Quando alguém fala em computador neuromórfico, pode surgir a impressão de que existe uma arquitetura padrão para construir máquinas inspiradas no cérebro.
Não existe.
TrueNorth, Loihi, SpiNNaker e BrainScaleS seguiram caminhos bastante diferentes.
Um utiliza milhões de neurônios digitais organizados em núcleos neurossinápticos. Outro aposta em processadores programáveis orientados a eventos. Há uma arquitetura construída em torno de inúmeros núcleos ARM e outra que usa circuitos analógicos para reproduzir fisicamente a dinâmica de neurônios.
Todos pertencem ao universo da computação neuromórfica, mas não são versões concorrentes de um mesmo produto.
São diferentes respostas para uma pergunta ainda aberta:
qual é a melhor maneira de construir computadores capazes de explorar algumas das estratégias de processamento encontradas nos sistemas nervosos?
Uma revisão publicada na Nature em 2025 chama atenção justamente para essa diversidade de arquiteturas e para os desafios de escalá-las, programá-las e compará-las.
TrueNorth, Loihi, SpiNNaker e BrainScaleS em uma tabela
Antes de entrar nos detalhes, vale visualizar as diferenças principais.
| Sistema | Abordagem principal | Característica marcante | Foco |
|---|---|---|---|
| IBM TrueNorth | Digital e orientado a eventos | 1 milhão de neurônios digitais em um chip | Inferência eficiente e pesquisa neuromórfica |
| Intel Loihi 2 | Digital, programável e orientado a eventos | Neurônios e regras de aprendizado mais flexíveis | SNN, aprendizado e aplicações neuromórficas |
| SpiNNaker / SpiNNaker2 | Muitos núcleos de processador interligados | Flexibilidade para simular grandes redes de spikes | Neurociência, SNN e computação distribuída |
| BrainScaleS-2 | Analógico/digital híbrido | Dinâmica neural executada muito mais rápido que o tempo biológico | Neurociência e aprendizado neuromórfico |
Essa tabela, porém, não permite decidir qual é “mais poderoso”.
E existe uma razão importante para isso.
Não compare apenas o número de neurônios
Em computação convencional, podemos comparar algumas características de dois processadores relativamente semelhantes.
Em hardware neuromórfico, isso é muito mais complicado.
Um “neurônio” do TrueNorth não é fisicamente equivalente a um neurônio do BrainScaleS-2.
Um núcleo ARM executando modelos neurais no SpiNNaker também não corresponde diretamente a um núcleo neuromórfico do Loihi.
Portanto, afirmar que:
um sistema com 1 bilhão de neurônios é mil vezes melhor que outro com 1 milhão
seria incorreto.
Número de neurônios, quantidade de sinapses, consumo energético, velocidade e capacidade de aprendizado precisam ser analisados dentro da arquitetura e da aplicação específica.
Essa diferença também explica por que benchmarks neuromórficos ainda são um problema importante para a área. A revisão da Nature sobre computação neuromórfica em escala aponta justamente a falta de métricas e ecossistemas padronizados como uma das barreiras do campo.
IBM TrueNorth: um marco da computação neuromórfica digital
O TrueNorth foi apresentado pela IBM Research em 2014 e se tornou um dos chips mais emblemáticos da história recente da computação neuromórfica.
Ele possuía:
- 5,4 bilhões de transistores;
- 4.096 núcleos neurossinápticos;
- 1 milhão de neurônios digitais programáveis;
- 256 milhões de sinapses configuráveis.
Tudo isso estava integrado em um único chip, conforme documentado no artigo original do TrueNorth publicado pela IBM Research.
A arquitetura foi projetada para funcionar de maneira altamente paralela e orientada a eventos.
Em vez de depender continuamente de uma CPU central movimentando informações entre processador e memória, os núcleos podiam trocar eventos por uma rede interna.
Essa organização se afastava do modelo tradicional de von Neumann.
Quanto o TrueNorth consumia?
