Chip de IA analógico da Universidade de Pequim promete até 12x mais velocidade com 1/200 da energia

Em vez de triturar fluxos intermináveis de uns e zeros como um processador clássico, este chip experimental recorre à física analógica para executar tarefas de IA. A promessa chama atenção: dar conta de cargas de trabalho de centro de dados consumindo só uma fração da energia.

Uma ideia de 50 anos, reconstruída para a era da IA

Durante décadas, a evolução da computação seguiu um roteiro conhecido: mais transistores, chips menores e frequências de relógio mais altas. Essa receita digital viabilizou smartphones, computação em nuvem e a IA moderna - mas também trouxe uma dor de cabeça crescente com energia.

Pesquisadores da Universidade de Pequim decidiram desafiar esse roteiro. No protótipo deles, a lógica binária deixa de ser o modelo central. 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 ideia, por si só, não é inédita. Antes do domínio das máquinas digitais, engenheiros construíam computadores analógicos capazes de resolver equações “moldando” tensões e correntes. O que muda agora é a tentativa de tornar essa abordagem novamente prática, com técnicas modernas de fabricação e uma integração direta com algoritmos de IA.

Como a computação analógica muda a conta

Da lógica passo a passo à física fazendo o trabalho

Processadores digitais resolvem tarefas quebrando-as em longas sequências de operações. Cada soma, multiplicação ou comparação vira um pequeno passo dentro de uma agenda rígida. Mesmo em chips muito paralelos, como GPUs, essa sequência pesa no consumo de energia e na latência.

No hardware analógico, o comportamento é outro. Os números são representados como tensões ou correntes que variam de modo contínuo. As contas acontecem conforme esses sinais interagem no próprio circuito.

• Chips digitais calculam alternando bilhões de transistores em passos coordenados.
• Chips analógicos calculam deixando o comportamento elétrico realizar muitas operações ao mesmo tempo.

Esse paralelismo vem “de graça” da física do dispositivo. Em vez de executar milhares de instruções para atualizar cada parâmetro de um modelo de IA, o circuito analógico alcança um novo estado em uma única transição física.

Ao computar diretamente onde os dados estão, o chip reduz a movimentação cara entre memória e unidades de processamento - uma das maiores fontes de desperdício de energia nos servidores de IA atuais.

Enfrentando cargas reais de IA, e não apenas exemplos de laboratório

A equipe liderada pelo pesquisador Sun Zhong buscou demonstrar que IA analógica pode lidar com dados grandes, desorganizados e do mundo real. Os resultados, publicados na revista Nature Communications, se concentram numa técnica matemática chamada factorização de matriz não negativa, ou NMF.

A NMF aparece com frequência em sistemas de recomendação, análise de comportamento de usuários e processamento de imagens. Em essência, ela tenta revelar padrões escondidos em enormes tabelas de números - por exemplo, quais filmes costumam agradar ao mesmo grupo de pessoas, ou quais regiões de uma imagem compartilham características parecidas.

Em hardware digital convencional, a NMF tende a ficar cara rapidamente quando os conjuntos de dados chegam a milhões de entradas. O chip de Pequim implementa a etapa central da NMF diretamente como uma operação analógica, na prática “fixando” a matemática na própria estrutura física.

Em testes que lembram motores comerciais de recomendação, como os de Netflix ou Yahoo, o chip processou conjuntos de dados comparáveis com velocidade muito superior e consumo de energia drasticamente menor do que rivais digitais recentes.

A mesma ideia também foi aplicada à compressão de imagens. O chip analógico reconstruiu figuras com qualidade visual próxima à de algoritmos digitais de alta precisão, ao mesmo tempo em que reduziu pela metade a necessidade de armazenamento.

Por que o hardware atual de IA bate numa parede de energia

O gargalo de memória nos chips modernos

Aceleradores de IA de ponta, como as GPUs da série H da Nvidia, exibem desempenho de computação impressionante. Ainda assim, a eficiência deles esbarra num problema simples: transportar dados.

A cada operação de IA, números são deslocados entre bancos de memória e núcleos de processamento. Esse vai e volta constante domina tanto o tempo quanto o gasto energético. À medida que os modelos crescem para a casa das centenas de bilhões de parâmetros, essa movimentação vira um gargalo sério.

O chip da Universidade de Pequim adota computação analógica “em memória”. Isso significa que os mesmos componentes físicos armazenam os valores e também os transformam. O cálculo ocorre onde os dados já estão, encurtando distâncias e diminuindo energia desperdiçada.

