O Seu Cérebro Funciona com 20 Watts. A IA Quer uma Central Elétrica

O cérebro humano funciona com cerca de 20 watts. O supercomputador mais rápido do mundo, LineShine em Shenzhen, consome 42,2 milhões de watts. Essa diferença tornou-se o argumento favorito da internet sobre o uso de energia da IA, e a maior parte está errada.

A comparação em si é válida. No entanto, os números que circulam nas redes sociais remontam a um único artigo. O mais impressionante foi atribuído erroneamente durante três anos.

A China acaba de liderar o ranking global de supercomputadores pela primeira vez desde 2017.

LineShine. Shenzhen. 2,198 exaflops. 2 quintilhões de cálculos por segundo. 20% mais rápido que o El Capitan dos EUA.

construído inteiramente com CPUs chinesas domésticas. sem Nvidia. sem chips dos EUA. sem controles de exportação... https://t.co/Tuuk6svl6l pic.twitter.com/fwFKWN0Mr4
--- IT Guy (@T3chFalcon) 24 de junho de 2026

Uso de Energia da IA: O que 20 Watts Realmente Compram {#h-ai-energy-use-what-20-watts-actually-buys}

A cifra de 20 watts baseia-se em décadas de medições metabólicas. O cérebro representa cerca de 2% do peso corporal e aproximadamente 20% do consumo de oxigênio em repouso.

As contagens de neurônios são mais incertas do que parecem. Os amplamente citados 86 bilhões baseiam-se em quatro cérebros masculinos e estão atualmente sob disputa na revista Brain.

Postagens virais frequentemente usam 12 watts em vez de 20. Essa cifra aparece em um artigo de 2023 na Frontiers in Artificial Intelligence, afirmada sem qualquer citação.

O mesmo artigo produziu o número que todos compartilham. Seus autores estimaram que recriar digitalmente um cérebro humano consumiria 2,7 bilhões de watts.

Essa estimativa veio da extrapolação de uma simulação de 10 milhões de neurônios para a escala de um camundongo, multiplicando depois por mil.

O artigo também afirma que a simulação funcionou cerca de 30.000 vezes mais devagar que a biologia. Postagens sociais omitem esse detalhe. Fontes secundárias então creditam a cifra ao Blue Brain Project, que nunca a publicou.

Números confiáveis existem em outros lugares. A Epoch AI estimou uma consulta típica do ChatGPT em 0,3 watt-horas no início de 2025. Um estudo revisado por pares na Joule depois chegou a 0,31.

Dois métodos independentes concordando tão de perto é incomum. No entanto, a cifra muda drasticamente com a carga de trabalho, e modelos de raciocínio que produzem respostas mais longas podem custar várias vezes mais.

O que a Biologia Faz de Diferente, e o que o Silício Copiou {#h-what-biology-does-differently-and-what-silicon-copied}

A atividade cortical é esparsa. As taxas médias de disparo estão abaixo de 1 Hz, e a energia segue a mudança em vez de ciclos de relógio.

A IA moderna chegou à mesma conclusão de forma independente. O Kimi K2 ativa 32,6 bilhões de seus 1,04 trilhões de parâmetros por token, perto de 3,1%.

Essa proporção está caindo rapidamente. O Mixtral usou aproximadamente 28% de seus parâmetros em 2023, enquanto o DeepSeek-V3 agora usa 5,5%.

A biologia também computa com baixa precisão. Nada dentro de um neurônio se resolve em 32 bits.

Os fabricantes de chips seguiram o mesmo caminho. O DeepSeek treinou um modelo de 671 bilhões de parâmetros em precisão de oito bits. A NVIDIA desde então pré-treinou um modelo de 12 bilhões de parâmetros em quatro bits.

A terceira diferença é a maior e a menos copiada. Os cérebros mantêm memória e computação no mesmo lugar físico.

As máquinas digitais os separam. Mark Horowitz, de Stanford, mostrou o custo dessa separação. Buscar um operando na memória pode consumir centenas de vezes mais energia do que a aritmética em si.

Os Chips em Forma de Cérebro que Nunca Chegaram {#h-the-brain-shaped-chips-that-never-arrived}

Hardware construído explicitamente para imitar neurônios tem enfrentado dificuldades. Nenhum sistema neuromórfico ou analógico treinou ou executou um modelo de fronteira em produção.

O Hala Point da Intel contém 1,15 mil milhões de neurónios artificiais distribuídos por 1.152 chips. Continua a ser um protótipo de pesquisa instalado nos Laboratórios Nacionais Sandia. Mike Davies, diretor do Laboratório de Computação Neuromórfica da Intel, disse ao The Register em 2024:

"Neste momento, não estamos a mapear nenhum LLM para o Hala Point. Não sabemos como fazer isso."