Um dos números que mais chamou atenção na época foi o consumo.
Em uma demonstração de visão computacional com entrada de vídeo de 400 × 240 pixels a 30 quadros por segundo, a IBM relatou cerca de 63 mW para o chip.
Esse número não deve ser interpretado como consumo universal do TrueNorth em qualquer tarefa.
Era o resultado de uma configuração e aplicação específicas.
Essa distinção será particularmente importante no último artigo deste cluster, dedicado justamente à eficiência energética.
O TrueNorth aprendia sozinho no chip?
Aqui aparece uma limitação importante.
O TrueNorth era configurável, mas não foi projetado para executar aprendizado in situ da mesma maneira que plataformas neuromórficas posteriores.
Redes podiam ser treinadas externamente e depois mapeadas para o hardware. Trabalhos da própria IBM descrevem treinamento em ambientes convencionais antes da implantação no TrueNorth.
Portanto, ele era extremamente relevante como mecanismo de execução neuromórfica eficiente, mas possuía limitações importantes para experimentos de plasticidade e aprendizado diretamente no chip.
E o TrueNorth ainda é a principal arquitetura neuromórfica da IBM?
Não.
Esse é um ponto importante para manter o artigo atualizado.
A própria IBM descreve hoje o TrueNorth como um precursor da arquitetura NorthPole.
NorthPole continua explorando ideias como paralelismo massivo e memória próxima da computação, mas abandonou alguns elementos do TrueNorth: a IBM explica que o novo projeto deixou os neurônios pulsantes e o desenho assíncrono em favor de outra abordagem digital para inferência de IA.
Isso torna o TrueNorth particularmente interessante como marco histórico.
Ele ajudou a demonstrar que era possível implementar em silício uma arquitetura neurossináptica digital extremamente paralela e eficiente.
Intel Loihi: tornar o neurônio programável
Se o TrueNorth foi um grande marco, o Loihi, da Intel Labs, levou várias ideias neuromórficas para uma plataforma mais flexível de pesquisa.
O primeiro Loihi surgiu em 2017.
Em 2021, a Intel apresentou sua segunda geração:
Loihi 2.
Um Loihi 2 pode suportar até aproximadamente 1 milhão de neurônios artificiais, distribuídos em 128 núcleos neuromórficos. A documentação técnica do Loihi 2 informa também capacidade para cerca de 120 milhões de sinapses por chip.
Mas a principal diferença não está apenas nos números.
Está na programabilidade.
O que torna Loihi 2 diferente?
O Loihi 2 foi projetado para permitir modelos de neurônios mais flexíveis e comunicação por eventos.
A Intel descreve sua arquitetura neuromórfica como baseada em:
- computação esparsa;
- eventos assíncronos;
- redes neurais espinhosas;
- memória próxima à computação;
- conexões que podem mudar ao longo do tempo.
Isso permite explorar algoritmos que dependem da dimensão temporal dos spikes, algo que já explicamos no artigo do TecMaker sobre redes neurais espinhosas.
O Loihi também foi acompanhado por um elemento fundamental:
software.
A Intel desenvolveu o framework aberto Lava, criado para facilitar a programação de aplicações neuromórficas.
Isso é importante porque criar um chip exótico sem uma maneira prática de programá-lo limita bastante sua utilidade.
Hala Point mostrou como Loihi pode escalar
O TecMaker já aprofundou essa arquitetura no artigo sobre o Intel Hala Point e o Loihi 2.
Hala Point conecta 1.152 processadores Loihi 2 e chega a aproximadamente 1,15 bilhão de neurônios artificiais e 128 bilhões de sinapses, segundo a documentação oficial da Intel sobre o Hala Point.
Mas novamente é necessário evitar uma interpretação errada:
1,15 bilhão de neurônios artificiais não transformam o Hala Point em um cérebro.
São unidades computacionais modeladas matematicamente.
O sistema continua sendo uma plataforma experimental de pesquisa.