Característica	GPU convencional de IA	Chip de IA analógico (protótipo de laboratório)
Estilo de computação central	Digital, instruções passo a passo	Analógico, mudanças de estado guiadas pela física
Consumo de energia em tarefas de NMF	Referência (1x)	Aproximadamente 1/200 do digital
Velocidade nas cargas testadas	Nível de referência	Relatado como até 12x mais rápido
Movimentação de dados	Transferências frequentes entre memória e processador	Computação majoritariamente em memória

Estimativas do grupo de pesquisa indicam que, para operações específicas, o desenho analógico poderia teoricamente alcançar acelerações de até 1.000 vezes frente às GPUs líderes - se a solução for escalada e refinada.

A matemática incorporada ao silício

A factorização de matriz não negativa pode soar obscura, mas está no centro de muitos algoritmos de recomendação e de detecção de padrões. Formalizada no fim dos anos 1990, ela decompõe uma matriz grande em duas menores que capturam a estrutura subjacente, com a restrição de que todos os valores permaneçam acima de zero.

Sistemas digitais tratam a NMF como uma longa sequência de multiplicações e somas. Já o chip chinês materializa esse processo no circuito. As tensões representam as entradas da matriz, 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 surge como um processo físico, se desenrolando num chip gravado em silício.

Um avaliador independente descreveu os ganhos de velocidade e eficiência energética, nos casos testados, como abrangendo “várias ordens de magnitude” - uma expressão que sugere surpresa genuína na linguagem normalmente cautelosa da publicação científica.

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-hora de energia, além de custos de refrigeração e infraestrutura. Governos começam a examinar essa demanda, e provedores de nuvem enfrentam pressão para manter emissões sob controle.

Um chip capaz de executar tarefas centrais de IA com 200 vezes menos energia - mesmo que apenas para um subconjunto de cargas - pode mudar a economia de sistemas de recomendação, plataformas de conteúdo e algumas ferramentas de análise.

A China tem ainda um motivo adicional. Controles de exportação dos EUA sobre GPUs de alto desempenho levaram pesquisadores do país a buscar alternativas. Investir em desenhos analógicos, que dependem de componentes e conhecimento diferentes, abre 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 bem definidas, com matemática estável e conhecida. 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 entrega de conteúdo.
• Processamento de sinais em infraestrutura de telecomunicações.
• Aceleradores especializados dentro de sistemas maiores de IA.

Podem surgir arquiteturas híbridas: chips digitais ficam com a lógica de controle e desvios complexos, enquanto coprocessadores analógicos assumem os núcleos numéricos pesados, como NMF ou multiplicações de matrizes.

Limites, riscos e o que ainda precisa ser comprovado

Ruído, precisão e confiabilidade

Circuitos analógicos lidam com desafios que engenheiros do mundo digital se esforçam para evitar. Ruído elétrico, variações de temperatura e diferenças de fabricação podem distorcer resultados. Em IA, que tolera algum nível de imperfeição, isso pode ser aceitável - mas os limites ainda não estão claros.

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.

Há ainda a questão da flexibilidade. Quando um método matemático é “gravado” no silício, atualizá-lo não é tão simples quanto aplicar um patch de software. Isso torna os ciclos de projeto e a escolha de algoritmos decisões ainda mais estratégicas.

Segurança, manutenção e formação técnica

A IA analógica traz novas perguntas sobre segurança e manutenção. Será que atacantes poderiam explorar flutuações elétricas mínimas 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 rara.

O que isso pode significar para a tecnologia do dia a dia

Se chips de IA analógicos atingirem maturidade comercial, o público provavelmente notará a mudança primeiro de forma indireta. Feeds de recomendação poderiam se atualizar mais rápido com o mesmo orçamento de hardware. Plataformas de vídeo poderiam entregar streams de maior qualidade sem fazer o consumo de energia disparar. Centros de dados menores talvez rodem serviços sofisticados de IA sem refrigeração em escala industrial.

Há também um efeito local. Aceleradores analógicos compactos e de baixo consumo poderiam 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 crescendo. Empresas e formuladores de políticas terão de acompanhar os dois lados dessa conta.

Por enquanto, o protótipo chinês reforça que o avanço da computação nem sempre segue uma linha digital reta. Em alguns momentos, resgatar uma ideia analógica antiga - e conectá-la à matemática moderna de IA - pode destravar desempenho que fileiras densas de transistores têm dificuldade de igualar.