Máquinas autônomas têm o potencial de transformar vários setores, mas gargalos de memória, limitações de consumo de energia, arquiteturas especializadas e requisitos de segurança estão forçando os projetistas de chips a repensar todo o sistema.
Pontos principais:
- Mais poder de processamento sozinho não resolve os gargalos da IA física. O desempenho deve ser equilibrado com largura de banda de memória, interfaces eficientes, fornecimento de energia adequado e capacidade de dissipação de calor.
- A arquitetura do sistema para a IA física precisa ser personalizada de acordo com sua função final e ambiente.
- A implementação real depende de verificação rigorosa: cobrir casos extremos, compreender o comportamento do sistema e validar a segurança.
A IA física está avançando em direção à aplicação ampla, mas para construir esses sistemas impulsionados por sensores, as equipes de engenharia devem resolver simultaneamente e continuamente diversos desafios técnicos.
Analistas preveem que o mercado de IA física experimentará um crescimento significativo. Sistemas autônomos têm o potencial de transformar radicalmente setores como transporte, manufatura, saúde e energia. A Strategy&, filial da PwC, prevê que, até 2030, o mercado global de IA física possa atingir cerca de 430 bilhões de euros, refletindo o potencial comercial dos sistemas autônomos em diversos setores.
O diretor sênior de IP de interface de IA física para automóveis da Synopsys, Licinio Sousa, afirmou: “Sistemas de IA física estão se expandindo dos automóveis para robôs e drones, e os gargalos no desenvolvimento dessas aplicações abrangem todo o sistema. A IA está migrando dos data centers para a borda; para máquinas como robôs, drones e veículos, o impulso vem da autonomia, privacidade, personalização, respostas mais rápidas e redução da dependência da nuvem.”
A lista de desafios técnicos a serem resolvidos é longa e interligada. A capacidade de memória e a largura de banda precisam ser aumentadas, a latência e o consumo de energia precisam ser reduzidos, a vida útil do produto precisa ser estendida e a segurança precisa ser verificada. Mais difícil ainda: resolver qualquer um desses problemas pode gerar novos problemas em outro lugar.
Arquitetura dedicada
Para resolver esses gargalos de nível de sistema, são necessários hardware e software altamente especializados e otimizados para casos de uso específicos.
Michal Siwinski, vice-presidente executivo, chefe de produto e marketing e gerente geral de soluções de segurança da Arteris, disse: “Precisamos começar a falar sobre computação mais otimizada e personalizada para cargas de trabalho específicas — é exatamente aí que a física da IA se torna mais interessante. Esse tipo de carga de trabalho precisa ser altamente otimizada para o hardware. Estamos basicamente voltando ao sentido tradicional de ASIC — ASICs deveriam ser altamente dedicados a aplicações específicas e extremamente otimizados, e não genéricos. Já há algumas tendências nessa direção começando a surgir. Será muito interessante observar como sistemas mais flexíveis, voltados para aplicações muito específicas, evoluirão entre software, hardware e cargas de trabalho, e continuarão evoluindo, pois os modelos mudam muito mais rapidamente.”
Vasanthan Karunanithy, arquiteto de sistema de negócios automotivos da Micron Technology, declarou no recente JEDEC Automotive Forum: “Robôs não são uma nova pilha de IA. Dos sistemas ADAS, os robôs herdam percepção em tempo real, planejamento de caminho e controle de movimento. Dos armários inteligentes, os robôs herdam compreensão de linguagem natural, raciocínio contextual e interação homem-máquina. Na inteligência embutida, o maior desafio é executar simultaneamente esses dois tipos de cargas de trabalho e, em seguida, trocar informações no final. Portanto, essa é a convergência desses dois segmentos. Mas também há diferenças, que refletem a escala do canal. Veículos autônomos operam em ambientes rodoviários relativamente estruturados e obtêm energia de uma fonte maior — a bateria do veículo. Mas ao observar robôs, eles operam em ambientes tridimensionais não estruturados. [Os robôs] também precisam manter múltiplos graus de liberdade, manipular objetos e manter o equilíbrio, além de compreender comandos nas instruções. Em comparação com carros, eles precisam realizar tudo isso com uma fonte de energia muito mais limitada.”