SpiNNaker tomou outro caminho
O SpiNNaker nasceu de uma filosofia diferente.
Em vez de criar um circuito que reproduz diretamente cada característica de uma sinapse artificial, pesquisadores da Universidade de Manchester construíram um sistema composto por uma enorme quantidade de processadores ARM interligados.
SpiNNaker significa:
Spiking Neural Network Architecture.
Seu objetivo original era permitir a simulação em tempo real de redes muito grandes de neurônios pulsantes.
A máquina de primeira geração instalada em Manchester chegou à escala de aproximadamente um milhão de núcleos de processamento, além de centenas de sistemas menores distribuídos para grupos de pesquisa ao redor do mundo.
Isso significa que cada núcleo ARM é um neurônio?
Não.
Essa distinção é fundamental.
Um núcleo do SpiNNaker executa em software a dinâmica de múltiplos neurônios.
Portanto:
núcleo de processador ≠ neurônio artificial.
Esse é mais um motivo pelo qual comparar sistemas neuromórficos apenas usando seus números publicados pode produzir conclusões erradas.
Por que usar processadores ARM?
A vantagem é a flexibilidade.
Modelos neuronais podem ser implementados por software e distribuídos entre milhares ou milhões de núcleos.
Em vez de ter um circuito físico extremamente especializado para cada neurônio, o sistema utiliza processadores programáveis e uma rede de comunicação otimizada para distribuir spikes.
Isso torna o SpiNNaker particularmente interessante para:
- neurociência computacional;
- simulações cerebrais;
- redes neurais pulsantes;
- robótica;
- experimentação com novos modelos neurais.
SpiNNaker2 mudou bastante a arquitetura
O projeto não terminou na primeira geração.
O SpiNNaker2 foi desenvolvido em colaboração entre a TU Dresden e a Universidade de Manchester.
O chip atual integra 152 núcleos ARM Cortex-M4F, além de aceleradores especializados para redes neurais profundas, redes espinhosas e outros tipos de computação. Ele é fabricado em tecnologia 22 nm FDSOI, conforme a documentação da TU Dresden sobre o SpiNNaker2.
Um trabalho revisado por pares publicado em 2026 descreve também consumo basal inferior a 250 mW para o chip e mecanismos destinados a adaptar consumo e desempenho à carga de trabalho.
Portanto, o SpiNNaker2 já não é apenas uma tentativa de “fazer mais SpiNNaker”.
Ele combina:
processadores convencionais pequenos + aceleradores especializados + comunicação orientada a eventos + gerenciamento energético.
Essa mistura mostra como as fronteiras entre hardware convencional e neuromórfico estão ficando menos rígidas.
BrainScaleS escolheu o caminho analógico
Se TrueNorth e Loihi são digitais e SpiNNaker utiliza processadores programáveis, o BrainScaleS segue uma abordagem bastante diferente.
O projeto foi desenvolvido na Universidade de Heidelberg dentro do ecossistema europeu de pesquisa neuromórfica.
No BrainScaleS-2, parte da dinâmica de neurônios e sinapses é implementada fisicamente por circuitos analógicos.
Isso significa que o sistema não precisa necessariamente calcular, passo a passo, uma equação que descreve um neurônio.
A própria física do circuito pode representar essa dinâmica.
BrainScaleS-2 pode funcionar mais rápido que um cérebro biológico
Essa é uma das características mais curiosas da plataforma.
Imagine uma dinâmica neural que levaria um segundo em tempo biológico.
Determinados experimentos podem ser executados no hardware em aproximadamente um milésimo desse intervalo.
Isso torna a plataforma particularmente interessante para testar rapidamente modelos de dinâmica neural e plasticidade.
Quantos neurônios existem em um BrainScaleS-2?
Um chip BrainScaleS-2 possui:
- 512 circuitos de neurônios adaptativos;
- 131.072 sinapses físicas;
- processadores digitais incorporados;
- roteamento de eventos.
