China aposta na computação analógica de baixa energia para a IA

Os centros de dados estão a aquecer, as redes eléctricas dão sinais de saturação e, em paralelo, está a ganhar forma uma mudança discreta em laboratórios de investigação na China.

Engenheiros voltam a pegar numa tecnologia analógica com raízes nos anos 70, modernizam-na com lasers e circuitos integrados e apresentam-na como uma via radical para reduzir a pegada energética da computação.

Porque é que a China está a apostar em tecnologia analógica de baixa energia

A procura chinesa por capacidade de computação está a disparar. Treino de IA, mineração de criptomoedas, streaming e serviços na nuvem exigem enormes parques de servidores - infra-estruturas que já hoje consomem quantidades impressionantes de electricidade e de água para arrefecimento.

A electrónica digital, baseada em transístores que alternam entre 0 e 1, foi optimizada durante décadas. Os chips continuam a ficar mais pequenos e mais rápidos ano após ano, mas os ganhos de eficiência energética estão a abrandar. Ao mesmo tempo, os modelos de IA aumentam de dimensão e o tráfego de dados continua a crescer.

“Os investigadores da China estão a virar-se para a computação analógica, uma abordagem mais antiga que pode, para algumas tarefas, usar até 200 vezes menos energia do que os chips digitais convencionais.”

Esta tecnologia “ressuscitada” não é um gadget esquecido. Trata-se de uma forma de processar informação recorrendo a sinais eléctricos ou ópticos contínuos, em vez de bits discretos. A ideia tem mais de meio século: os primeiros computadores analógicos resolviam equações úteis para engenharia e aeronáutica.

Essas máquinas desapareceram quando os microprocessadores digitais baratos passaram a dominar. Agora, princípios semelhantes regressam com hardware moderno e com as necessidades ditadas pela IA.

O que é, na prática, esta tecnologia com 50 anos

A computação analógica não funciona como o portátil em cima da secretária. Em vez de codificar números em longas sequências binárias, representa valores como tensões, correntes ou intensidades de luz. As operações matemáticas acontecem de forma “natural”, através da própria física dos componentes.

Nos anos 70, isto traduzia-se em bastidores cheios de amplificadores operacionais, condensadores e resistências. Hoje, equipas chinesas estão a testar, entre outras abordagens:

• Aceleradores de IA analógicos baseados em matrizes de células de memória
• Chips ópticos que usam luz em vez de electrões
• Processadores de sinal misto que combinam blocos analógicos e digitais

O princípio central mantém-se: em vez de executar milhares de milhões de operações digitais muito precisas, realizar operações aproximadas num único passo físico. No caso da aprendizagem automática - naturalmente tolerante a pequenos erros - isto pode representar uma vantagem enorme.

“Ao permitir cálculos ‘suficientemente bons’ em hardware, os chips analógicos podem reduzir drasticamente o número de operações e a energia necessária para cada uma.”

De amplificadores operacionais a aceleradores de IA

Historicamente, os computadores analógicos eram usados para resolver equações diferenciais em tempo real: controlo de aeronaves, orientação de mísseis, simulações nucleares. Os engenheiros montavam circuitos cuja estrutura espelhava fisicamente as equações a resolver.

As versões modernas, na China e noutros países, recorrem a matrizes de células de memória, como RAM resistiva, em que a condutância de cada célula codifica um número. Assim, multiplicações de matrizes - o trabalho pesado das redes neuronais - podem ocorrer através de fluxos simples de corrente e da lei de Ohm.

Em vez de percorrer digitalmente cada multiplicação, o circuito executa toda a operação matricial de uma só vez. É aqui que a poupança energética de 100 ou mais vezes se torna plausível para certas cargas de trabalho de IA.

Porque é que 200 vezes menos energia importa agora

O problema energético da IA não é teórico. Treinar um único modelo de topo pode consumir tanta electricidade quanto uma pequena cidade usa num ano. Mesmo tarefas comuns - recomendações de vídeo e assistentes de voz - são suportadas por enormes clusters de servidores.

Países como a China, os EUA e membros da UE começam a preocupar-se com o choque entre centros de dados e metas climáticas, além da pressão sobre as redes locais. Chips de IA com grande apetite energético agravam essa tensão.

Tecnologia	Consumo típico de energia por operação de IA	Principal compromisso
GPU digital convencional	Elevado	Muito precisa, ecossistema maduro
Chip de IA digital de baixa precisão	Médio	Menor precisão, continua amigável para software
Acelerador analógico/de sinal misto	Muito baixo (até 200× menos)	Mais ruído, mais difícil de programar e calibrar

A China, com a sua vasta base industrial e política industrial centralizada, quer resolver este estrangulamento cedo. A computação eficiente em energia também encaixa nos compromissos climáticos públicos de Pequim e no objectivo de reduzir a dependência de tecnologia estrangeira de chips.

Como os laboratórios chineses estão a modernizar a computação analógica

Várias linhas de investigação estão a convergir na estratégia chinesa.

