Computação neuromórfica é uma abordagem de computação que tenta aproveitar alguns princípios de funcionamento dos sistemas nervosos para construir máquinas mais eficientes em determinados tipos de processamento.
Em vez de executar todas as tarefas da mesma maneira que CPUs e GPUs tradicionais, sistemas neuromórficos podem trabalhar com muitos elementos simples em paralelo, trocar informações por eventos e manter parte do estado da computação próxima de onde o processamento acontece.
Isso explica por que você encontrará expressões como “chips inspirados no cérebro”.
Mas é preciso fazer uma correção desde o início: esses computadores não são cérebros artificiais.
Eles não reproduzem fielmente um neurônio humano, não possuem consciência e não demonstraram inteligência semelhante à nossa simplesmente porque usam componentes chamados de “neurônios” e “sinapses”.
O que a engenharia faz é selecionar algumas propriedades úteis observadas na neurociência — como processamento distribuído, atividade esparsa e comunicação baseada em eventos — e transformá-las em circuitos e modelos matemáticos. Uma revisão publicada na Nature sobre computação neuromórfica em escala descreve a computação neuromórfica justamente como uma abordagem inspirada no cérebro para projetar hardware e algoritmos capazes de implementar redes neurais com eficiência.
O que é computação neuromórfica?
A expressão engloba uma família de tecnologias, e não apenas um tipo de chip.
Em muitos sistemas neuromórficos, os pesquisadores usam redes neurais pulsantes, conhecidas pela sigla inglesa SNN, de Spiking Neural Networks.
Nelas, as unidades artificiais não precisam transmitir continuamente números umas às outras. Em determinadas arquiteturas, elas enviam pequenos eventos — os chamados spikes — quando certas condições são atingidas.
Imagine uma sala cheia de sensores.
Em um sistema convencional, seria como perguntar repetidamente a todos:
“Alguma coisa mudou?”
“E agora?”
“E agora?”
Em um sistema orientado a eventos, cada sensor poderia permanecer silencioso e enviar uma mensagem apenas quando algo relevante acontecesse.
Essa comparação ajuda a compreender a ideia de computação orientada a eventos.
Entretanto, a analogia termina aí. Um spike eletrônico ou matemático é uma representação extremamente simplificada quando comparado aos processos eletroquímicos de um neurônio biológico real. A neurociência é muito mais complexa do que o modelo usado pelos chips.
Além disso, nem toda pesquisa neuromórfica usa exatamente a mesma arquitetura. Existem sistemas digitais, analógicos, mistos, implementações com memórias resistivas, dispositivos spintrônicos, circuitos fotônicos e outras abordagens experimentais. A literatura recente mostra que o campo continua bastante diversificado.
De onde surgiu essa ideia?
A tentativa de criar máquinas inspiradas em sistemas biológicos é antiga, mas o campo moderno da computação neuromórfica está fortemente associado ao engenheiro e físico Carver Mead, do Instituto de Tecnologia da Califórnia, o Caltech.
Em 1990, Mead publicou o artigo Neuromorphic Electronic Systems no Proceedings of the IEEE. O trabalho discutia a possibilidade de construir sistemas eletrônicos que aproveitassem princípios físicos e arquiteturais presentes no processamento biológico.
Portanto, computação neuromórfica não nasceu com a atual explosão da inteligência artificial generativa.
Ela vem sendo desenvolvida há décadas.
O que mudou recentemente foi a importância econômica do problema que essa área tenta enfrentar.
Modelos de IA cada vez maiores exigem enormes quantidades de memória, processamento e energia. O TecMaker já mostrou como a inteligência artificial está se tornando uma infraestrutura global, dependente de chips, data centers e eletricidade.
Nesse cenário, procurar arquiteturas capazes de realizar determinadas tarefas com menor consumo energético deixou de ser apenas uma curiosidade acadêmica.
Como funciona?
Para entender por que pesquisadores investigam computadores neuromórficos, vale comparar duas maneiras diferentes de organizar uma máquina.
O modelo convencional
Computadores tradicionais seguem, em grande parte, uma organização derivada da chamada arquitetura de von Neumann.
De forma simplificada, existe uma separação entre:
- processamento;
- memória;
- armazenamento;
- movimentação dos dados entre esses componentes.
Quando uma aplicação de inteligência artificial precisa executar bilhões ou trilhões de operações, uma quantidade enorme de dados viaja continuamente entre memória e unidades de processamento.
Esse deslocamento consome tempo e energia.
É uma das razões pelas quais hardware se tornou um ponto tão importante na evolução da IA. O TecMaker também acompanha esse lado físico da inteligência artificial ao explicar como a ASML viabiliza a fabricação dos chips avançados usados em IA.
