Uma nova pesquisa em física revela uma assimetria surpreendente: executar uma rede neural – a parte de 'pensar' – poderia teoricamente custar energia zero, mas ensiná-la – a parte de 'aprender' – sempre queima alguns quanta de energia por fato. A descoberta desafia nossas suposições sobre a eficiência energética tanto de cérebros artificiais quanto biológicos.
A pesquisa
O físico Alexei V. Tkachenko (afiliado ao Laboratório Nacional de Brookhaven e à Iniciativa para as Ciências Teóricas, conforme os metadados do preprint) publicou um artigo em março de 2025 no arXiv, com a revisão mais recente em agosto de 2026. Ele construiu um modelo matemático de uma rede neural feedforward, o tipo mais comum usado em IA, e o tratou como um sistema físico sujeito às leis da termodinâmica.
Tkachenko encontrou dois limites exatos. Primeiro, se a rede processa informações infinitamente devagar (quase-estaticamente), o trabalho necessário para a inferência é exatamente zero – independentemente da entrada, dos pesos ou do viés. Segundo, em qualquer velocidade finita, o custo de energia é pelo menos a distância quadrada de Wasserstein-2 entre os estados inicial e final dividida pela duração. Em termos práticos, isso significa que o custo de energia da inferência é definido pela rapidez com que você muda o estado, e na velocidade mais rápida utilizável, é cerca de k_B T por dimensão da camada mais larga – isso é uma unidade de energia térmica por neurônio.
Notavelmente, o aprendizado é diferente. Escrever parâmetros na rede incorre em um custo irredutível de alguns k_B T por peso e viés, e esse custo sobrevive mesmo no limite quase-estático. Em simulações, o trabalho de inferência saturou o limite de transporte em 4%, e a precisão colapsou uma vez que o trabalho dissipado caiu abaixo da escala térmica.
Por que isso importa
Esta pesquisa fornece um limite fundamental para a eficiência energética de qualquer rede física, incluindo cérebros biológicos. Seu cérebro consome cerca de 20 watts, e este estudo sugere que a maior parte dessa energia não é usada para o ato de pensar em si, mas para aprender e manter a rede (embora este artigo foque no aprendizado). Para a IA, isso implica que o custo de energia para executar uma rede treinada (inferência) pode ser tornado arbitrariamente pequeno com engenharia inteligente, mas treinar novos modelos sempre custará uma certa quantidade por parâmetro. Isso pode orientar o design de hardware: em vez de otimizar a aritmética, concentre-se em minimizar a energia das escritas de memória.
O que você pode fazer
Para o seu próprio cérebro, esta pesquisa destaca que aprender coisas novas é fundamentalmente mais intensivo em energia do que recordar ou usar o que você sabe. Então, quando estiver estudando, não se surpreenda se se sentir mentalmente cansado – esse é o custo termodinâmico do aprendizado. Para maximizar a eficiência, distribua suas sessões de estudo para dar tempo ao seu cérebro para consolidar, e concentre-se em entender em vez de memorização mecânica, o que pode reduzir atualizações redundantes de parâmetros.
Fonte: arXiv q-bio.NC
Curioso sobre o seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou tente 306 níveis de treinamento cerebral.