Chips ópticos e fotónicos

Uma área particularmente visível é a computação fotónica, em que a informação circula como luz através de guias de onda e interferómetros num chip. A luz pode executar operações de álgebra linear com extrema rapidez e com baixas perdas energéticas.

Universidades e start-ups chinesas estão a desenvolver aceleradores ópticos capazes de tratar partes da inferência de redes neuronais. O objectivo é ligar estes módulos a centros de dados para descarregar tarefas energeticamente pesadas, como motores de recomendação e classificação de imagens.

Computação analógica em memória

Outra vertente foca-se na computação “em memória”. Em sistemas digitais clássicos, os dados circulam continuamente entre memória e processador, desperdiçando tempo e energia. Em arquitecturas analógicas em memória, é a própria matriz de memória que executa cálculos.

Projectos chineses de chips estão a usar RAM resistiva e memória de mudança de fase para guardar pesos de redes neuronais sob a forma de condutâncias. Quando se aplica uma tensão, a corrente resultante realiza inerentemente a multiplicação e acumulação necessárias para cada neurónio.

“Ao juntar armazenamento e cálculo nos mesmos dispositivos minúsculos, os chips analógicos em memória reduzem drasticamente a movimentação de dados, que é uma das maiores fontes de consumo energético no hardware de IA.”

Os obstáculos: ruído, precisão e software

Sistemas analógicos não são soluções mágicas. Trazem desafios de engenharia significativos.

• Ruído: pequenas variações de temperatura ou de fabrico podem perturbar sinais analógicos.
• Precisão limitada: extrair mais do que alguns bits exactos a partir de um circuito analógico é difícil.
• Calibração: cada chip pode exigir afinação específica para cumprir metas de desempenho.
• Programação: os programadores estão habituados a abstracções digitais, não à física de valores contínuos.

Equipas chinesas procuram contornar estes problemas com esquemas de correcção de erro, designs híbridos digital-analógico e modelos de IA adaptados a hardware ruidoso. A intenção não é substituir totalmente os chips digitais, mas combiná-los com blocos analógicos quando fizer sentido.

Onde é mais provável ver esta tecnologia primeiro

A primeira vaga de aplicações comerciais deverá surgir em ambientes controlados, e não em gadgets de consumo.

Centros de dados e redes de telecomunicações

Fornecedores de serviços na nuvem podem integrar aceleradores analógicos como placas especializadas nos racks de servidores. Essas placas apontariam a tarefas que aceitam resultados aproximados, como ordenar resultados de pesquisa ou filtrar spam.

Operadores de telecomunicações, incluindo fornecedores chineses de redes 5G, também têm interesse no processamento analógico de sinais para baixar o consumo em estações base. Esses sistemas já dependem de componentes analógicos para sinais de rádio; acrescentar processamento de IA analógico é uma extensão natural.

Dispositivos de ponta e sensores

Mais à frente, chips analógicos de consumo ultra-reduzido podem aparecer em câmaras, drones ou sensores industriais. Processar IA localmente, sem acesso constante à nuvem, prolongaria a autonomia da bateria e reduziria custos de transmissão de dados.

Imagine câmaras inteligentes que reconhecem objectos ou detectam problemas de segurança directamente no dispositivo, consumindo milissegundos e miliwatts em vez de segundos e watts.

Porque é que um conceito com 50 anos encaixa num futuro guiado pela IA

O regresso do analógico integra uma tendência mais ampla: usar a física de forma mais directa para calcular, em vez de obrigar tudo a passar por lógica digital standard. Computadores quânticos, chips neuromórficos e processadores fotónicos posicionam-se algures nesse espectro.

O movimento da China mostra que a “caixa de ferramentas” analógica continua a ter potencial quando combinada com fabrico moderno e algoritmos de IA. Em vez de lutar contra a irregularidade dos sinais analógicos, os investigadores estão a aprender a tirar partido dela.

Para quem está habituado a pensar em uns e zeros, uma forma útil de enquadrar isto é simples: a computação analógica troca alguma exactidão por ganhos massivos de eficiência. Muitas tarefas de IA não precisam de quinze casas decimais exactas; precisam de reconhecimento de padrões rápido e de baixa energia que, na maioria das vezes, acerta.

Essa troca tem riscos e benefícios. Por um lado, enviesamentos ocultos no hardware ou deriva ao longo do tempo podem influenciar decisões de forma subtil, do scoring de crédito à análise médica. Por outro, reduzir o consumo por um factor de 100 ou mais em cargas de trabalho comuns diminuiria a pegada de carbono dos serviços digitais e libertaria capacidade da rede para outros usos.

À medida que os laboratórios chineses avançam nesta fronteira híbrida analógico-digital, é provável que a conversa sobre “IA verde” e geopolítica dos chips mude. O próximo salto de eficiência pode vir não de transístores mais pequenos, mas de revisitar uma ideia anterior ao próprio boom do microprocessador.