Essas diferenças variam significativamente entre diferentes aplicações. Veículos autônomos operam dentro da infraestrutura de trânsito existente, mas precisam lidar com condições de estrada imprevisíveis. Em contraste, robôs móveis e robôs humanoides podem precisar navegar em ambientes com estrutura mais flexível, coordenar manipulação e equilíbrio, e operar sob orçamentos de consumo de energia mais restritos. Ao mesmo tempo, robôs industriais podem operar em ambientes controlados e estar conectados a fontes de energia fixas. Essas diferenças tornam difícil otimizar uma única arquitetura para todas as formas de IA física.

Os designers devem construir a arquitetura do sistema desde o início com base nesses requisitos.
Sousa disse: "À medida que as cargas de trabalho e os modelos evoluem, observamos a emergência de silício dedicado projetado para atender às necessidades específicas de cada tipo de máquina. Nossos clientes continuam enfrentando a demanda por modelos avançados de VLA (visão-linguagem-ação). No nível de hardware, isso significa computação mais intensa e motores de IA. Ao mesmo tempo, a gama de casos de uso é tão ampla que torna mais difícil a aplicação de uma arquitetura única, portanto, há uma transição para soluções chiplet, nas quais computação, IA, memória e I/O podem ser expandidas de acordo com casos de uso específicos por meio da interface UCIe."
Chiplets oferecem um caminho potencial para plataformas físicas de IA escaláveis, especialmente quando as demandas em computação heterogênea, memória e I/O justificam o uso de empacotamento avançado. No entanto, eles também podem aumentar os custos e a complexidade devido a empacotamentos personalizados, gerenciamento térmico e comunicação entre dies. Para sistemas menores, altamente integrados e sujeitos a restrições de consumo de energia, tamanho e custo, um SoC monolítico pode ser mais adequado.
Essas restrições também se aplicam a hardware e software. “Os sensores serão mais focados em casos de uso; você precisa garantir que tenha bons casos de uso, personalizados, e também precisa de uma camada de software acima deles”, diz Sathish Balasubramanian, responsável pelos produtos EDA AI e Solido da Siemens EDA. “Sempre brinco que tudo no mundo real é analógico, e estamos tentando abstraí-lo para o digital; portanto, uma das coisas mais importantes é redundância. Os sensores já são bastante bons. Podemos perceber visão, calor, pressão e qualquer outra coisa. Já nos saímos muito bem com radar e outros aspectos. O mais importante é garantir que os sensores possam operar no ambiente e capturar o ambiente de forma que não se degrade realmente, ou com redundância incorporada.”
No entanto, o efeito da redundância varia conforme o componente ser capaz de falhar independentemente e o sistema ser capaz de identificar e responder a falhas. Apenas aumentar o número de sensores não garante operação confiável, especialmente quando condições ambientais podem afetar simultaneamente vários sensores.
Personalizar a arquitetura de computação conforme a carga de trabalho ou o caso de uso também envolve compromissos. “A questão é quão perto a inteligência precisa estar do local onde a percepção ocorre, e há um conflito aqui”, afirma Yasmine King, vice-presidente corporativa e líder de negócios automotivos da Analog Devices. “Se a inteligência for distribuída por todo o sistema, as atualizações se tornam mais complexas. A centralização permite atualizações OTA por meio de um único ponto, facilitando patches e correções, mas pode introduzir latência quando é necessário responder rapidamente a esses dados. Em veículos, se um pedestre surgir subitamente à frente do carro, você precisa ser capaz de responder extremamente rápido. Portanto, onde colocar a inteligência depende do tipo de informação sensorial que você deseja coletar e da velocidade com que precisa reagir.”

Yasmine King falou no Reuters Automotive 2026 em 27 de outubro de 2026.
A colocação inteligente é uma decisão de arquitetura que vai além do desempenho de processamento. Ela exige um equilíbrio entre tempo de resposta, largura de banda de comunicação, consumo de energia, atualizabilidade e coordenação de componentes distribuídos. O cálculo centralizado pode simplificar a gestão, enquanto o processamento local reduz a latência de comunicação e mantém funcionalidades críticas em caso de interrupção da conexão.
