Inglês 
Espanhol 
Com consumo de energia da IA já estimado em 415 terawatts-hora nos Estados Unidos em 2024, pesquisa da Universidade Tufts apresenta um sistema neurossimbólico que reduz o gasto em até 100 vezes, corta o treinamento para 34 minutos e amplia a taxa de sucesso em tarefas complexas
O avanço da inteligência artificial vem ampliando o consumo de energia em ritmo acelerado, mas uma prova de conceito desenvolvida por pesquisadores da Escola de Engenharia da Universidade Tufts indica que esse quadro pode mudar.
A nova abordagem híbrida de IA, baseada em sistemas neurossimbólicos, mostrou potencial para usar até 100 vezes menos energia do que modelos convencionais, além de apresentar maior precisão em determinadas tarefas.
Nos Estados Unidos, os sistemas de IA e os centros de dados consumiram cerca de 415 terawatts-hora de eletricidade em 2024. Esse volume representa mais de 10% da produção total de energia do país, e a expectativa é de que esse número dobre até 2030, o que reforça o debate sobre a viabilidade de ampliar a capacidade desses sistemas sem elevar de forma descontrolada o gasto energético.
-
Oceanógrafa viu redes de pesca abandonadas no mar de Ilha Grande, transformou lixo em bolsas, pochetes e renda para 20 pessoas, e agora fatura mais de R$ 35 mil por mês com negócio que começou pagando R$ 5 por sacola e virou impacto ambiental local no Rio de Janeiro sem sair da comunidade
-
Austrália espalha salsichas envenenadas pelo deserto e usa armadilhas, tiros e cercas para travar guerra contra gatos invasores que matam mais de 1,5 bilhão de animais nativos por ano, ameaçam mais de 200 espécies e transformam isca de carne em arma extrema de conservação
-
A cidade de pedra que alimentava 30 mil pessoas no meio do deserto, escondia 800 monumentos esculpidos na rocha e ainda faz a ciência moderna tentar entender como os nabateus dominaram a água há 2 mil anos
-
Ele desapareceu junto com os dinossauros… até reaparecer vivo e deixar a ciência completamente intrigada
A pesquisa foi conduzida no laboratório de Matthias Scheutz, professor titular da Cátedra Karol de Tecnologia Aplicada.
O trabalho está voltado à IA neurossimbólica, uma linha que combina redes neurais tradicionais com raciocínio simbólico, em uma tentativa de tornar o processamento mais eficiente e mais confiável.
Consumo de energia cresce com a expansão da IA
A pressão provocada pelo consumo de energia da inteligência artificial já aparece como um dos principais desafios da área. Em um cenário marcado pela expansão de modelos cada vez maiores e por infraestruturas computacionais mais robustas, o aumento da demanda elétrica passou a ser tratado como um obstáculo para a evolução sustentável desses sistemas.
A proposta testada em Tufts surge justamente nesse contexto. A equipe desenvolveu uma prova de conceito para uma abordagem capaz de reduzir drasticamente o consumo de energia sem sacrificar desempenho e, em alguns casos, ainda elevando a taxa de acerto das tarefas executadas.
Scheutz e seus colaboradores trabalham com robôs que interagem diretamente com pessoas, o que diferencia o foco do estudo dos grandes modelos de linguagem baseados em tela, como ChatGPT e Gemini. Em vez disso, a equipe se concentra nos chamados modelos visuais-linguísticos-de-ação, conhecidos pela sigla VLA.
Esses sistemas expandem os LLMs ao incorporar visão e movimento. Com isso, os robôs conseguem interpretar informações captadas por câmeras e pela linguagem e executar ações físicas, como mover rodas, braços ou dedos.
Como funciona a proposta neurossimbólica
Nos modelos VLA convencionais, tarefas aparentemente simples podem exigir muito processamento e ainda resultar em falhas. Um exemplo citado pela equipe é o empilhamento de blocos, que exige que o robô escaneie o ambiente, identifique posição, forma e orientação dos objetos e execute a instrução recebida sem comprometer a estabilidade da estrutura montada.