O modelo neuromórfico
Muitas arquiteturas neuromórficas tentam tornar processamento, estado e comunicação mais distribuídos.
Em vez de uma única unidade realizar sequências enormes de cálculos, muitos “neurônios” artificiais podem trabalhar simultaneamente.
Além disso, quando o sistema é orientado a eventos, regiões inativas podem simplesmente não produzir eventos.
Isso permite explorar esparsidade: se pouca coisa está acontecendo, pouca coisa precisa ser calculada.
Uma analogia possível é imaginar duas empresas.
Na primeira, todo funcionário precisa enviar cada pequena tarefa para uma central, esperar que ela consulte um arquivo e depois receber uma resposta.
Na segunda, várias equipes têm informações e capacidade de decisão próximas delas mesmas e só enviam mensagens quando algo relevante acontece.
A segunda organização reduz parte do tráfego interno.
Mas a analogia não significa que um chip neuromórfico seja organizado exatamente como um cérebro. Ela ajuda apenas a visualizar por que distribuir processamento e reduzir movimentação de dados pode economizar recursos.
O que são os “spikes”?
Em muitas redes neurais tradicionais, os neurônios artificiais processam valores numéricos a cada etapa da computação.
Em uma SNN, a própria ocorrência e o momento de um pulso podem carregar informação.
Isso torna essas redes particularmente interessantes para sinais temporais, como:
- movimento;
- som;
- atividade de sensores;
- eventos visuais;
- robótica;
- monitoramento contínuo.
Sensores neuromórficos também podem trabalhar dessa maneira.
Uma câmera convencional registra quadros inteiros dezenas de vezes por segundo.
Já uma câmera baseada em eventos pode registrar principalmente mudanças de luminosidade em pontos da imagem.
Se grande parte da cena está parada, ela não precisa repetir a mesma informação continuamente.
Esse casamento entre sensor orientado a eventos e processador orientado a eventos é uma das áreas mais promissoras para robôs, drones e dispositivos que precisam reagir rapidamente usando pouca energia.
O que as evidências mostram
A computação neuromórfica já funciona em hardware real. Não estamos falando apenas de uma simulação teórica.
Ao longo dos últimos anos, diferentes grupos construíram processadores e sistemas experimentais capazes de executar redes neurais pulsantes e outras cargas de trabalho.
IBM TrueNorth
Um dos projetos mais conhecidos foi o TrueNorth, da IBM.
O processador possuía 4.096 núcleos neurossinápticos, aproximadamente 1 milhão de neurônios artificiais e 256 milhões de sinapses programáveis. A IBM publicou demonstrações envolvendo percepção visual e redes recorrentes, com baixo consumo para aquelas cargas específicas.
Isso demonstrou que arquiteturas neuromórficas poderiam existir em chips digitais reais em grande escala.
Porém, não demonstrou a existência de um “cérebro de um milhão de neurônios”.
Os chamados neurônios do TrueNorth eram unidades computacionais artificiais.
Intel Loihi e Loihi 2
A Intel desenvolveu posteriormente a família Loihi, voltada especificamente para pesquisa neuromórfica.
O Loihi 2 permite executar modelos de neurônios pulsantes, comunicação baseada em eventos e mecanismos de aprendizado no próprio chip.
A empresa mantém ainda o framework aberto Lava, criado para desenvolver software destinado a sistemas neuromórficos.
Em 2024, a Intel anunciou o Hala Point, um sistema experimental composto por 1.152 processadores Loihi 2, capaz de representar até aproximadamente 1,15 bilhão de neurônios artificiais e 128 bilhões de sinapses. A Intel o apresentou naquele momento como o maior sistema neuromórfico de sua categoria.
Mas há uma palavra que não pode desaparecer dessa frase:
experimental.
Hala Point foi construído como plataforma de pesquisa. A própria Intel o descrevia como um protótipo destinado a explorar aplicações futuras, e não como substituto comercial imediato das GPUs atuais.
SpiNNaker
Outro projeto importante vem da Universidade de Manchester, no Reino Unido.
O sistema SpiNNaker utiliza mais de um milhão de núcleos ARM de baixo consumo interligados por uma rede especializada para executar grandes simulações de redes neurais pulsantes em tempo real.
Mais uma vez, é importante separar os conceitos.
SpiNNaker pode simular grandes redes de neurônios.
Isso não significa que tenha recriado um cérebro humano.
O que ainda não foi demonstrado
É aqui que muitas manchetes sobre computação neuromórfica exageram.
Não foi demonstrado que chips neuromórficos substituirão CPUs e GPUs
Computadores convencionais são extraordinariamente eficientes em muitos tipos de tarefa.
Uma arquitetura neuromórfica pode superar sistemas tradicionais em consumo de energia ou latência para uma determinada carga de trabalho e perder completamente a vantagem em outra.
