Chip de IA analógico da Universidade de Pequim: 12 vezes mais rápido com 1/200 da energia

Em vez de ficar processando fluxos intermináveis de uns e zeros como um processador clássico, este chip experimental aposta na física analógica para executar tarefas de IA. A promessa chama a atenção: cargas de trabalho do porte de centros de dados com uma fração mínima do custo energético.

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, frequências mais altas. Essa fórmula digital viabilizou smartphones, computação em nuvem e a IA moderna - mas também trouxe um problema crescente de consumo de energia.

Pesquisadores da Universidade de Pequim decidiram desafiar essa lógica. No protótipo deles, o chip de IA deixa de lado a lógica binária como base e, no lugar, usa circuitos analógicos que tratam a informação como sinais elétricos contínuos, não como bits discretos.

Este chip de IA analógico, segundo relatos, executa cargas de trabalho-chave até 12 vezes mais rápido do que processadores digitais avançados, consumindo cerca de 1/200 da energia.

A ideia, por si só, não é inédita. Antes de as máquinas digitais dominarem, engenheiros já construíam computadores analógicos que resolviam equações “moldando” tensões e correntes. A novidade está em tentar tornar essa abordagem novamente prática, com técnicas modernas de fabricação e conectando-a diretamente a algoritmos de IA.

Como a computação analógica muda a lógica do cálculo

Da lógica passo a passo para a física fazendo o trabalho

Processadores digitais executam tarefas como uma longa lista de operações. Cada soma, multiplicação ou comparação vira um pequeno passo num cronograma rígido. Mesmo em chips muito paralelos, como GPUs, essa sequência continua pesando no consumo de energia e na latência.

No hardware analógico, o comportamento é outro. Os números aparecem como tensões ou correntes que variam de forma contínua. E os cálculos acontecem conforme esses sinais interagem dentro do próprio 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” pela própria 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 transporte caro entre memória e unidades de processamento - uma grande fonte de desperdício de energia nos servidores de IA atuais.

Enfrentando cargas reais de IA, e não apenas problemas de demonstração

A equipe liderada pelo pesquisador Sun Zhong buscou demonstrar que a IA analógica consegue lidar com dados grandes, “bagunçados” 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 muito usada em sistemas de recomendação, análise de comportamento de usuários e processamento de imagens. Ela procura padrões ocultos em tabelas gigantes de números - por exemplo, quais filmes tendem a agradar ao mesmo grupo de pessoas, ou quais regiões de uma imagem compartilham características semelhantes.

Em hardware digital convencional, a NMF fica rapidamente cara 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, essencialmente “fixando” a matemática no arranjo físico.

Em testes semelhantes aos de mecanismos comerciais de recomendação, como os da Netflix ou do Yahoo, o chip processou conjuntos de dados comparáveis com muito mais velocidade e com consumo de energia drasticamente menor do que rivais digitais recentes.

A mesma estratégia também foi testada em 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, entregam um desempenho de cálculo impressionante. Ainda assim, a eficiência é limitada por um problema direto: movimentar dados.

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

O chip da Universidade de Pequim usa computação analógica “na memória”. Na prática, os mesmos componentes físicos guardam os números e também os transformam. Assim, o cálculo acontece onde o dado já está, encurtando o caminho e diminuindo energia desperdiçada.

Recurso	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	Linha de base (1x)	Cerca de 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 na memória

Estimativas do grupo de pesquisa sugerem que, em operações específicas, o desenho analógico poderia teoricamente atingir acelerações de até 1,000 vezes frente às GPUs líderes, se for escalado e refinado.

A matemática “assada” no silício

A fatoração de matriz não negativa pode soar como algo muito especializado, mas está no centro de muitos algoritmos de recomendação e de descoberta 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 sequência longa de multiplicações e somas. Já o chip chinês incorpora esse processo diretamente no circuito. 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 aparece como um processo físico, se desenrolando em um chip gravado em silício.

Um parecerista descreveu os ganhos de velocidade e eficiência energética, nos casos testados, como “várias ordens de magnitude” - uma expressão que indica surpresa genuína na linguagem normalmente contida 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 demandar megawatt-hora de energia, além de custos de resfriamento 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 - ainda que apenas em uma parte das cargas - pode mudar a economia de sistemas de recomendação, plataformas de conteúdo e certas ferramentas de análise.

A China tem ainda um incentivo extra. Controles de exportação dos EUA sobre GPUs de alto desempenho empurraram pesquisadores do país a procurar alternativas. Investir em projetos analógicos, que dependem de componentes e conhecimentos diferentes, oferece um caminho menos exposto a sanções tecnológicas estrangeiras.

Onde a IA analógica pode entrar primeiro

É improvável que chips analógicos substituam processadores de uso geral. Eles fazem mais sentido em tarefas direcionadas, em que a matemática é bem compreendida e estável. Usos iniciais prováveis incluem:

• 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.

Também podem surgir arquiteturas híbridas, nas quais chips digitais cuidam da lógica de controle e de desvios complexos, enquanto coprocessadores analógicos assumem núcleos numéricos pesados, como NMF ou multiplicações de matrizes.

Limites, riscos e o que ainda precisa ser comprovado

Ruído, precisão e confiabilidade

Circuitos analógicos trazem desafios que engenheiros do mundo digital se esforçam para evitar. Ruído elétrico, deriva de temperatura e variações de fabricação podem distorcer resultados. Para IA - que tolera algum grau de imperfeição - isso pode ser aceitável, mas ainda não está claro até onde vai esse limite.

Centros de dados também exigem previsibilidade. O hardware precisa se comportar da mesma forma sempre, em milhões de chips e ao longo de anos. Protótipos de laboratório raramente oferecem garantias nessa escala.

Existe ainda a questão da flexibilidade. Quando um método matemático fica “amarrado” no silício, atualizá-lo não é tão simples quanto enviar um patch de software. Isso torna o ciclo de projeto do chip e a escolha do algoritmo decisões bem mais estratégicas.

Segurança, manutenção e competências

A IA analógica abre novas perguntas sobre segurança e manutenção. 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 física de dispositivos e conhecimento 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 chegarem à maturidade comercial, a mudança pode ser percebida primeiro de forma indireta. Feeds de recomendação poderiam ser atualizados mais rápido com o mesmo orçamento de hardware. Plataformas de vídeo poderiam entregar streams de qualidade mais alta sem inflar o consumo de energia. Centros de dados menores poderiam rodar serviços avançados de IA sem resfriamento em escala industrial.

Há também um aspecto 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 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 significa automaticamente menos consumo total se o número de operações continuar crescendo. Governos 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 reta. Às vezes, recuperar uma ideia analógica antiga e combiná-la com matemática moderna de IA destrava um desempenho que fileiras densas de transístores têm dificuldade de igualar.