circuitos baseados em memória estática de acesso aleatório (SRAM), armazenamento de carga elétrica e combinações de diferentes tipos de memória. A SRAM já é amplamente utilizada nos processadores convencionais, mas a execução de operações analógicas em circuitos baseados nesta tecnologia introduz compromissos de conceção diferentes. Algumas memórias não voláteis emergentes oferecem armazenamento compacto, enquanto a SRAM pode proporcionar um comportamento digital previsível. A escolha da tecnologia depende da precisão necessária, dos processos de fabrico disponíveis, das condições de funcionamento e da rede neuronal que se pretende acelerar.
É importante salientar que a memória analógica não se limita a armazenar um único valor continuamente ajustável em cada dispositivo. Alguns projetos combinam vários dispositivos ou utilizam múltiplas medições elétricas para representar um peso numérico com maior precisão. Outros distribuem os cálculos entre circuitos analógicos e digitais, permitindo que cada tecnologia execute as operações para as quais está mais bem adaptada. Esta flexibilidade tem incentivado o desenvolvimento de processadores de IA de sinal misto, que combinam os dois tipos de circuitos. Em vez de tratarem a computação analógica e a digital como soluções concorrentes, os investigadores analisam cada vez mais a forma como podem funcionar em conjunto. Estas configurações permitem preservar as vantagens energéticas da computação na memória sem exigir que todas as etapas de uma rede neuronal funcionem através de sinais analógicos.
O Que a IBM e os Estudos Científicos Recentes Demonstraram
Uma demonstração importante foi apresentada pela IBM Research em 2023. Num estudo publicado na revista Nature, os investigadores descreveram um chip de IA analógico de 14 nanómetros, com aproximadamente 35 milhões de dispositivos de memória de mudança de fase distribuídos por 34 unidades de processamento. O chip alcançou um desempenho sustentado anunciado de até 12,4 biliões de operações por segundo por watt. Os investigadores demonstraram o reconhecimento preciso de palavras-chave e utilizaram cinco chips interligados para processar uma rede de transcrição de voz consideravelmente maior, com mais de 45 milhões de pesos. Estes resultados mostraram que a computação analógica na memória poderia suportar tarefas relevantes de redes neuronais, em vez de se limitar a demonstrações matemáticas isoladas. O valor de eficiência apresentado descreve o hardware experimental em condições específicas, não constituindo uma melhoria garantida relativamente a todas as GPU comerciais.
Os progressos continuaram em 2025. Um estudo publicado na Nature descreveu um processador de IA de precisão mista que combinava computação com memristores e computação baseada em SRAM, procurando resolver a dificuldade de manter a precisão enquanto se aproveitavam as vantagens de uma memória compacta e energeticamente eficiente. Em setembro de 2025, investigadores da IBM também comunicaram a execução de um modelo de linguagem ALBERT num chip de inferência analógico, com 7,1 milhões de pesos únicos representados através de aproximadamente 28,3 milhões de dispositivos. Nos testes de compreensão de linguagem apresentados, a precisão média do hardware ficou 1,8 pontos percentuais abaixo da referência de vírgula flutuante. O estudo demonstrou que o ajuste cuidadoso de um modelo e a compensação das imperfeições do hardware poderiam tornar a execução analógica viável para tarefas mais sofisticadas de processamento de linguagem.
Em 2026, a investigação científica concentrava-se cada vez mais na superação dos obstáculos que ainda limitavam o funcionamento fiável destes sistemas. Uma revisão publicada na Nature Materials, em maio de 2026, analisou a forma como o ruído, a variabilidade dos dispositivos e as imperfeições dos circuitos afetam a computação analógica baseada em memristores. O trabalho também examinou formas de melhorar a precisão sem comprometer excessivamente a vantagem energética original. Outro estudo importante, publicado em 2025 na Nature Computational Science, investigou cálculos analógicos na memória para o mecanismo de atenção utilizado nos modelos de linguagem. A arquitetura especializada apresentou reduções muito elevadas do consumo energético associado à atenção, em comparação com as implementações em GPU analisadas. Estes resultados demonstram um potencial considerável, mas aplicam-se a operações específicas e a projetos experimentais, não necessariamente à eletricidade total consumida por um modelo de linguagem completo.
Aplicações Práticas, Limitações e Futuro dos Chips de IA Analógicos
Os sistemas de IA mais pequenos e energeticamente eficientes estão entre as aplicações mais promissoras da computação analógica na memória. Os smartphones, os dispositivos vestíveis, as câmaras de segurança e os sensores industriais precisam frequentemente de analisar informações sem depender continuamente de servidores remotos. Um dispositivo capaz de reconhecer um comando de voz, detetar um som invulgar ou identificar um objeto localmente pode responder mais depressa e transmitir menos informações através da rede. Um consumo energético inferior também poderá permitir que os dispositivos alimentados por bateria funcionem durante mais tempo entre carregamentos. No entanto, o benefício depende de a rede neuronal caber na memória disponível, da frequência com que é executada e de os componentes eletrónicos auxiliares consumirem ou não mais energia do que aquela que os cálculos especializados conseguem poupar.
