Treinamento Fotônico INSPIRE Leva o Aprendizado de IA para o Chip

O treinamento fotônico INSPIRE transferiu a medição de gradientes para o hardware óptico, após uma longa dependência de simulações digitais que não conseguem representar perfeitamente chips fabricados. Pesquisadores relataram o método na Nature Computational Science em 5 de outubro de 2026. Quatro dias depois, uma reportagem de pesquisa da Nature apresentou o resultado como um passo rumo a hardware de IA treinável.

O experimento é relevante porque processadores fotônicos já realizam determinadas operações matriciais com luz. Treinar esses processadores, porém, continuou sendo um problema separado. As equipes frequentemente otimizam uma réplica digital e depois transferem as configurações resultantes para um hardware cujas imperfeições podem alterar a computação.

O INSPIRE enfrenta diretamente essa discrepância. O método mede gradientes por meio do circuito físico e, em seguida, usa essas medições para atualizar seus parâmetros ajustáveis. Seu verdadeiro adversário não é uma empresa ou um chip específico. É a rota de treinamento centrada em simulação, que trata o hardware como uma cópia previsível de um modelo matemático.

O Que o Treinamento Fotônico INSPIRE Mudou

A mudança central é que o circuito participa do cálculo de como deve ser ajustado.

Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang e Lu Fang desenvolveram o método. A Universidade Tsinghua identificou seu departamento de engenharia eletrônica e o Centro Nacional de Pesquisa de Pequim para Ciência e Tecnologia da Informação como a principal instituição do artigo.

Os pesquisadores chamam a estrutura de INSPIRE, abreviação de descida de gradiente físico in situ. In situ significa que o treinamento ocorre por meio de medições do dispositivo físico, e não apenas dentro de uma representação em software.

A descida de gradiente é o processo de otimização no centro do trabalho. Um gradiente descreve como a alteração de um parâmetro afeta o erro produzido por um modelo. O treinamento mede ou estima repetidamente essa direção e, então, ajusta os parâmetros para reduzir o erro.

Softwares convencionais de redes neurais obtêm esses gradientes por operações matemáticas executadas em processadores digitais. Um circuito fotônico apresenta um desafio diferente. A luz interfere ao passar por guias de onda, controles de fase, estruturas de espalhamento e outros componentes ópticos.

Um simulador pode estimar essas interações. No entanto, sua estimativa depende de um modelo preciso de cada componente e conexão relevantes. Tolerâncias de fabricação, deriva térmica, ruído e mudanças ambientais podem fazer o circuito fabricado se comportar de modo diferente.

Em vez disso, o INSPIRE utiliza holografia sintética de reversão temporal no chip. Essa técnica mede os campos ópticos complexos associados à luz que percorre o circuito em direções opostas. Esses campos contêm informações de amplitude e fase.

Os pesquisadores usam os campos medidos para calcular o gradiente dos parâmetros ajustáveis do circuito. O resultado é um sinal de otimização fundamentado no comportamento do hardware fabricado. Ele não exige um modelo digital completo desse hardware.

De acordo com o estudo revisado por pares INSPIRE study, a estrutura é independente de topologia. Esse termo significa que o método de treinamento não está restrito a uma disposição específica de componentes ópticos.

Essa distinção separa o resultado de uma demonstração de rede neural fotônica otimizada de forma restrita. Os pesquisadores aplicaram o método ao projeto de matrizes, à computação de banda larga por meios de espalhamento e a uma arquitetura de metaaprendizado. Esses testes investigam diferentes formas de programabilidade, em vez de uma única tarefa fixa de inferência.

O experimento de treinamento de matrizes reportado alcançou um erro relativo de 0,26%. Isso mede a diferença entre a transformação matricial solicitada pelos pesquisadores e a transformação produzida pelo sistema óptico treinado.

O artigo também relata computação em múltiplos comprimentos de onda. Canais de comprimento de onda podem transportar fluxos separados de informação pelo mesmo sistema físico. Essa capacidade é uma das razões pelas quais a fotônica atrai atenção para computação paralela.

Mais importante, o método treina o circuito real após a fabricação. Os desvios do chip em relação a um projeto ideal tornam-se parte do ambiente de otimização. O otimizador responde ao dispositivo que existe, e não apenas ao dispositivo que os engenheiros pretendiam fabricar.

A Nature research briefing apresenta, portanto, o trabalho como uma transição do projeto de circuitos offline para o treinamento físico. Esse enquadramento é preciso, mas exige uma qualificação importante. O estudo estabelece um método e demonstrações experimentais, não uma substituição em escala de produção para aceleradores eletrônicos de IA.

