A promessa aparece com frequência quando se fala em computação neuromórfica:

chips inspirados no cérebro podem gastar muito menos energia do que CPUs e GPUs.

Há resultados experimentais que sustentam essa possibilidade.

Mas existe um problema.

Comparar eficiência energética em hardware neuromórfico é muito mais complicado do que colocar dois números de watts lado a lado.

Um chip pode consumir pouca potência e demorar muito mais para concluir uma tarefa.

Outro pode consumir mais watts, mas terminar o processamento rapidamente.

Um terceiro pode parecer extremamente eficiente porque o benchmark mediu apenas o chip — enquanto CPU auxiliar, conversores, memória e pré-processamento ficaram fora da conta.

Por isso, a pergunta correta não é simplesmente:

“quantos watts esse chip consome?”

É:

“quanta energia o sistema inteiro gastou para resolver a mesma tarefa, com a mesma qualidade e dentro do mesmo limite de tempo?”

Essa diferença é fundamental para entender o verdadeiro potencial da computação neuromórfica.

Potência e energia não são a mesma coisa

Antes de comparar arquiteturas, precisamos separar duas medidas frequentemente confundidas.

Potência indica a velocidade com que um sistema está consumindo energia naquele momento.

É normalmente medida em watts.

Energia considera também quanto tempo o sistema permaneceu executando a tarefa.

Em termos simplificados:

energia = potência × tempo

Isso significa que um processador consumindo 20 watts durante um segundo pode gastar menos energia para terminar uma tarefa do que outro consumindo 5 watts durante dez segundos.

Por isso, dizer apenas que um chip “consome 500 mW” ou “funciona abaixo de 1 W” não responde sozinho à pergunta sobre eficiência.

É necessário saber o que ele estava fazendo e por quanto tempo.

Por que a computação neuromórfica pode economizar energia?

Existem motivos arquitetônicos reais.

Muitos sistemas neuromórficos tentam reduzir justamente alguns dos maiores desperdícios encontrados na computação convencional.

Processamento orientado a eventos

Em determinadas arquiteturas, nada precisa acontecer enquanto não houver informação relevante.

Um neurônio artificial pode permanecer inativo até receber estímulos suficientes para produzir um spike.

Essa lógica aparece nas redes neurais espinhosas.

Em vez de atualizar continuamente toda a rede, apenas partes ativas podem consumir recursos computacionais.

Esparsidade

Dados reais frequentemente possuem muito menos informação útil do que sua representação completa sugere.

Uma imagem pode conter milhões de pixels, mas apenas uma pequena região estar mudando.

É justamente a ideia explorada pelas câmeras de eventos.

Se o hardware consegue evitar cálculos associados a zeros ou dados irrelevantes, economiza operações.

Memória próxima do processamento

Em computadores convencionais, mover dados entre memória e processador também custa energia.

Algumas arquiteturas neuromórficas mantêm memória muito próxima das unidades que executam a computação.

Outras linhas de pesquisa vão ainda mais longe, usando memristores para aproximar armazenamento e cálculo.

Comunicação local e assíncrona

Redes orientadas a eventos podem evitar a sincronização permanente de grandes blocos de hardware.

Esses princípios ajudam a explicar por que o campo neuromórfico busca ganhos especialmente em sistemas de baixa latência, sensores, robótica e edge AI.

Uma revisão publicada na Nature em 2025 aponta eficiência, processamento em tempo real e aplicações com restrições de energia como alguns dos principais objetivos das arquiteturas neuromórficas em escala. Nature

Então chips neuromórficos sempre gastam menos?

Não.

Essa é provavelmente a conclusão mais importante deste artigo.

A vantagem energética depende da carga de trabalho.

Uma revisão dos resultados do Loihi publicada no Proceedings of the IEEE encontrou pouco ou nenhum benefício para determinadas redes feedforward convencionais, enquanto ganhos muito maiores apareceram em algoritmos capazes de explorar características como recorrência, temporalidade, plasticidade e esparsidade. Proceedings of the IEEE

Ou seja:

colocar uma rede convencional dentro de um chip neuromórfico não garante eficiência.