Essas características são documentadas pela Universidade de Heidelberg na página de hardware do BrainScaleS-2.
À primeira vista, 512 neurônios parecem muito pouco diante do milhão existente em TrueNorth ou Loihi 2.
Mas novamente:
as unidades não são equivalentes.
No BrainScaleS-2, os circuitos analógicos implementam fisicamente a dinâmica dos neurônios e podem funcionar em uma escala temporal acelerada.
Portanto, comparar apenas a contagem seria enganoso.
BrainScaleS-2 ganhou uma expansão importante em 2026
Aqui está uma atualização particularmente relevante para este artigo.
Em setembro de 2026, a infraestrutura europeia EBRAINS apresentou uma versão multi-chip do BrainScaleS-2.
A configuração descrita pelo EBRAINS utiliza duas backplanes capazes de conectar 24 chips BrainScaleS-2, totalizando aproximadamente:
- 12 mil neurônios;
- 3 milhões de circuitos sinápticos.
O sistema mantém comunicação entre chips com latências da ordem de microssegundos. Os pesquisadores também projetam configurações ainda maiores, com pelo menos 120 chips.
Diferentemente de várias plataformas experimentais difíceis de acessar, o BrainScaleS-2 também está disponível para pesquisadores por meio da infraestrutura EBRAINS.
Qual deles é mais parecido com o cérebro?
Nenhum reproduz o cérebro.
Essa precisa ser a resposta principal.
BrainScaleS utiliza circuitos físicos inspirados na dinâmica neural.
Loihi trabalha diretamente com eventos e modelos de neurônios pulsantes.
SpiNNaker consegue simular grandes redes neurais em tempo real.
TrueNorth implementou milhões de neurônios digitais e uma rede de comunicação orientada a eventos.
Mas um cérebro biológico possui:
- diferentes tipos de neurônios;
- neurotransmissores;
- células gliais;
- plasticidade em várias escalas;
- estruturas tridimensionais;
- crescimento e remodelação;
- metabolismo;
- processos químicos;
- interações com todo o organismo.
Nenhum desses sistemas reproduz essa complexidade completa.
“Neuromórfico” significa inspirado em determinados princípios neurais, não “cérebro eletrônico”.
Qual deles é melhor para redes neurais espinhosas?
Não existe vencedor universal.
Loihi 2
É particularmente interessante quando pesquisadores querem explorar SNNs programáveis, aprendizado, temporalidade e aplicações orientadas a eventos.
SpiNNaker
Tem grande força em simulação flexível e em escala de modelos neurais, especialmente quando o pesquisador precisa experimentar diferentes modelos em software.
BrainScaleS-2
É interessante quando a pesquisa se beneficia de dinâmica física analógica e execução acelerada.
TrueNorth
Foi extremamente importante para demonstrar inferência neuromórfica digital eficiente, mas representa uma geração anterior e possui menos flexibilidade para aprendizado no próprio chip.
É exatamente essa diversidade que torna o campo interessante.
E qual combina melhor com câmeras de eventos?
As câmeras de eventos produzem fluxos assíncronos de alterações de luminosidade.
Esse formato combina naturalmente com arquiteturas capazes de lidar com eventos sem converter continuamente tudo para frames completos.
Loihi e outras plataformas neuromórficas são pesquisadas para esse tipo de fluxo.
SpiNNaker também pode receber e processar eventos.
BrainScaleS pode integrar processamento sensorial em arquiteturas experimentais.
Em 2026, por exemplo, pesquisadores demonstraram um sistema BrainScaleS-2 recebendo sinais analógicos de dois microfones e controlando a orientação de um pequeno mecanismo em resposta à direção do som.
O ponto importante é que:
sensor neuromórfico e processador neuromórfico podem trabalhar juntos, mas não precisam necessariamente pertencer à mesma arquitetura.
E onde entram os memristores?
Nenhuma dessas quatro famílias precisa obrigatoriamente de memristores para ser considerada neuromórfica.