Por Que o Treinamento Centrado em Simulação Está Sob Pressão

À medida que os circuitos fotônicos se tornam mais complexos, o custo de manter um gêmeo digital exato passa a integrar o próprio problema computacional.

Um fluxo de trabalho centrado em simulação separa a otimização da execução física. Engenheiros criam um modelo do circuito óptico, calculam configurações em software e aplicam essas configurações ao dispositivo fabricado. A calibração pode então compensar algumas diferenças.

Essa abordagem funciona quando o modelo captura o sistema físico com precisão suficiente. Ela se torna mais difícil quando um projeto contém muitos caminhos ópticos interagindo entre si. Pequenos erros de fase podem se acumular, enquanto mudanças de temperatura podem alterar o comportamento dos componentes.

A discrepância importa porque sistemas fotônicos coerentes codificam informações por interferência. A coerência preserva relações entre ondas ópticas, permitindo que suas amplitudes e fases se combinem. Um pequeno desvio físico pode, portanto, alterar uma computação maior.

O treinamento offline também cria uma carga de manutenção. Os engenheiros precisam caracterizar o hardware, atualizar seu modelo, executar a otimização digital, transferir parâmetros e testar o resultado. Qualquer deriva posterior pode exigir outra rodada de calibração ou retreinamento.

O treinamento fotônico INSPIRE altera essa relação. Medições físicas fornecem o gradiente necessário para atualizar o dispositivo. Se um componente se comporta de modo diferente de sua especificação nominal, o gradiente medido reflete essa diferença.

Isso não elimina o software. Um ciclo de treinamento ainda requer objetivos, lógica de controle, atualizações de parâmetros e interfaces entre sistemas ópticos e eletrônicos. A contribuição do artigo é mais restrita e mais consequente: o gradiente deixa de depender de uma réplica diferenciável completa do circuito.

Isso pressiona métodos de projeto inverso construídos em torno de simulação offline. O projeto inverso começa com uma função óptica desejada e busca uma estrutura física que a produza. Ele permitiu dispositivos compactos, mas a simulação de alta fidelidade pode se tornar cara à medida que os projetos ganham escala e complexidade.

O treinamento físico oferece outra rota. Engenheiros podem fabricar um sistema configurável, medir como seu estado real afeta o objetivo e ajustá-lo após a fabricação. O hardware torna-se tanto o meio computacional quanto parte do processo de otimização.

Os pesquisadores estenderam essa ideia a meios de espalhamento. Uma estrutura de espalhamento mistura sinais ópticos por muitos caminhos físicos que são difíceis de modelar individualmente. Essa desordem normalmente parece um obstáculo à computação precisa.

O INSPIRE trata essa complexidade como uma transformação disponível. O artigo relata o treinamento de matrizes-alvo maiores que o número de elementos ajustáveis nativos. Na prática, o método usa o sistema físico mais amplo, em vez de limitar a computação a uma contagem idealizada de controles evidentes.

Esse resultado não significa que um circuito obtenha parâmetros treináveis ilimitados. A transformação alcançável ainda depende de controlabilidade, qualidade de medição, ruído e dos graus de liberdade acessíveis por meio do sistema. No entanto, ele mostra por que um ciclo de treinamento físico pode explorar comportamentos que um modelo de projeto simplificado poderia não captar.

A pressão é de longo prazo, não imediata. A simulação continuará essencial para projeto, verificação e fabricação de dispositivos. A mudança mais plausível é sair da otimização baseada apenas em simulação para fluxos de trabalho híbridos que combinam modelos prévios com medições de hardware implantado.

Essa distinção importa para compradores de hardware de IA. Um circuito fotônico treinável poderia se adaptar após a fabricação, absorver variações do dispositivo ou se especializar para uma carga de trabalho. Ainda assim, esses benefícios só importam se o sistema completo permanecer estável e eficiente fora de um laboratório.

Como o INSPIRE Mede um Gradiente Físico

O INSPIRE transforma a reciprocidade óptica em um sinal de treinamento, em vez de reconstruir em software cada interação interna.

O método começa com um campo óptico direto. A luz de entrada se propaga pelo circuito e produz uma saída associada às configurações atuais dos parâmetros. O sistema então compara essa saída ao resultado desejado.