O "muro da memória" da IA física
Capacidade de memória, largura de banda, latência e consumo de energia são gargalos críticos para a IA física; algumas tecnologias de memória também podem enfrentar restrições de fornecimento. O verdadeiro desafio não é simplesmente aumentar o número suficiente de dispositivos de memória, mas sim projetar subsistemas de memória capazes de fornecer dados para cargas de trabalho de IA cada vez mais exigentes, dentro de limites rigorosos de consumo de energia e calor.
Sousa disse: “Bilhões de parâmetros de modelo relacionados também precisam ser armazenados e transmitidos entre armazenamento, memória e unidades de processamento. Hoje, isso é chamado de ‘parede de memória’. À medida que o uso de memória continua a crescer, a DRAM precisa de interfaces ultra-rápidas, como LPDDR6, para não mais se tornar um gargalo de processamento.”
O desempenho também depende do padrão de acesso, latência, reutilização de dados, capacidade de cache, eficiência do controlador de memória e da energia necessária para mover os dados. Se a carga de trabalho for limitada por outras partes da hierarquia de memória, o benefício de aumentar apenas a largura de banda bruta pode ser limitado.
O design do sistema para cargas de trabalho pode ajudar a aliviar parte da carga de memória. Balasubramanian disse: “Tamanho adequado de memória, tamanho adequado de computação e redundância, bem como tudo o que precisa caber dentro do orçamento de calor e consumo de energia, serão extremamente importantes. Acima de tudo, o tamanho é crucial. Você não colocaria um tanque de 100 galões em um Prius. Você precisa de um tanque de 10 galões. Uso essa analogia para explicar a memória. Você pode gerenciá-la de forma que não precise de DRAM massivo, mas ainda assim tenha uma boa cache e SRAM embutida. Sempre é possível armazenar as necessidades críticas no DRAM, mas, quando necessário, você pode mover outras coisas para o flash ou SRAM. Em termos de caminho de memória — do DRAM ao SRAM, depois ao cálculo real e finalmente à implementação física da IA — a consistência da cache será extremamente crucial.”
As compensações entre essas tecnologias de memória são significativas. A SRAM e os caches integrados permitem acesso rápido a dados de alto uso, mas sua capacidade é limitada pela área de silício e pelo custo. A DRAM externa oferece maior capacidade, enquanto o flash fornece armazenamento não volátil para modelos, software e outras informações que não precisam permanecer na memória ativa.
Mover informações entre esses níveis pode reduzir parte da demanda de capacidade, mas aumenta o overhead de transmissão e a latência. Ao mesmo tempo, a consistência de cache se concentra em manter as cópias dos dados no cache e na memória sincronizadas, e não apenas em transferir informações entre diferentes tecnologias de armazenamento, mas isso também gera mais overhead. Portanto, os engenheiros devem considerar o tamanho do conjunto de trabalho, a localidade dos dados e a frequência de acesso ao decidir quanto memória alocar em cada nível.
A inovação em memória de automóveis provavelmente desempenhará um papel importante na resolução de problemas de IA física.
Rob Fisher, Diretor Sênior de Gestão de Produtos da Imagination Technologies, disse: “Atualmente, ele está muito ligado à nossa linha de produtos automotivos, e vemos a maioria das demandas provenientes da robótica diretamente do setor automotivo. Muitas montadoras agora estão posicionando seus próprios chips como plataformas tanto automotivas quanto de robótica; portanto, o suporte a 4, 6 e 8 bits será realmente benéfico para largura de banda de memória e uso de memória em aplicações embarcadas de borda. Para data centers, isso não é tão crítico, mas o impacto é diferente. Você pode executar modelos maiores em data centers usando larguras de bit menores nos campos. Já em aplicações automotivas e de robótica, você pode aproveitar isso ao contrário — ou seja, reduzir o uso de memória. Você restringe o modelo apenas às funções necessárias e reduz a memória e a largura de banda necessárias para acomodá-lo.”
Representações de menor precisão podem reduzir as exigências de armazenamento e largura de banda de memória do modelo, tornando-as especialmente atraentes para IA embarcada. No entanto, seus benefícios dependem de se o acelerador consegue suportar eficientemente o formato numérico escolhido e se a quantização mantém a precisão necessária para a aplicação. Formatos como representação de 6 bits também podem introduzir sobrecargas de empacotamento ou implementação, limitando os benefícios em hardware não projetado especificamente para eles.