O algoritmo precisa combinar com a arquitetura.

Hala Point chega a 15 TOPS por watt. Isso prova que é mais eficiente?

Não sozinho.

O Hala Point é uma das maiores plataformas neuromórficas construídas até agora.

Segundo a Intel, resultados iniciais mostraram eficiência de até 15 TOPS/W em determinadas cargas de redes neurais profundas, explorando conectividade esparsa e processamento orientado a eventos. Intel

TOPS/W significa, em termos gerais:

trilhões de operações por segundo para cada watt consumido.

Parece uma comparação objetiva.

Mas existe uma dificuldade.

Uma “operação” em uma GPU convencional não necessariamente corresponde a uma operação realizada em um sistema neuromórfico.

Precisão numérica, esparsidade, tipo de cálculo e utilização do hardware podem ser diferentes.

Portanto:

15 TOPS/W é um resultado técnico importante, mas não significa que Hala Point seja automaticamente mais eficiente do que qualquer GPU em qualquer modelo de IA.

Como Hala Point pode atingir alta eficiência e consumir até 2.600 watts?

Não existe contradição.

A própria documentação da Intel informa que o sistema Hala Point possui potência máxima de aproximadamente 2.600 W. Ele reúne 1.152 chips Loihi 2, além de processadores x86 auxiliares e infraestrutura de comunicação. Intel Download Center

Eficiência e consumo absoluto medem coisas diferentes.

Um caminhão pode consumir mais combustível por hora do que um carro e ainda transportar muito mais carga por unidade de energia.

Da mesma forma, um sistema computacional grande pode consumir milhares de watts e ainda apresentar boa eficiência por operação ou por tarefa.

É por isso que olhar apenas o consumo total também pode enganar.

E os números de “100 vezes menos energia”?

A Intel informa que sistemas baseados em Loihi demonstraram, em cargas específicas de inferência e otimização, consumo de energia até 100 vezes menor e velocidades até 50 vezes maiores do que determinadas implementações convencionais em CPU e GPU. Intel

Esse tipo de resultado deve sempre ser lido com uma expressão mental adicional:

“na tarefa e configuração testadas”.

Ele não deve virar:

Loihi gasta 100 vezes menos energia que GPUs.

Isso seria uma generalização incorreta.

O resultado depende de:

• algoritmo;
• tamanho do problema;
• hardware usado na comparação;
• nível de esparsidade;
• precisão;
• latência;
• software;
• forma de medição.

TrueNorth consumia apenas 63 mW?

Outro número famoso vem do IBM TrueNorth.

Em uma demonstração específica de visão computacional, com entrada de vídeo de 400 × 240 pixels a 30 quadros por segundo, a IBM relatou aproximadamente 63 mW para o chip.

Esse resultado ajudou a tornar o TrueNorth um marco na história do hardware neuromórfico.

Mas, novamente:

63 mW não é um consumo universal do TrueNorth.

É um valor medido em uma aplicação e configuração determinadas.

No artigo anterior do TecMaker, comparamos TrueNorth, Loihi, SpiNNaker e BrainScaleS justamente porque cada sistema implementa neurônios, memória e comunicação de maneira diferente.

Misturar seus números sem considerar essas diferenças produz comparações frágeis.

SpiNNaker2 abaixo de 250 mW significa o quê?

O artigo técnico do SpiNNaker2 publicado em 2026 informa potência basal inferior a 250 mW para o chip.

Essa é uma característica interessante porque permite explorar cargas esparsas e orientadas a eventos mantendo baixo consumo de base. Portal de Pesquisa TU Dresden

Mas existe uma palavra importante:

basal.

Potência basal não é a mesma coisa que potência durante uma tarefa pesada.

Por isso, um benchmark ideal deveria informar pelo menos:

• potência em idle;
• potência ativa;
• diferença entre ambas;
• tempo de execução;
• energia total consumida.

Esse tipo de distinção está no centro de uma iniciativa recente criada justamente para tornar essas comparações mais justas.