O treinamento requer saber como cada elemento ajustável contribuiu para o erro. Calcular cada contribuição por perturbação de força bruta seria caro. Cada parâmetro precisaria ser alterado e medido separadamente, o que escala mal.

O INSPIRE usa modos ópticos bidirecionais para evitar esse processo. Um segundo campo transporta informações relacionadas ao erro pelo sistema na direção inversa. A interação entre os campos direto e reverso revela como mudanças locais afetam o objetivo geral.

A holografia sintética de reversão temporal captura os campos complexos completos necessários para esse cálculo. Um campo óptico complexo inclui amplitude e fase, que determinam a interferência. Medir apenas a intensidade descartaria parte dessas informações.

A reciprocidade óptica fornece a relação física entre as duas direções de propagação. Em um sistema recíproco, o comportamento de transmissão está vinculado quando as direções de fonte e observação são trocadas. O INSPIRE usa essa relação para construir um gradiente a partir de medições.

O controlador de parâmetros pode então ajustar os elementos ópticos sintonizáveis. Repetir a sequência reduz a diferença entre a transformação desejada e a medida. Trata-se de descida de gradiente física porque o dispositivo fornece as informações que orientam suas próprias atualizações.

Pesquisas anteriores estabeleceram partes importantes dessa rota. Um artigo de 2018 na Optica propôs treinar redes neurais fotônicas por meio de retropropagação in situ e medição de gradiente. Posteriormente, um experimento de 2023 na Science demonstrou retropropagação in situ em uma rede neural fotônica integrada.

Outra abordagem reduziu a dependência da propagação reversa. Um estudo da Nature de 2024 introduziu o forward-mode training, usando apenas passagens diretas para treinar redes neurais ópticas em sistemas físicos. Esse projeto enfrentou dificuldades práticas associadas ao envio de sinais de erro para trás através do hardware.

Em março de 2026, pesquisadores relataram um sistema de on-chip backpropagation que integrou cálculos lineares e não lineares em um único chip fotônico. Ele superou 90% de precisão em duas tarefas de classificação não linear e igualou a robustez de um modelo digital de referência.

O INSPIRE faz parte dessa progressão, mas sua principal alegação diz respeito à generalidade. Os autores afirmam que seu método de gradiente pode funcionar em diversas topologias de circuito. Ele não é apresentado apenas como o procedimento de treinamento para um projeto específico de rede em camadas.

Essa independência de topologia sustenta os experimentos de matrizes e dispersão. Ela também viabiliza a demonstração meta-fotônica da equipe. O meta-aprendizado treina um sistema para que ele possa se adaptar rapidamente a uma nova tarefa, em vez de aprender cada tarefa desde o início.

O resultado relatado de meta-aprendizado usou uma estrutura óptica treinada para permitir adaptação em uma única tentativa. O artigo relata compressão de modelo de 251 vezes e aceleração de 136 vezes no treinamento específico para tarefas.

Essas proporções exigem interpretação cuidadosa. Elas descrevem comparações dentro da estrutura experimental dos autores. Não são alegações diretas de que um processador fotônico comercial treina modelos arbitrários de IA 136 vezes mais rápido do que uma GPU.

A distinção entre aceleração algorítmica e desempenho do sistema é essencial. Um método de laboratório pode reduzir etapas de otimização enquanto ainda depende de lasers, detectores, eletrônica de controle, conversores de dados e ciclos de medição. Cada componente acrescenta consumo de energia, latência e restrições de engenharia.

Ainda assim, o mecanismo muda o que o hardware fotônico pode fazer de forma plausível. Ele desloca o circuito de um alvo de execução passivo para um sistema físico adaptativo. Esse é o principal motivo pelo qual o trabalho merece atenção além da comunidade de fotônica.

Treinamento Fotônico Versus Hardware Eletrônico de IA

A disputa relevante não é entre luz e silício em todas as cargas de trabalho, mas entre computação óptica adaptativa e sistemas eletrônicos maduros.

Processadores gráficos e outros aceleradores digitais dominam o treinamento de IA porque combinam aritmética programável, memória de alta largura de banda, software maduro e precisão numérica previsível. Seus ecossistemas suportam modelos enormes e cargas de trabalho distribuídas.

Os sistemas fotônicos abordam o problema por outra direção. A luz pode se propagar e interferir em paralelo, tornando certas operações lineares rápidas. A multiplicação matriz-vetor, uma operação central em redes neurais, mapeia-se naturalmente para várias arquiteturas ópticas.

