Em vez de processar fluxos intermináveis de uns e zeros como um processador clássico, este chip experimental se apoia na física analógica para executar tarefas de IA. A promessa chama atenção: cargas de trabalho de centros de dados com uma fração mínima do consumo de energia.
Uma ideia de 50 anos, reconstruída para a era da IA
Durante décadas, a evolução da computação seguiu um roteiro conhecido: mais transístores, chips menores e frequências mais altas. Essa fórmula digital colocou smartphones no bolso, viabilizou a nuvem e acelerou a IA moderna - mas também trouxe um problema crescente de energia.
Pesquisadores da Universidade de Pequim decidiram questionar esse caminho. No protótipo deles, a lógica binária deixa de ser o alicerce. No lugar, entram circuitos analógicos que tratam a informação como sinais elétricos contínuos, e não como bits discretos.
“Este chip de IA analógico supostamente executa cargas de trabalho-chave até 12 vezes mais rápido do que processadores digitais avançados, usando cerca de 1/200 da energia.”
A proposta, por si só, não é inédita. Antes da supremacia das máquinas digitais, computadores analógicos eram usados para resolver equações moldando tensões e correntes. A novidade está em tentar tornar isso viável novamente com técnicas modernas de fabricação e, ao mesmo tempo, ligar essa abordagem diretamente a algoritmos de IA.
Como a computação analógica muda a conta
Da lógica passo a passo à física fazendo o trabalho
Processadores digitais realizam tarefas ao fatiar tudo em longas sequências de operações. Cada soma, multiplicação ou comparação vira um micro passo dentro de um cronograma rígido. Mesmo em chips altamente paralelos, como GPUs, esse encadeamento pesa no consumo de energia e na latência.
No hardware analógico, o comportamento é outro. Os valores aparecem como tensões ou correntes que variam de forma suave. E as contas surgem da própria interação desses sinais dentro do circuito.
- Chips digitais calculam alternando bilhões de transístores em etapas coordenadas.
- Chips analógicos calculam deixando o comportamento elétrico realizar muitas operações ao mesmo tempo.
Esse paralelismo vem “de graça”, por ser consequência direta da física do dispositivo. Em vez de executar milhares de instruções para atualizar cada parâmetro de um modelo de IA, o circuito analógico chega a um novo estado em uma única transição física.
“Ao calcular diretamente onde os dados estão, o chip reduz o caro vai e vem entre memória e unidades de processamento - uma das principais fontes de desperdício de energia nos servidores de IA atuais.”
Enfrentando cargas reais de IA, e não apenas exemplos didáticos
O grupo liderado pelo pesquisador Sun Zhong buscou demonstrar que a IA analógica consegue lidar com dados grandes, desorganizados e do mundo real. Os resultados, publicados na revista Nature Communications, se concentram em uma técnica matemática chamada fatoração de matriz não negativa, ou NMF.
A NMF é bastante usada em sistemas de recomendação, análise de comportamento de usuários e processamento de imagens. Ela procura padrões escondidos em tabelas gigantescas de números - por exemplo, quais filmes tendem a agradar ao mesmo grupo de pessoas, ou quais áreas de uma imagem compartilham características semelhantes.
Em hardware digital convencional, a NMF fica rapidamente cara quando os conjuntos de dados chegam a milhões de registros. O chip de Pequim realiza a etapa central da NMF como uma operação analógica, na prática “gravando” a matemática na organização física do circuito.
Em testes que lembram motores de recomendação comerciais como os da Netflix ou do Yahoo, o chip lidou com conjuntos de dados comparáveis com velocidade muito maior e consumo de energia drasticamente menor do que concorrentes digitais recentes.
A mesma ideia foi aplicada em compressão de imagens. O chip analógico reconstruiu figuras com qualidade visual próxima à de algoritmos digitais de alta precisão, enquanto reduzia pela metade a necessidade de armazenamento.
Por que o hardware de IA atual bate num muro de energia
O gargalo de memória nos chips modernos
Aceleradores de IA de ponta, como as GPUs da série H da Nvidia, entregam desempenho de cálculo impressionante. Ainda assim, a eficiência deles esbarra em um obstáculo simples: transportar dados.
Em cada operação de IA, números são movidos entre bancos de memória e núcleos de processamento. Esse vai e vem constante tende a dominar tanto o tempo quanto o consumo energético. À medida que os modelos crescem para centenas de bilhões de parâmetros, a movimentação vira um gargalo sério.
O chip da Universidade de Pequim usa computação analógica “na memória”. Ou seja: os mesmos componentes físicos guardam os valores e também os transformam. O cálculo acontece onde o dado já está, reduzindo distância e diminuindo energia desperdiçada.
| Recurso | GPU de IA convencional | Chip analógico de IA (protótipo de laboratório) |
|---|---|---|
| Estilo de computação | Digital, instruções passo a passo | Analógico, mudanças de estado guiadas pela física |
| Uso de energia em tarefas de NMF | Linha de base (1x) | Aproximadamente 1/200 do digital |
| Velocidade nos trabalhos testados | Nível de referência | Relatado como até 12x mais rápido |
| Movimentação de dados | Transferências frequentes entre memória e processador | Computação majoritariamente na memória |
Estimativas do próprio grupo sugerem que, para operações específicas, esse desenho analógico poderia, em teoria, alcançar ganhos de velocidade de até 1.000 vezes em relação às GPUs líderes - desde que seja escalado e refinado.