NeuroBench: uma tentativa de acabar com comparações impossíveis

Em fevereiro de 2025, pesquisadores de dezenas de instituições publicaram na Nature Communications o NeuroBench, um framework colaborativo para benchmarking de algoritmos e sistemas neuromórficos.

O ponto de partida do projeto é bastante revelador:

a computação neuromórfica ainda não possuía benchmarks suficientemente padronizados para comparar sistemas de maneira objetiva. Nature

O NeuroBench divide a avaliação em dois grandes caminhos.

Algorithm Track

Avalia o algoritmo de forma relativamente independente do hardware.

Isso permite observar aspectos como:

• correção;
• complexidade;
• esparsidade;
• quantidade de operações sinápticas;
• tamanho do modelo.

System Track

Avalia a solução executada no hardware real.

Aqui entram:

• precisão;
• tempo de execução;
• latência;
• throughput;
• potência;
• energia.

Essa separação é muito útil.

Um algoritmo pode ser teoricamente econômico e ainda ser executado de maneira ineficiente em determinada máquina.

Da mesma forma, um hardware eficiente pode receber um algoritmo inadequado para sua arquitetura.

O benchmark deve medir o chip ou o sistema inteiro?

Preferencialmente, o sistema necessário para realizar a tarefa.

Esse é um dos pontos mais interessantes do NeuroBench.

O framework argumenta que benchmarks neuromórficos precisam considerar não apenas o núcleo de computação, mas também custos de processamento associados à execução real.

Isso é especialmente importante porque dados neuromórficos podem exigir:

• conversão;
• pré-processamento;
• transferência;
• pós-processamento;
• comunicação com um computador host.

O NeuroBench recomenda que processamento de entrada e saída relevante seja incluído quando ele fizer parte obrigatória do sistema. Nature

Caso contrário, poderíamos ter algo assim:

chip neuromórfico: 0,5 W

mas esconder:

CPU auxiliar: 20 W

interface: 5 W

conversor: 3 W

A comparação pareceria extraordinária sem refletir o sistema realmente necessário.

A eficiência de uma câmera de eventos também pode ser enganosa

Considere uma câmera de eventos.

Ela envia dados quando os pixels detectam mudanças relevantes.

Em uma cena quase parada, o fluxo pode ser extremamente esparso.

Mas imagine uma câmera se movendo rapidamente diante de uma parede altamente texturizada.

Grande parte da imagem pode começar a gerar eventos.

A esparsidade cai.

O processamento aumenta.

Portanto, até a vantagem energética de sistemas event-driven pode variar conforme o ambiente.

Esse é outro motivo pelo qual benchmarks precisam representar tarefas reais, não apenas situações escolhidas para favorecer determinada arquitetura.

Precisão também precisa entrar na conta

Imagine dois sistemas.

O sistema A:

• consome 1 joule;
• acerta 90% das classificações.

O sistema B:

• consome 2 joules;
• acerta 99%.

Podemos simplesmente dizer que A é duas vezes mais eficiente?

Não necessariamente.

Se a aplicação exige 98% de precisão, o primeiro sistema talvez nem seja útil.

Por isso, frameworks como NeuroBench tratam correção da tarefa como parte essencial do benchmark. Nature

O mesmo raciocínio vale para técnicas que reduzem:

• precisão numérica;
• tamanho da rede;
• número de operações;
• resolução do sensor.

Economizar energia alterando profundamente o problema não é uma comparação justa.

Latência também importa

Outra armadilha aparece quando sistemas são testados em lotes.

GPUs são extremamente eficientes quando conseguem processar grandes batches de dados.

Mas algumas aplicações não podem esperar acumular 64, 128 ou 256 amostras.

Um robô precisa reagir agora.

Uma câmera precisa identificar movimento agora.

Um dispositivo auditivo precisa detectar uma palavra agora.

Sistemas neuromórficos podem ser particularmente interessantes nesse cenário porque trabalham naturalmente com fluxos temporais contínuos.