Como vimos no artigo sobre memristores e sinapses artificiais, dispositivos memristivos representam outra linha de pesquisa.
Eles podem armazenar estados de condutância e participar diretamente de cálculos.
Isso abre possibilidades para:
- sinapses artificiais;
- computação em memória;
- arrays analógicos;
- novos aceleradores neuromórficos.
Mas Loihi, TrueNorth e SpiNNaker demonstram que é perfeitamente possível construir sistemas neuromórficos utilizando tecnologias CMOS digitais convencionais.
Por que existem tantas arquiteturas diferentes?
Porque a própria pergunta ainda não foi resolvida.
O cérebro consegue realizar percepção, controle motor, memória e aprendizado com consumo energético extraordinariamente baixo.
Mas não sabemos qual parte dessa eficiência deve ser reproduzida em computadores.
Talvez seja:
a esparsidade.
Talvez seja:
a comunicação por eventos.
Ou:
a proximidade entre memória e processamento.
Talvez seja necessário usar circuitos analógicos.
Ou talvez processadores digitais altamente especializados sejam suficientes.
TrueNorth, Loihi, SpiNNaker e BrainScaleS funcionam quase como quatro experimentos em grande escala sobre essa questão.
Comparação direta: a filosofia de cada projeto
Podemos resumir as diferenças desta maneira:
TrueNorth
“Vamos construir milhões de neurônios digitais extremamente eficientes.”
O projeto mostrou até onde uma arquitetura neurossináptica digital orientada a eventos poderia chegar.
Loihi
“Vamos tornar esse processamento neuromórfico mais programável e capaz de explorar aprendizado e temporalidade.”
A Intel priorizou flexibilidade para pesquisa em novos algoritmos neuromórficos.
SpiNNaker
“Vamos construir uma enorme máquina paralela programável para simular redes neurais em tempo real.”
A arquitetura privilegia flexibilidade de software e escala de comunicação.
BrainScaleS
“Vamos fazer a própria física do circuito executar a dinâmica neural.”
O projeto aposta fortemente em computação analógica e aceleração temporal.
Nenhuma dessas respostas encerrou o problema.
Por que uma GPU ainda pode vencer todos eles?
Porque hardware especializado não é automaticamente melhor.
No artigo sobre CPU, GPU, NPU e chips neuromórficos, mostramos que uma GPU possui um ecossistema extremamente maduro.
Ela conta com:
- bibliotecas consolidadas;
- ferramentas de desenvolvimento;
- frameworks de IA;
- grande capacidade de memória;
- hardware disponível comercialmente;
- décadas de otimização.
Um chip neuromórfico pode apresentar excelente eficiência em uma determinada tarefa e ainda assim perder para uma GPU quando consideramos:
- desenvolvimento;
- treinamento;
- comunicação;
- precisão;
- software;
- escalabilidade;
- integração com outras aplicações.
Uma revisão sobre resultados do Loihi já chamava atenção para isso: redes convencionais feedforward podem apresentar pouco benefício no hardware neuromórfico, enquanto vantagens maiores aparecem em problemas que realmente exploram recorrência, temporalidade, esparsidade e eventos.
Esse é um dos pontos mais importantes de todo o cluster:
computação neuromórfica não é uma GPU mais eficiente. É outra maneira de organizar determinados tipos de computação.
Qual está mais próximo de virar produto de consumo?
Em 2026, nenhum dos quatro sistemas deve ser tratado como equivalente às CPUs, GPUs ou NPUs presentes em notebooks e celulares.
Loihi 2 continua sendo descrito pela Intel como processador de pesquisa neuromórfica.
BrainScaleS-2 permanece como infraestrutura científica, embora já possa ser acessado remotamente por pesquisadores por meio do EBRAINS.
SpiNNaker2 avançou para uma geração mais moderna e Manchester destaca iniciativas voltadas a levar a tecnologia para aplicações práticas.