O armazenamento flash também desempenha um papel crucial na gestão da memória do sistema autônomo.
Sousa disse: "A DRAM está limitada em capacidade, consumo de energia e disponibilidade. Uma largura de banda de armazenamento mais rápida reduz os tempos de carregamento, permitindo que o mesmo orçamento de DRAM suporte modelos maiores. Esses sistemas operam continuamente com bateria e geralmente não possuem refrigeração ativa, então cada transmissão de dados consome energia e aumenta a latência; portanto, cada componente — mecânico, eletrônico e de software — deve reduzir o consumo de energia e aumentar a eficiência. Interfaces como MIPI, UFS, LPDDR e PCIe incorporam tecnologias que garantem a transmissão rápida de dados em rajadas, seguida por períodos prolongados de modo ocioso de baixo consumo."
O armazenamento não volátil mais rápido pode reduzir a latência de carregamento do modelo e, quando combinado com técnicas apropriadas de partição de modelo ou streaming de pesos, permite que sistemas com DRAM limitado executem cargas de trabalho cuja ocupação total do modelo exceda a memória ativa disponível. No entanto, o largura de banda do armazenamento, por si só, não aumenta a quantidade de dados que podem ser armazenados no DRAM em qualquer momento.
As interfaces usadas para transmitir esses dados também variam em termos de mecanismos de gerenciamento de energia e características de operação. Sua eficiência depende das especificações específicas, da implementação, do modo de transmissão e das oportunidades de entrar em estados de baixo consumo.
Se o mercado for suficientemente grande, a demanda de memória da AI física pode acabar justificando o desenvolvimento de novas tecnologias de memória ou variantes das existentes.
Steven Woo, engenheiro distinto e inventor distinto da Rambus, disse: “A memória é uma tecnologia-chave que todos os AI físicos precisarão. A diferença é que alguns mercados apenas utilizarão a memória existente, mas também é possível que alguns mercados sejam grandes o suficiente para exigir seu próprio tipo de memória ou uma variação da memória existente. Já vimos isso com o HBM. As pessoas estavam usando outros tipos de memória, e de repente o mercado cresceu muito. Se voltarmos ao período antes do surgimento do LPDDR, os celulares simplesmente usavam dispositivos DDR selecionados e otimizados, que acidentalmente tinham baixo consumo de energia. Quando o mercado atinge um certo tamanho, as pessoas dizem: ‘Bom, vamos criar um dispositivo específico.’ O AI físico pode se tornar um mercado suficientemente grande, e se as diferenças de demanda forem suficientemente grandes, pode surgir outro tipo de memória.”
A ocorrência dessa especialização dependerá da escala e da consistência da demanda. Diferentemente de data centers, as aplicações de IA física apresentam requisitos muito variados em termos de custo, capacidade, durabilidade, largura de banda, temperatura e eficiência energética. Essa diversidade pode tornar alguns mercados mais propensos a adaptar tecnologias de memória existentes, enquanto outros mercados são mais adequados para soluções projetadas especificamente.
Verificar casos limite
Garantir que o sistema opere em condições seguras, incluindo em situações raras e inesperadas, é outro grande desafio. À medida que desenvolvedores de IA física direcionam seus esforços para máquinas pesadas, equipamentos médicos e outras tecnologias críticas para a segurança, resolver questões de verificação torna-se especialmente importante.
Balasubramanian disse: “Antes de levar a IA física a qualquer ambiente de produção, é essencial estabelecer um ciclo de validação, e diria que isso é a coisa mais importante que precisamos fazer. Por exemplo, o que acontece se ocorrer um apagão em larga escala, um terremoto, ou se os cabos de fibra óptica do mundo externo forem cortados ou houver uma queda de energia? Como você gerencia esse cenário na borda? Manter algum tipo de computação, memória e inteligência perto dos sensores será extremamente crucial, e a maneira como as pessoas alcançam isso é identificando, com base nas necessidades do caso de uso, o que consideram mais importante. Em um ambiente industrial, quando preciso parar a linha de montagem? Quando preciso saber que devo ligar de volta, acionar um alarme ou fazer outra coisa? São todas coisas que precisam ser tratadas dentro do próprio sensor.”