A Intel destaca justamente que resultados do Hala Point não dependem de batching para determinadas cargas em tempo real. Intel

Portanto, a comparação correta pode precisar avaliar:

energia + latência, e não apenas throughput máximo.

Watts, joules, TOPS/W ou energia por inferência: qual métrica é melhor?

Depende da aplicação.

Potência média

É útil para dispositivos que ficam funcionando continuamente.

Exemplo:

sensor sempre ativo.

Energia por inferência

É melhor quando cada execução representa uma tarefa bem definida.

Exemplo:

classificar uma imagem.

Energia por evento

Pode ser relevante em sistemas orientados a spikes ou eventos.

TOPS/W

Ajuda a descrever capacidade matemática do hardware, mas é arriscado quando arquiteturas executam operações muito diferentes.

Tempo para solução

Importante para otimização e problemas nos quais não existe uma simples “inferência”.

Energia para solução

Possivelmente uma das métricas mais intuitivas:

quanto o sistema gastou para chegar a um resultado correto?

O NeuroBench defende justamente métricas adaptadas à natureza de cada tarefa, em vez de tentar encaixar todos os sistemas em um único número. Nature

O que deve aparecer em um benchmark confiável?

Se você encontrar uma manchete afirmando que um chip neuromórfico é “1.000 vezes mais eficiente”, procure estas informações.

Essa tabela é provavelmente mais útil do que decorar qualquer número isolado de eficiência.

E o cérebro humano? Ele não funciona com cerca de 20 watts?

Esse número costuma aparecer em comparações sobre computação inspirada no cérebro.

Materiais do Human Brain Project e EBRAINS usam aproximadamente 20 W como referência para o consumo energético do cérebro humano. Ebrains

É uma comparação interessante para mostrar a eficiência extraordinária da biologia.

Mas não deveria ser usada como benchmark direto.

O cérebro humano:

• não executa uma rede neural artificial específica;
• não calcula TOPS no mesmo sentido de um processador;
• mantém percepção, memória, controle corporal e processos biológicos simultaneamente;
• possui arquitetura completamente diferente.

Portanto:

“o cérebro usa 20 W” não significa que um chip de 200 W seja dez vezes pior.

As tarefas não são equivalentes.

Memristores resolveriam o problema energético?

Podem ajudar em determinadas arquiteturas, mas não eliminam todas as perdas.

Como vimos no artigo sobre memristores, dispositivos memristivos podem armazenar pesos e participar diretamente da computação.

Isso reduz a movimentação de dados.

Mas uma matriz memristiva ainda pode precisar de:

• conversores analógico-digitais;
• circuitos periféricos;
• controle;
• comunicação;
• calibração.

A eficiência precisa ser medida no sistema completo.

O mesmo princípio vale para praticamente todo acelerador especializado.

NPU também pode ser eficiente. Então por que precisamos de neuromórficos?

Porque eficiência não é um território exclusivo dessas arquiteturas.

Uma NPU pode executar determinadas cargas de IA local de maneira muito eficiente.

GPUs continuam evoluindo.

Aceleradores específicos de matrizes também evoluem.

Por isso, chips neuromórficos não precisam apenas provar que gastam pouca energia.

Eles precisam mostrar que fazem algo melhor considerando todo o sistema.

Isso pode significar:

• menor energia;
• menor latência;
• aprendizado contínuo;
• processamento temporal;
• adaptação;
• resposta a eventos;
• operação sempre ativa.

O objetivo não é ganhar um concurso abstrato de watts.

É resolver problemas reais de maneira melhor.

Quando a vantagem neuromórfica parece mais promissora?

As evidências atuais apontam especialmente para tarefas capazes de aproveitar as características nativas da arquitetura.

Entre elas:

• dados esparsos;
• sensores orientados a eventos;
• processamento temporal;
• controle adaptativo;
• otimização;
• robótica;
• sistemas always-on;
• determinadas redes recorrentes;
• aplicações com fortes restrições de energia.