TrueNorth, por sua vez, tornou-se principalmente um marco na trajetória que levou a outras arquiteturas da IBM, como NorthPole.
Portanto, existe progresso concreto.
Mas ainda há uma grande distância entre um sistema experimental e um chip produzido aos milhões para consumidores.
FAQ
O que é TrueNorth?
TrueNorth é um processador neuromórfico digital apresentado pela IBM Research em 2014. O chip integra 1 milhão de neurônios digitais, 256 milhões de sinapses configuráveis e 4.096 núcleos neurossinápticos.
O que é Loihi?
Loihi é uma família de processadores neuromórficos de pesquisa da Intel Labs. A segunda geração, Loihi 2, suporta redes neurais espinhosas, comunicação por eventos e modelos neuronais programáveis.
O que é SpiNNaker?
SpiNNaker é uma arquitetura de computação baseada em grande quantidade de processadores interconectados, originalmente criada na Universidade de Manchester para executar e simular grandes redes neurais pulsantes.
O que é BrainScaleS?
BrainScaleS é uma plataforma neuromórfica desenvolvida em Heidelberg que combina circuitos analógicos e processamento digital. O BrainScaleS-2 pode executar dinâmicas neurais aproximadamente mil vezes mais rápido que o tempo biológico.
TrueNorth e Loihi são iguais?
Não. Embora ambos sejam digitais e neuromórficos, Loihi oferece maior flexibilidade para modelos neuronais e mecanismos de aprendizado, enquanto TrueNorth foi projetado principalmente para execução eficiente de redes previamente configuradas.
SpiNNaker é um chip neuromórfico?
SpiNNaker é melhor entendido como uma plataforma neuromórfica many-core. Seus processadores convencionais são conectados por uma infraestrutura otimizada para comunicação de spikes e execução de grandes modelos neuronais.
BrainScaleS é analógico?
Parte central da computação no BrainScaleS-2 é implementada por circuitos analógicos, combinados com processamento e controle digitais. Por isso, ele é frequentemente descrito como uma arquitetura de sinal misto.
Qual desses sistemas é o mais poderoso?
A pergunta não possui uma resposta simples. As arquiteturas representam neurônios de maneiras diferentes e foram construídas para objetivos diferentes. Comparar apenas número de neurônios, sinapses ou watts pode produzir conclusões enganosas.
Eles podem substituir GPUs?
Não há demonstração de que essas plataformas substituam GPUs de maneira geral. A principal oportunidade está em aplicações que realmente se beneficiem de eventos, esparsidade, dinâmica temporal e processamento próximo à memória.
Algum deles possui consciência?
Não. Nenhuma dessas plataformas demonstrou consciência, experiência subjetiva ou qualquer propriedade equivalente à consciência biológica.
Conclusão
TrueNorth, Loihi, SpiNNaker e BrainScaleS mostram que não existe uma única maneira de construir um computador inspirado no cérebro.
TrueNorth demonstrou que milhões de neurônios digitais poderiam funcionar de maneira eficiente em hardware dedicado.
Loihi tornou a computação por spikes mais programável e explorou aprendizado e processamento orientado a eventos.
SpiNNaker apostou em uma enorme rede de processadores convencionais trabalhando juntos para simular sistemas neurais.
BrainScaleS levou parte da própria dinâmica neuronal para circuitos físicos analógicos.
Quatro projetos.
Quatro arquiteturas.
Quatro interpretações diferentes sobre quais características do cérebro realmente valem a pena levar para o silício.
E ainda não sabemos qual caminho prevalecerá.
Talvez nenhum deles isoladamente.
O futuro da computação neuromórfica pode acabar combinando circuitos digitais, processamento analógico, memristores, sensores baseados em eventos e processadores convencionais.
A questão então deixa de ser:
“qual deles imita melhor o cérebro?”
e passa a ser:
“qual princípio biológico realmente produz uma vantagem computacional mensurável?”
Essa pergunta nos leva diretamente ao último artigo deste cluster.
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.