Nesse processo, erros podem surgir por vários motivos. Sombras podem prejudicar a percepção, blocos podem ser posicionados de forma incorreta e a construção final pode ficar instável a ponto de desabar, o que evidencia os limites de sistemas que dependem fortemente de tentativa e erro.
A lógica dessas falhas se aproxima de problemas já conhecidos em sistemas de aprendizado de máquina. Da mesma forma que robôs podem errar em tarefas físicas, chatbots podem apresentar respostas incorretas ou fabricadas, como inventar casos jurídicos ou gerar imagens com características irreais, como dedos extras.
O raciocínio simbólico foi apontado como uma alternativa mais eficiente para enfrentar esse tipo de limitação. Ele permite que o sistema opere a partir de regras gerais e conceitos abstratos, como forma e centro de massa, favorecendo um planejamento mais confiável com menos tentativas malsucedidas ao longo do aprendizado.
Scheutz explicou que modelos VLA, assim como LLMs, atuam com base em resultados estatísticos obtidos a partir de grandes conjuntos de treinamento com cenários semelhantes. Ele afirmou que isso pode levar a erros, enquanto um VLA neurossimbólico consegue aplicar regras que reduzem a quantidade de tentativas e erros durante o aprendizado e alcançar uma solução de forma muito mais rápida, além de diminuir significativamente o tempo de treinamento.
Resultados superam modelos convencionais
Nos experimentos realizados com o quebra-cabeça clássico da Torre de Hanói, o sistema VLA neurossimbólico alcançou taxa de sucesso de 95%. Nos modelos VLA padrão, o índice ficou em 34%, diferença que destacou a superioridade do método híbrido em uma tarefa estruturada de longa duração.
Quando o sistema foi submetido a uma versão mais complexa do quebra-cabeça, que não havia aparecido durante o treinamento, o desempenho continuou acima dos modelos convencionais. Nessa etapa, a taxa de sucesso foi de 78%, enquanto os sistemas tradicionais falharam em todas as tentativas.
A diferença também apareceu no tempo necessário para treinamento. O sistema neurossimbólico precisou de apenas 34 minutos, enquanto um modelo VLA padrão levava mais de um dia e meio para concluir essa fase.
O consumo de energia caiu na mesma proporção da redução do tempo. Durante o treinamento, o sistema híbrido utilizou apenas 1% da energia necessária aos modelos convencionais e, na operação, consumiu somente 5% da energia.
Scheutz comparou esse cenário ao funcionamento de sistemas amplamente conhecidos, como ChatGPT e Gemini. Na avaliação apresentada, esses modelos tentam prever a próxima palavra ou ação de uma sequência, o que pode resultar em imprecisões, alucinações e em um gasto energético desproporcional à tarefa executada.
Como exemplo, ele apontou que o resumo de IA exibido no topo de uma página de busca do Google pode consumir até 100 vezes mais energia do que a geração dos resultados da pesquisa. A comparação foi usada para ilustrar como a atual arquitetura de muitos sistemas pode elevar o custo energético mesmo em atividades relativamente simples.
Pressão sobre data centers e futuro da tecnologia
Com a demanda crescente por IA e sua expansão para uso industrial, empresas vêm acelerando a construção de data centers cada vez maiores. Essas estruturas podem exigir centenas de megawatts de energia, ultrapassando com folga as necessidades de muitas cidades pequenas.
Dentro desse cenário, os pesquisadores sustentam que os sistemas LLM e VLA hoje em uso, apesar da rápida adoção, podem não oferecer uma base sustentável ou confiável no longo prazo. A avaliação apresentada é de que a IA neurossimbólica híbrida reúne condições para funcionar como uma alternativa mais eficiente e mais confiável.
A expectativa é que esse modelo ajude a reduzir a pressão crescente sobre os recursos energéticos sem interromper o avanço da inteligência artificial.
O estudo foi publicado em 22 de fevereiro de 2026 no arXiv.