Os equipamentos médicos e os sistemas de monitorização industrial apresentam possibilidades adicionais. Um chip de IA compacto poderá ajudar a analisar sinais provenientes de sensores médicos, identificar vibrações invulgares em máquinas ou processar informações recolhidas por equipamentos de monitorização ambiental. Nestas aplicações, o baixo consumo de energia pode ser especialmente importante, uma vez que os dispositivos poderão ter de funcionar continuamente ou em locais onde a substituição de baterias é inconveniente. O processamento local também pode reduzir a necessidade de enviar informações sensíveis ou urgentes para outros sistemas. Contudo, a eficiência do hardware não garante, por si só, a fiabilidade médica nem a segurança industrial. Os sistemas utilizados em ambientes críticos exigem testes rigorosos, medidas de proteção adequadas e validação em condições reais de funcionamento antes de poderem ser considerados fiáveis para decisões importantes.
Os grandes centros de processamento de dados também poderão beneficiar futuramente de aceleradores analógicos, sobretudo quando as tarefas exigem a aplicação repetida de pesos de redes neuronais já estabelecidos. Esta atividade, denominada inferência, ocorre sempre que um modelo treinado produz previsões ou respostas. A inferência é particularmente adequada a esta abordagem porque os pesos podem permanecer inalterados durante muitos cálculos. O treino de um modelo é mais complexo: os pesos precisam de ser atualizados repetidamente à medida que o sistema aprende, o que pode aumentar a energia e o tempo necessários para programar os dispositivos de memória analógicos. Consequentemente, os aceleradores analógicos encontram-se atualmente numa fase de maior maturidade para determinadas tarefas de inferência do que para o treino generalizado de modelos de grande dimensão. Os futuros sistemas informáticos poderão utilizar processadores convencionais em conjunto com chips analógicos especializados, atribuindo diferentes tarefas ao hardware que as execute de forma mais eficiente.
Desafios Que Precisam de Ser Resolvidos Antes da Adoção Generalizada
A maior dificuldade técnica consiste em manter uma precisão numérica fiável. Os processadores digitais representam informações através de estados definidos com precisão, enquanto os circuitos analógicos funcionam com grandezas físicas afetadas pelo ruído elétrico, pela temperatura, pelas diferenças de fabrico e pelas alterações graduais dos materiais. Dois dispositivos de memória programados para representar o mesmo valor podem apresentar comportamentos ligeiramente diferentes. Algumas tecnologias também sofrem de deriva da condutância, o que significa que as características elétricas armazenadas se alteram ao longo do tempo. Estas imperfeições podem introduzir erros nos cálculos das redes neuronais, particularmente quando muitas operações estão interligadas. Os engenheiros procuram resolver o problema através de calibração, melhorias na conceção dos circuitos, seleção cuidadosa da precisão numérica e técnicas de treino que tenham em conta o comportamento do hardware real.
O fabrico e a compatibilidade com o software criam desafios adicionais. O software convencional de inteligência artificial foi desenvolvido para CPUs, GPUs e aceleradores digitais estabelecidos, o que torna relativamente simples executar modelos compatíveis em equipamentos amplamente disponíveis. Os chips analógicos exigem ferramentas adicionais para converter redes neuronais em configurações de memória adequadas e gerir a relação entre sinais físicos e cálculos digitais. Os programadores também precisam de considerar a vida útil dos dispositivos de memória, o número de vezes que os pesos podem ser reprogramados, os custos de produção e a integração nos processos de fabrico de semicondutores existentes. Mesmo um projeto experimental altamente eficiente pode enfrentar dificuldades comerciais se o rendimento de fabrico for baixo, se a programação for lenta ou se as suas vantagens desaparecerem quando integrado num sistema informático completo.
Em outubro de 2026, a computação analógica na memória continuava a ser uma área ativa de investigação e desenvolvimento, e não uma alternativa generalizada aos processadores convencionais de inteligência artificial. A sua principal vantagem assenta num princípio físico claro: realizar cálculos no local onde os pesos das redes neuronais estão armazenados pode eliminar uma quantidade substancial de movimentações desnecessárias de dados. As demonstrações científicas publicadas já apresentaram resultados úteis no processamento de voz, na compreensão de linguagem e em operações especializadas de redes neuronais. A próxima etapa depende da transformação destes avanços em chips precisos, acessíveis, fiáveis e fáceis de integrar em produtos reais. Se os engenheiros conseguirem equilibrar estes requisitos, o hardware de IA analógico poderá tornar-se uma componente importante de uma computação mais eficiente em termos energéticos, particularmente em aplicações nas quais o consumo de eletricidade, o calor e a autonomia da bateria impõem limites práticos à utilização da inteligência artificial.