A situação comercial é ainda mais fraca. A BrainChip é a empresa listada de destaque no setor. Reportou 700.000 dólares em receitas de clientes contra 5,3 milhões de dólares em saídas operacionais no último trimestre de março.

Outras empresas pararam completamente. A Rain AI, que procurou 150 milhões de dólares e não conseguiu angariá-los, explorou uma venda em 2025.

Pesquisadores na área descrevem um problema circular. Catherine Schuman, professora assistente de engenharia elétrica e ciência da computação na Universidade do Tennessee, Knoxville, afirmou:

"As empresas de hardware estão à espera de que surja uma aplicação revolucionária, mas é realmente difícil entender como construir essas aplicações sem ter hardware para prototipar."

Mais de 20 pesquisadores assinaram um artigo de consenso de 2025 na Nature. O artigo argumentou que o campo ainda carece do ecossistema necessário.

Os princípios da biologia venceram. O hardware construído para incorporá-los não o fez.

Todos estão a competir pelos mesmos elétrons {#h-everyone-is-bidding-for-the-same-electrons}

A eficiência é agora importante porque a eletricidade se tornou a limitação. A Agência Internacional de Energia estimou que o consumo global de centros de dados será de 485 terawatts-hora em 2025.

As instalações focadas em IA cresceram 50% apenas nesse ano. A agência espera que tripliquem até 2030.

O acesso à rede, em vez do fornecimento de chips, agora limita a construção. O tempo médio desde um pedido de interconexão até à operação comercial ultrapassa cinco anos, segundo o Laboratório Nacional Lawrence Berkeley.

O CEO da Microsoft, Satya Nadella, disse em novembro que a sua empresa possui processadores que não consegue ligar. A escassez está nas construções energizadas, não no silício. Investidores institucionais levantaram questões semelhantes sobre a prontidão da rede.

Os mineradores de Bitcoin passaram uma década a resolver exatamente esse problema. Eles possuem locais energizados, assinaram acordos de fornecimento de energia e direitos de interconexão que os novatos esperam anos para garantir.

O resultado transformou a mineração em um negócio de energia e infraestrutura. Adaptar um local em funcionamento custa cerca de 3 a 4 milhões de dólares por megawatt. A construção de um novo local custa entre 10 e 12 milhões de dólares, segundo estimativas da VanEck.

Os valores dos negócios anunciados são enormes. Mineradores públicos assinaram contratos de IA no valor de mais de 70 mil milhões de dólares no total.

A capacidade entregue conta uma história mais silenciosa. Os arquivos do segundo trimestre de 2026 mostram que cerca de 750 megawatts foram realmente energizados em todo o setor.

A Core Scientific representa cerca de 437 desses megawatts. O campus Helios da Galaxy entregou 133; a TeraWulf 102; a IREN 50; e a Riot 25. A Hut 8 contratou 949 megawatts e não energizou nenhum.

A mudança tem sido custosa. As perdas trimestrais combinadas dos mineradores MARA e CleanSpark atingiram 851 milhões de dólares em agosto.

A maior parte da capacidade de mineração nunca será convertida. Dados preliminares de uma pesquisa de Cambridge apresentados em julho mostraram que cerca de 10% dos mineradores alocaram energia para IA.

Os obstáculos são físicos. A mineração tolera interrupções, enquanto os inquilinos de IA exigem energia firme, refrigeração densa e fibra que locais remotos raramente possuem.

Ainda assim, a direção da viagem é clara. A Core Scientific agora ganha 83% da sua receita com colocation e apenas 13% com a mineração propriamente dita.

Os investidores já precificaram essa mudança. Mineradores que possuem contratos assinados negociam a múltiplos muito mais altos da sua energia energizada. Entretanto, a próxima aposta em IA parece cada vez mais ser sobre eletricidade em vez de chips.

Por que a eficiência não resolverá o uso de energia da IA {#h-why-efficiency-will-not-fix-ai-energy-use}

Os ganhos de eficiência absorveram o crescimento da demanda no passado. O poder computacional dos centros de dados globais cresceu 550% entre 2010 e 2018, enquanto o uso de energia aumentou cerca de 6%.

Então, o padrão quebrou. O consumo de centros de dados nos Estados Unidos subiu de 58 terawatts-hora em 2014 para 176 em 2023.

A evolução foi otimizada sob um teto rígido. Um crânio que consumisse 200 watts teria matado seu proprietário, então a eficiência se tornou a única resposta disponível.

A IA nunca enfrentou esse teto. Em vez disso, enfrentou um teto de capital, e o capital se estica muito mais facilmente do que a eletricidade.

Isso agora está mudando. A questão em aberto não é mais se a biologia é mais eficiente. É o que a IA se torna uma vez que o poder, em vez do dinheiro, decide o que será construído.