Inteligência Artificial sem supercomputadores 

Nos últimos anos, fomos testemunhas de uma verdadeira revolução tecnológica liderada pelos chamados Grandes Modelos de Linguagem (LLMs), a tecnologia por trás de assistentes virtuais populares como o ChatGPT. Essas ferramentas conseguem redigir textos, responder a dúvidas complexas e até programar. Porém, por trás dessa aparente facilidade, esconde-se um gargalo invisível e extremamente caro: a necessidade de supercomputadores e placas de vídeo (GPUs) de última geração para processar grandes volumes de informação. 

Essa barreira de infraestrutura cria um cenário preocupante onde apenas grandes corporações de tecnologia (as chamadas Big Techs) ou laboratórios extremamente ricos têm capacidade financeira para desenvolver e rodar essas inteligências artificiais. Em termos simples, se você quiser que um modelo de IA analise um livro inteiro, um prontuário médico de centenas de páginas ou dezenas de artigos científicos de uma vez (o que chamamos de “contexto longo”), os computadores comuns simplesmente travam por falta de memória. 

Curiosamente, eu nunca fui um pesquisador dedicado a esse tema. Era apenas um usuário comum e entusiasta dessas ferramentas de IA. Meu trabalho de pesquisa na Faculdade de Computação da UFU sempre esteve voltado para outro universo: o das bactérias e de suas proteínas. 

Foi justamente no meio de um problema com genomas bacterianos que a solução surgiu. Eu e meus orientados de Iniciação Científica e Mestrado desenvolvemos o GenPPi, um software para prever redes de interação entre proteínas de bactérias. Em biologia, as proteínas funcionam como engrenagens que conversam entre si, e mapear essas conversas é fundamental para entender doenças e desenvolver novos tratamentos.  

Ao tornarmos o GenPPi mais competente, ele passou a identificar conexões em excesso, gerando uma grande quantidade de dados que não me permitia estudar as bactérias usando essas conexões: havia mais conexões do que era esperado e nenhuma proteína se destacava durante análises estatísticas. Para resolver isso, criei um algoritmo matemático de amostragem inteligente chamado RIS (da sigla em inlgês Reduced Interaction Sampling), que selecionava apenas as interações mais relevantes sem comprometer a estrutura geral da rede, ou seja, uma rede menor com topologia conservada. 

Alguns meses depois, ao usar as ferramentas de IA no dia a dia, tive um estalo: percebi que as redes que os modelos de linguagem criam internamente para processar textos longos possuem as mesmas características matemáticas das redes de proteínas que eu estudava. Era o mesmo problema, disfarçado com outro nome. 

Foi diante desse desafio de democratização científica que decidi pesquisar caminhos alternativos. O resultado foi o RIS-Kernel, desenvolvido na Faculdade de Computação da Universidade Federal de Uberlândia (Facom-UFU). 

Para entender como a nossa proposta funciona, imagine que você é um detetive e recebeu a missão de encontrar pistas em uma biblioteca inteira de documentos. O método tradicional da Inteligência Artificial (conhecido como “atenção densa”) exige que o sistema compare cada palavra de cada página com absolutamente todas as outras palavras do acervo. Conforme o volume de textos dobra, o esforço computacional e o consumo de memória não apenas dobram, mas quadruplicam. É por isso que os sistemas exigem supercomputadores para não travar. 

O RIS-Kernel funciona como um assistente inteligente para esse detetive. Em vez de ler palavra por palavra de forma exaustiva, ele utiliza a mesma matemática de amostragem que eu havia criado para as proteínas das bactérias para criar uma “lupa inteligente”. O sistema seleciona apenas as conexões entre palavras que têm maior probabilidade de carregar o significado e o contexto da pergunta. 

Em nossos testes práticos, aplicamos o RIS a modelos de IA compactos rodando em computadores comuns e servidores acadêmicos sem placas de vídeo caras (rodando apenas em CPU comum). Ao testarmos o sistema com contextos imensos de mais de 65 mil palavras, os métodos tradicionais de IA falharam imediatamente por falta de memória. Com o RIS-Kernel, não só conseguimos processar todo o conteúdo, como o modelo manteve uma precisão de resposta excelente — em alguns cenários, a precisão foi até superior à do modelo tradicional. Isso ocorre porque, ao focar apenas nos pontos essenciais, a IA ignora os ruídos e distrações do texto longo, funcionando como um filtro natural de ruído. 