Uma revisão publicada em 2026 destaca justamente que comparar plataformas apenas por “número de neurônios”, consumo do chip ou operações por segundo pode ser enganoso. É necessário considerar a tarefa, o modelo, a taxa de eventos, o software e até quais partes do sistema foram incluídas na medição de energia.
Portanto:
“este chip gastou menos energia neste experimento”
não significa:
“computação neuromórfica é sempre mais eficiente”.
Não foi demonstrado que esses chips pensam como pessoas
Usar a palavra “neurônio” não transforma uma unidade de silício em uma célula cerebral.
Um cérebro possui estruturas químicas, biológicas e eletrofisiológicas que os modelos atuais representam apenas de maneira extremamente parcial.
Aliás, nem mesmo a neurociência compreende completamente como todos os níveis de organização do cérebro produzem capacidades cognitivas complexas.
Não foi demonstrada consciência
Não existe evidência científica de que um processador neuromórfico se torne consciente simplesmente porque sua arquitetura contém elementos inspirados no cérebro.
Computação neuromórfica e consciência artificial são questões diferentes.
Também não reproduzimos o aprendizado humano
Redes pulsantes conseguem aprender em determinadas configurações, mas isso ainda está muito distante da flexibilidade do aprendizado biológico.
Pesquisadores já destacaram, por exemplo, que ainda não conseguimos reproduzir em SNNs algumas das características de aprendizado rápido observadas em sistemas biológicos.
Exemplos e experimentos
Hoje, os projetos mais conhecidos ajudam a mostrar como o campo se divide:
| Sistema | Instituição | O que demonstra |
|---|---|---|
| TrueNorth | IBM | Processador neurossináptico digital de baixo consumo |
| Loihi / Loihi 2 | Intel Labs | Redes pulsantes, processamento por eventos e aprendizado neuromórfico |
| Hala Point | Intel Labs | Escalonamento de Loihi 2 para mais de 1 bilhão de neurônios artificiais |
| SpiNNaker | Universidade de Manchester | Simulação em grande escala de redes neurais pulsantes |
Esses sistemas utilizam estratégias diferentes.
Isso também mostra por que “computador neuromórfico” não descreve uma única arquitetura padronizada, como ocorre quando falamos de um processador x86.
A revisão científica publicada na Nature identificou justamente desafios de escalabilidade, software, interoperabilidade e maturidade do ecossistema como barreiras que ainda precisam ser resolvidas.
Aplicações possíveis
A computação neuromórfica tende a fazer mais sentido onde existem três necessidades combinadas:
resposta rápida + dados contínuos + pouca energia disponível.
Robótica
Um robô pode receber sinais de visão, tato, movimento e som continuamente.
Processamento baseado em eventos pode permitir reação com latência reduzida sem enviar todos os dados para a nuvem.
Essa possibilidade se conecta diretamente à evolução da chamada IA física, tema já explicado pelo TecMaker: sistemas capazes de perceber o ambiente, tomar decisões e agir no mundo real dependem cada vez mais da integração entre sensores, modelos e hardware local.
Drones e veículos
Sistemas que precisam detectar rapidamente mudanças no ambiente podem se beneficiar de sensores e processadores orientados a eventos.
Dispositivos vestíveis
Relógios, sensores biomédicos e equipamentos portáteis não têm uma bateria infinita.
Processar somente eventos relevantes pode ser vantajoso em aplicações específicas.
Indústria
Sensores neuromórficos podem ser empregados em monitoramento contínuo de equipamentos, vibração, som ou movimento.
Edge AI
Talvez essa seja uma das aplicações comerciais mais importantes.
Em vez de enviar continuamente informações para um data center, parte da inteligência roda próxima do sensor.
Esse princípio se relaciona ao avanço da IA embarcada em dispositivos autônomos, que já permite a projetos maker e dispositivos autônomos executar alguns modelos localmente.
E os memristores?
Uma vertente importante da pesquisa tenta desenvolver componentes eletrônicos que possam funcionar de forma parecida com uma sinapse artificial.
Um exemplo são os memristores.
Simplificando bastante, são dispositivos cuja resistência elétrica pode depender de seu histórico de atividade. Essa propriedade permite explorar armazenamento e processamento no mesmo componente.
Pesquisas recentes investigam memórias resistivas, materiais ferroelétricos, memórias de mudança de fase, spintrônica e outras tecnologias para implementar sistemas neuromórficos.
No entanto, muitos desses dispositivos ainda enfrentam desafios como:
- variabilidade;
- durabilidade;
- fabricação;
- precisão;
- integração com processos industriais;
- reproducibilidade entre chips.
Portanto, um memristor experimental que funciona em laboratório não equivale automaticamente a um processador pronto para fabricação em massa.