Esses cenários demonstram que funções críticas para segurança nem sempre podem depender de conexão contínua à nuvem ou decisões centralizadas. O processamento local pode ser necessário para identificar falhas, acionar ações de proteção ou colocar o dispositivo em um estado de segurança definido, caso os sistemas de comunicação ou energia falhem.
No entanto, a validação e a confirmação abordam partes diferentes do problema. A validação é usada para verificar se o design atende aos requisitos estabelecidos, enquanto a confirmação avalia se o sistema se comporta adequadamente em seu ambiente de operação previsto. A segurança também pode exigir análise de riscos, testes de injeção de falhas, avaliação de falhas por causas comuns e evidência de conformidade com os padrões aplicáveis.
Portanto, o sistema deve estabelecer e validar a confiança em torno do hardware e da pilha de software relevantes, alinhando os requisitos de segurança a cada caso de uso.
Owen Kent, cofundador da startup de robôs auxiliares ATDev, disse: “Quando projetamos produtos para cadeiras de rodas, como em qualquer aplicação de IA física, temos necessidades específicas. Você precisa realmente levar esse hardware ao limite em sistemas de gestão de qualidade e em testes de compatibilidade eletromagnética de terceiros. Independentemente do hardware que você use, seja personalizado ou não, você deve ser capaz de validar a segurança.”
Para desenvolvedores, isso significa não apenas avaliar se os componentes funcionam corretamente durante a operação normal, mas também avaliar como o sistema completo responde a degradação de sensores, falhas de comunicação, entradas inesperadas e outros perigos previsíveis. Em muitas aplicações, passar nos testes em nível de componente é uma condição necessária, mas isso, por si só, não prova a segurança em nível de sistema.
Conclusão
As limitações físicas da IA permeiam todo o caminho, desde a percepção até a ação. Os projetistas devem alinhar modelos e hardware às tarefas, mover dados dentro dos orçamentos disponíveis de energia e calor, e validar o comportamento da máquina quando as condições ou conexões mudam. Aumentar o poder de processamento só é realmente útil quando as outras partes do sistema conseguem suportá-lo.
Balasubramanian disse: “Comece com uma interface padronizada, de baixo consumo e comprovada, percorrendo todo o caminho — do sensor ao processador e ao atuador. Elas oferecem aos projetistas comportamento previsível, interoperabilidade do ecossistema e blocos de construção validados em silício.”
Um exemplo relevante é o MIPI Camera Security Framework, que combina a especificação Camera Service Extensions (CSE) 2.0 com especificações de segurança complementares. O CSE 2.0 suporta proteção de integridade de dados para dados de câmera CSI-2 e criptografia opcional; o framework mais amplo lida com autenticação de componentes do sistema de imagem e estabelecimento de sessão segura.
Ele disse: “Ele fornece segurança end-to-end para os dados da câmera, abrangendo integridade, autenticação e confidencialidade do sensor de imagem até o SoC. Ele também oferece opções flexíveis aos projetistas para minimizar o consumo de computação e tráfego, consumo de energia e latência, permitindo que a segurança seja adaptada conforme a aplicação, em vez de ser projetada para o pior cenário.”
Essa distinção é importante, pois a confidencialidade é opcional e o nível de proteção depende dos serviços de segurança e configurações implementados. O framework mais amplo permite que os desenvolvedores equilibrem proteção com sobrecarga de processamento, consumo de energia e latência, em vez de aplicar a mesma proteção a cada fluxo de dados.
Não basta tornar os agentes autônomos mais poderosos. Eles também devem operar de forma confiável dentro das restrições do mundo real. Para a IA física, escolhas arquitetônicas que economizem memória, consumo de energia e largura de banda também devem suportar comportamento previsível, resiliência e as garantias de segurança necessárias para implantação em larga escala.
A extensão de movimento de dados para IA física: não há uma solução única para todos os cenários.
Redefinindo o papel da borda e da IA em nuvem: a corrida pela inteligência local está em andamento.
Brendan Heffernan