O impacto prático dessa inovação vai muito além da eficiência técnica. Ao permitir que modelos de IA de contexto longo rodem em computadores comuns, estamos ajudando a abrir as portas para que hospitais públicos analisem históricos médicos complexos, pequenos escritórios de advocacia processem processos volumosos e, principalmente, laboratórios de universidades públicas brasileiras realizem pesquisas de ponta em IA sem depender de orçamentos milionários de computação em nuvem. 

Mas o benefício não se limita à democratização do acesso. Há uma dimensão ambiental urgente nessa equação. Treinar ou operar um único grande modelo de linguagem pelos métodos tradicionais pode emitir mais de 600 toneladas de CO₂ — o equivalente a cinco automóveis rodando durante toda a sua vida útil. Isso acontece porque cada operação computacional desnecessária consome energia elétrica e, por extensão, água nos sistemas de resfriamento dos enormes data centers que sustentam a IA moderna. Reduzir a complexidade matemática com o RIS não significa apenas acelerar o processamento: significa eliminar operações que nunca precisaram existir, cortando diretamente as emissões e o consumo de recursos naturais. É o que o mundo da tecnologia chama de Green AI — uma IA mais inteligente, que faz mais com menos. 

E aqui está a parte mais interessante: essa pesquisa não é apenas uma solução para universidades e hospitais públicos. As próprias gigantes da tecnologia — as Big Techs — têm muito a ganhar. Hoje, empresas como Google, Meta e Microsoft investem bilhões de dólares para construir novos data centers em escala industrial para suportar janelas de contexto cada vez maiores em suas IAs. Esses complexos consomem imensas quantidades de energia e água, afetam a infraestrutura urbana e a paisagem de cidades inteiras. Se adotassem uma arquitetura como o RIS-Kernel, elas poderiam expandir drasticamente a capacidade dos seus modelos de processar documentos longos sem precisar dobrar ou triplicar o número de data centers. Em outras palavras: em vez de usar todos os recursos apenas para chegar à Lua — que já conseguem alcançar —, poderiam usar a mesma infraestrutura para ir a Marte. 

A ciência de ponta não precisa ficar restrita a grandes monopólios tecnológicos. E às vezes, ela surge de onde menos se espera — como do mapeamento de proteínas em pequenas bactérias. Soluções como o RIS-Kernel mostram que, com criatividade matemática e engenharia de software desenvolvidas aqui na UFU, é possível aproximar a Inteligência Artificial da nossa realidade social e acadêmica, tornando-a mais acessível, barata e, acima de tudo, mais sustentável para o planeta. 
 
O artigo científico referente à teoria do RIS foi aceito para ser publicado em uma revista da editora Nature com o endereço https://doi.org/10.1038/s41598-026-59160-z. O artigo referente a como utilizar o RIS na prática (RIS-Kernel) foi aceito para ser publicado nos anais do congresso IKE'26: 25th International Conference on Information & Knowledge Engineering no endereço https://american-cse.org/csce2026/conferences-IKE. Ambos estarão disponíveis entre o final de junho e início de julho de 2026. 

*Anderson Santos é bacharel em Ciência da Computação (PUC Minas, 1995), mestre em Ciência da Computação com ênfase em Inteligência Artificial (UFMG, 1999) e doutor em Bioinformática (UFMG, 2012). No início de sua carreira, desempenhou um papel fundamental na montagem e anotação do primeiro projeto de genoma realizado inteiramente no estado de Minas Gerais (Corynebacterium pseudotuberculosis). Após um pós-doutorado no Laboratório de Genética Celular e Molecular da UFMG (2012), ingressou na Universidade Federal de Uberlândia (UFU) em 2013 como professor da Faculdade de Computação. Como fundador e chefe do laboratório Comp2Bio, Anderson une Ciência da Computação e Biologia, liderando pesquisas em redes de interação de proteínas e metagenômica, e desenvolvendo ferramentas de Bioinformática de ponta, como o GenPPI. 

Redes Sociais: www.facom.ufu.br/~santosardr, youtube.com/@comp2bio447, researchgate.net/profile/Anderson-Santos-7, X: @androito.