A matemática incorporada ao silício
A fatoração de matriz não negativa pode soar técnica demais, mas está no centro de muitos algoritmos de recomendação e de descoberta de padrões. Formalizada no fim da década de 1990, ela decompõe uma matriz grande em duas menores que capturam a estrutura subjacente, com a exigência de que todos os valores permaneçam acima de zero.
Em sistemas digitais, a NMF é tratada como uma sequência extensa de multiplicações e somas. Já no chip chinês, esse procedimento é representado diretamente na circuitaria. Tensões traduzem as entradas das matrizes, e o desenho do hardware impõe as restrições de não negatividade e as regras de atualização.
“Um algoritmo que antes existia apenas como código agora aparece como um processo físico, se desenrolando por um chip gravado em silício.”
Um dos pareceristas descreveu os ganhos de velocidade e eficiência energética, nos casos avaliados, como abrangendo “várias ordens de magnitude” - uma expressão que indica surpresa real no vocabulário normalmente cauteloso de publicações científicas.
Impacto potencial para centros de dados e estratégia nacional
Por que isso importa para provedores de nuvem
Centros de dados de IA já consomem tanta eletricidade quanto países pequenos. Treinar um único modelo grande pode exigir megawatt-horas de energia, além de custos de refrigeração e infraestrutura. Governos começam a olhar com mais atenção para essa demanda, e provedores de nuvem sofrem pressão para manter emissões sob controle.
Um chip capaz de executar tarefas centrais de IA com 200 vezes menos energia - mesmo que apenas para parte das cargas - pode alterar a economia de sistemas de recomendação, plataformas de conteúdo e algumas ferramentas de análise.
A China tem ainda um incentivo adicional. Controles de exportação dos EUA sobre GPUs de alto desempenho empurraram pesquisadores a buscar alternativas. Investir em projetos analógicos, que dependem de componentes e conhecimentos diferentes, cria um caminho menos exposto a sanções tecnológicas externas.
Onde a IA analógica pode entrar primeiro
É improvável que chips analógicos substituam processadores de uso geral. Eles tendem a funcionar melhor em tarefas específicas, quando a matemática é bem conhecida e estável. Entre os usos iniciais mais prováveis estão:
- Motores de recomendação para streaming, e-commerce e redes sociais.
- Compressão de mídia em tempo real em redes de distribuição de conteúdo.
- Processamento de sinais em infraestrutura de telecomunicações.
- Aceleradores especializados dentro de sistemas maiores de IA.
Podem surgir arquiteturas híbridas: chips digitais cuidando da lógica de controle e de ramificações complexas, enquanto coprocessadores analógicos assumem núcleos numéricos pesados, como NMF ou multiplicações de matrizes.
Limites, riscos e o que ainda precisa ser provado
Ruído, precisão e confiabilidade
Circuitos analógicos enfrentam desafios que engenheiros do digital passam a vida tentando evitar. Ruído elétrico, variações de temperatura e diferenças de fabricação podem distorcer resultados. Para IA - que tolera certo grau de imperfeição - isso talvez seja aceitável, mas os limites ainda não estão bem definidos.
Centros de dados também exigem previsibilidade. O hardware precisa se comportar do mesmo jeito sempre, em milhões de chips e por anos. Protótipos de laboratório raramente oferecem garantias nessa escala.
Existe ainda a questão da flexibilidade. Quando um método matemático fica “fixo” no silício, alterá-lo não é tão simples quanto aplicar uma atualização de software. Isso torna o ciclo de projeto do chip e a escolha do algoritmo decisões muito mais estratégicas.
Segurança, manutenção e qualificação
A IA analógica abre novas dúvidas de segurança e manutenção. Atacantes poderiam explorar pequenas flutuações elétricas para inferir dados sensíveis? Como operadores testam e calibram placas cujo comportamento depende de efeitos físicos sutis?
Profissionais formados em sistemas digitais podem precisar de novas competências. Projetar, validar e depurar aceleradores analógicos exige uma combinação de conhecimento de física de dispositivos e de aprendizado de máquina que ainda é pouco comum.
O que isso pode significar para a tecnologia do dia a dia
Se chips analógicos de IA chegarem à maturidade comercial, o público provavelmente perceberá a mudança de forma indireta. Feeds de recomendação podem se atualizar mais rápido com o mesmo orçamento de hardware. Plataformas de vídeo podem entregar streams de melhor qualidade sem ampliar o consumo de energia. Centros de dados menores podem operar serviços de IA sofisticados sem refrigeração em escala industrial.
Há também um efeito local. Aceleradores analógicos compactos e de baixo consumo podem ficar mais perto de onde os dados nascem: em estações rádio base, linhas de fábrica ou até eletrodomésticos. Isso permitiria que parte do processamento de IA saísse da nuvem e rodasse no próprio local, reduzindo latência e tráfego de rede.
Por outro lado, chips mais eficientes podem incentivar ainda mais uso de IA. Menos energia por operação não garante menor consumo total se o número de operações continuar subindo. Formuladores de políticas e empresas precisarão acompanhar os dois lados dessa conta.
Por enquanto, o protótipo chinês serve como lembrete de que o avanço da computação nem sempre segue uma linha digital contínua. Em certos momentos, recuperar uma ideia analógica antiga e combiná-la com a matemática moderna da IA pode liberar um desempenho que fileiras densas de transístores têm dificuldade de igualar.
Comentários
Ainda não há comentários. Seja o primeiro!
Deixar um comentário