Sistemas de inteligência artificial (IA) cada vez maiores e mais poderosos demandam um consumo de energia drasticamente maior. Uma nova pesquisa da Universidade de Massachusetts Amherst, publicada na revista Nature Communications nesta segunda-feira (8/6), sugere que é possível alcançar capacidades avançadas de IA com um uso de energia muito menor.
A equipe, liderada pela professora Hava Siegelmann, desenvolveu uma nova IA que espelha o funcionamento do cérebro humano. O projeto busca permitir que os sistemas aprendam continuamente e, ao mesmo tempo, reduzam a energia necessária para a computação inteligente.
Leia Mais
-
Sistema de IA antecipa comportamentos e abre caminho para novos estudos da mente
-
Sem voz, mulher testa implante e tem pensamentos "traduzidos" em frases
“Os sistemas de IA atuais são extraordinariamente poderosos, mas também consomem muita energia”, disse Siegelmann. “Nosso trabalho mostra que é possível projetar uma IA que permaneça altamente capaz, operando com muito mais eficiência.”
Como o cérebro supera a IA em eficiência
O cérebro humano tem cerca de 86 bilhões de neurônios e consome aproximadamente 20 watts de energia, o equivalente a uma pequena lâmpada de LED. Em comparação, o treinamento dos maiores modelos de IA pode exigir dezenas de milhões de watts.
A alta eficiência do cérebro se deve ao seu funcionamento assíncrono. Apenas pequenos grupos de neurônios são ativados para tarefas específicas, permitindo comportamentos complexos com baixo consumo energético.
Diferente do cérebro, sistemas de IA como ChatGPT e Claude dependem de computações sincronizadas. Suas atualizações ocorrem simultaneamente, regidas por um relógio global, o que exige cálculos substanciais e um gasto intensivo de energia.
“Essa abordagem sincronizada funcionava bem quando as redes neurais eram relativamente pequenas”, explicou Siegelmann. “Mas, à medida que os sistemas de IA cresceram para bilhões e até trilhões de parâmetros, os requisitos de energia tornaram-se cada vez mais dispendiosos.”
A solução: redes neurais assíncronas
Para resolver o problema, a equipe de Siegelmann criou a ANT (Redes Neurais de Turing Assíncronas). A nova arquitetura elimina a necessidade de sincronização global, mas preserva as propriedades que tornam as redes neurais profundas altamente treináveis.
“O principal desafio foi eliminar o relógio global de sincronização sem sacrificar o poder computacional ou a adaptabilidade”, afirmou Siegelmann. A ANT atualiza apenas os neurônios necessários em cada etapa, o que pode reduzir o consumo de energia em várias ordens de magnitude.
A equipe de pesquisa agora trabalha para aprimorar a eficiência energética da ANT e expandir suas capacidades para aprendizado contínuo. A abordagem pode ser valiosa para sistemas autônomos com restrições de energia, como robôs, veículos autônomos e dispositivos de computação de borda.
A pesquisa foi financiada pela Fundação Nacional de Ciência dos EUA e pelo Escritório de Pesquisa Científica da Força Aérea.
Uma ferramenta de IA foi usada para auxiliar na produção desta reportagem, sob supervisão editorial humana.