O que isso muda na prática?
Para quem usa um notebook ou celular hoje, provavelmente nada de imediato.
Não há razão para imaginar que seu próximo computador abandonará CPUs e GPUs e passará a funcionar apenas com “neurônios artificiais”.
O cenário mais plausível é de especialização.
Computadores já usam diferentes tipos de processadores:
- CPU para tarefas gerais;
- GPU para processamento altamente paralelo;
- NPU para determinados cálculos de IA;
- aceleradores específicos para vídeo, áudio e segurança.
Um acelerador neuromórfico poderia tornar-se mais um desses componentes.
Por exemplo, um dispositivo poderia usar uma arquitetura neuromórfica para monitorar continuamente sensores com baixo consumo e ativar um processador mais potente apenas quando algo importante acontecesse.
É nesse tipo de tarefa específica que a tecnologia pode encontrar sua maior vantagem.
Computação neuromórfica pode diminuir o consumo energético da IA?
Em alguns tipos de carga, já existem evidências de vantagens importantes. Em toda e qualquer inteligência artificial, não.
Essa distinção é essencial.
Intel, IBM e grupos acadêmicos demonstraram ganhos significativos de eficiência em experimentos específicos. Entretanto, não existe um número universal do tipo:
“computação neuromórfica usa 100 vezes menos energia que GPUs”.
O resultado depende do algoritmo, chip, precisão necessária, sensores, software e método de medição.
Essa cautela se tornou ainda mais importante porque revisões do campo continuam apontando benchmarking e comparação justa entre plataformas como problemas em aberto.
Perguntas frequentes
Computação neuromórfica imita o cérebro humano?
Ela se inspira em alguns princípios do processamento neural, mas não reproduz fielmente o cérebro. Os “neurônios” e “sinapses” dos chips são abstrações matemáticas ou eletrônicas.
O que é um chip neuromórfico?
É um processador projetado para executar formas de computação inspiradas em sistemas nervosos, frequentemente usando processamento paralelo, atividade esparsa e comunicação orientada a eventos.
O que são redes neurais pulsantes?
São redes conhecidas como Spiking Neural Networks, nas quais unidades artificiais podem trocar sinais discretos chamados spikes. O momento em que esses eventos ocorrem pode fazer parte da informação processada.
Computação neuromórfica é inteligência artificial?
As áreas se cruzam, mas não são sinônimos. Computação neuromórfica é uma abordagem de hardware e computação. Ela pode executar algoritmos de IA, mas também pode ser utilizada em simulações de neurociência e outros problemas.
Computadores neuromórficos são conscientes?
Não há evidência de que sejam.
Computação neuromórfica substituirá GPUs?
Isso não foi demonstrado. A tendência mais plausível é que chips neuromórficos atuem como aceleradores especializados em tarefas nas quais sua arquitetura oferece vantagem.
Já existem computadores neuromórficos reais?
Sim. TrueNorth, Loihi, Loihi 2, Hala Point e SpiNNaker são exemplos reais de hardware ou sistemas neuromórficos de pesquisa. Isso, porém, não significa que a tecnologia já tenha adoção generalizada em computadores de consumo.
Por que essa tecnologia pode gastar menos energia?
Principalmente porque determinadas arquiteturas processam informações de forma esparsa e orientada a eventos, reduzindo cálculos e movimentações de dados quando não há atividade relevante.
Conclusão
Computação neuromórfica não é a tentativa de colocar um cérebro humano dentro de um computador.
É uma tentativa de responder a uma pergunta muito mais prática:
podemos aprender alguma coisa com a maneira como sistemas biológicos processam informação para construir computadores mais eficientes?
Quase quatro décadas de pesquisa mostram que a resposta é, pelo menos em parte, sim.
Chips neuromórficos já processam redes pulsantes, detectam eventos, executam tarefas de percepção e permitem experimentos em escalas antes difíceis de alcançar.
Por outro lado, ainda estamos longe de provar que essa arquitetura substituirá o hardware convencional ou reproduzirá as capacidades gerais de um cérebro.
O ponto mais interessante talvez esteja justamente no meio desses dois extremos.
À medida que inteligência artificial se espalha por robôs, sensores, veículos e dispositivos que precisam operar continuamente, fazer mais computação com menos energia pode ser tão importante quanto construir modelos maiores.
E é nesse problema que a computação neuromórfica pode ter seu papel mais concreto.
A Equipe TecMaker é o núcleo editorial e de testes do portal, dedicada a trazer análises imparciais, comparativos de produtos e as últimas notícias do universo da tecnologia. Nosso objetivo é decodificar a inovação e ajudar nossos leitores a fazerem as melhores escolhas no mercado digital e de dispositivos emergentes.