A revisão sobre Loihi concluiu justamente que ganhos mais expressivos aparecem quando os algoritmos exploram características genuinamente neuromórficas, em vez de simplesmente transportar redes convencionais para um novo chip. Proceedings of the IEEE

Isso ajuda a explicar por que o futuro do setor talvez esteja menos em substituir GPUs e mais em encontrar os problemas certos para esse novo tipo de hardware.

Os benchmarks estão melhorando

O surgimento do NeuroBench é um sinal importante de maturidade.

O projeto já reúne pesquisadores de indústria e academia e continua expandindo benchmarks, ferramentas e desafios. Em 2026, o projeto mantém novas competições e iniciativas para aumentar a comparabilidade de algoritmos e sistemas neuromórficos. NeuroBench

Isso é fundamental.

Uma tecnologia não amadurece apenas quando os chips melhoram.

Ela amadurece também quando pesquisadores aprendem como medir seus resultados de maneira honesta.

FAQ

Chips neuromórficos gastam menos energia que GPUs?

Em determinadas cargas de trabalho, sim. Existem resultados experimentais mostrando vantagens substanciais. Mas isso não vale universalmente para qualquer modelo ou tarefa.

O que significa TOPS por watt?

TOPS/W mede trilhões de operações por segundo para cada watt utilizado. É útil dentro de certos contextos, mas não deve ser usado isoladamente para comparar arquiteturas que executam operações diferentes.

Hala Point consome 2.600 W ou é eficiente?

As duas coisas podem ser verdadeiras. O sistema possui potência máxima na faixa de 2.600 W, mas pode realizar grande quantidade de computação por unidade de energia. Eficiência e consumo absoluto são métricas diferentes. Intel Download Center

Loihi realmente gasta 100 vezes menos energia?

A Intel e estudos associados reportaram ganhos dessa ordem em determinadas tarefas e comparações. Isso não significa que Loihi seja 100 vezes mais eficiente que toda CPU ou GPU em qualquer aplicação. Proceedings of the IEEE

Por que não podemos comparar apenas watts?

Porque watts medem potência. É necessário considerar também tempo de execução, precisão e trabalho realizado para conhecer a energia efetivamente gasta.

O que é NeuroBench?

É um framework comunitário de benchmark para algoritmos e sistemas neuromórficos, publicado na Nature Communications em 2025, criado para tornar comparações mais objetivas e reproduzíveis. Nature

O cérebro humano usa apenas 20 watts?

Aproximadamente essa ordem de grandeza é frequentemente usada como referência. Mas cérebro e computador executam tarefas muito diferentes, portanto não é uma comparação direta de eficiência. Ebrains

Câmeras de eventos sempre economizam energia?

Não necessariamente. Elas podem reduzir dados redundantes em cenários esparsos, mas cenas com muitas mudanças podem produzir grande volume de eventos.

Computação neuromórfica vai substituir GPUs?

Não há evidência de substituição generalizada. O cenário mais plausível é que arquiteturas diferentes coexistam e sejam utilizadas conforme a tarefa.

Conclusão

Sim, chips neuromórficos podem gastar muito menos energia em determinadas aplicações.

Essa não é apenas uma promessa teórica.

TrueNorth, Loihi, Hala Point, SpiNNaker e outras plataformas já produziram resultados que demonstram vantagens importantes em cenários específicos.

Mas a palavra essencial é:

específicos.

Comparar watts isoladamente não basta.

Comparar TOPS/W isoladamente também não.

Um benchmark realmente útil precisa perguntar:

qual tarefa foi resolvida?

com qual precisão?

em quanto tempo?

com quanto processamento externo?

e quanta energia o sistema inteiro consumiu?

A computação neuromórfica talvez tenha uma grande vantagem energética sobre arquiteturas convencionais em determinados problemas.

Mas descobrir exatamente quais problemas são esses é uma parte tão importante da pesquisa quanto construir chips mais rápidos.

E é justamente aí que o campo parece estar amadurecendo.

De sistemas que prometiam imitar aspectos do cérebro, estamos avançando para uma pergunta muito mais prática:

quando essa inspiração biológica realmente produz uma vantagem computacional mensurável?

Equipe TecMaker

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.