A vantagem é específica para cada carga de trabalho. Componentes ópticos não fornecem automaticamente memória eficiente, ativação não linear, fluxo de controle ou armazenamento de parâmetros. Uma rede neural completa precisa conectar a computação óptica a essas outras funções.

Isso cria um problema de entrada e saída. Os dados precisam ser codificados em sinais ópticos e posteriormente detectados. A conversão digital-analógica e analógica-digital pode consumir energia e introduzir atraso. Sistemas eletrônicos de controle também configuram componentes fotônicos ajustáveis.

Uma revisão sobre escalabilidade de setembro de 2026 identificou três grandes arquiteturas de redes neurais fotônicas. Elas incluem redes de interferômetros Mach-Zehnder, redes ópticas difrativas e redes de multiplexação por divisão de comprimento de onda.

A mesma revisão destacou limites de precisão analógica, erros acumulados, queda nas relações sinal-ruído e ineficiência de conversão. Esses desafios se tornam mais sérios à medida que pesquisadores adicionam canais, camadas ou dimensões físicas.

O INSPIRE aborda uma parte importante dessa lista. O treinamento com medições do circuito real pode compensar erros de fabricação e comportamento imperfeito dos componentes. Ele não elimina o ruído nem garante que a precisão permaneça estável à medida que um sistema cresce.

O método pode se mostrar especialmente útil quando as entradas já existem como sinais ópticos. Comunicações, sensoriamento, imageamento e instrumentos científicos podem produzir luz diretamente. Manter parte do processamento no domínio óptico pode reduzir conversões desnecessárias.

Um sensor também pode precisar de adaptação após a implantação. Mudanças no ambiente, envelhecimento dos componentes e variações de tarefa podem enfraquecer configurações calculadas antes da fabricação. O aprendizado in situ oferece ao hardware uma forma de se reajustar às condições medidas.

O treinamento de modelos de linguagem grandes de uso geral representa um alvo muito mais difícil. Esses sistemas exigem grandes repositórios de parâmetros, operações não lineares repetidas, alta confiabilidade numérica e ampla comunicação entre aceleradores. O novo trabalho não demonstra essa carga de trabalho.

Em vez disso, o artigo da Nature oferece blocos de construção para sistemas fotônicos inteligentes adaptativos. O projeto de matrizes demonstra controle preciso. O processamento em múltiplos comprimentos de onda testa canais espectrais paralelos. O meta-aprendizado testa a adaptação rápida a tarefas.

Essas são demonstrações valiosas porque analisam uma capacidade ausente em muitos aceleradores ópticos. Um processador fixo pode ser rápido, mas frágil. Um processador treinável pode responder ao seu estado físico real e a tarefas em mudança.

A pressão comercial, portanto, recairá primeiro sobre aceleradores especializados, não sobre todas as GPUs. Startups de fotônica e grupos de pesquisa que desenvolvem motores ópticos de matrizes agora precisam explicar se seu hardware pode se treinar ou calibrar sem um caro gêmeo digital.

Os sistemas eletrônicos também se beneficiam dessa pesquisa. Aceleradores híbridos podem atribuir operações ópticas densas a componentes fotônicos, enquanto a eletrônica lida com memória e controle. Um treinamento físico melhor pode tornar essa divisão mais prática.

A competição provável é, consequentemente, entre projetos de sistemas. Um caminho mantém a maior parte da computação digital e adiciona comunicação óptica. Outro usa fotônica para operações matemáticas selecionadas. Um terceiro tenta uma execução óptica mais profunda com aprendizado e adaptação físicos.

O INSPIRE fortalece o terceiro caminho sem encerrar a disputa. Sua contribuição é um mecanismo de treinamento que acompanha a física do dispositivo fabricado. A relevância para o mercado dependerá de engenheiros conseguirem integrar esse mecanismo a sistemas confiáveis e programáveis.

Os Resultados Não Resolvem Escala ou Eficiência

Um circuito fotônico treinável ainda não é evidência de uma plataforma econômica de treinamento de IA em larga escala.

O erro relativo de matriz de 0,26% do artigo é um resultado preciso. No entanto, a precisão de matrizes em uma configuração experimental não estabelece a precisão de uma rede profunda operando em muitas camadas e durante longas execuções de treinamento.

Erros analógicos podem se acumular. A perda óptica reduz a intensidade do sinal, enquanto o ruído dos detectores e a instabilidade de fase afetam as medições. Interações térmicas podem fazer com que um elemento ajustado influencie componentes próximos.

A qualidade do gradiente é particularmente importante. O treinamento depende de gradientes que apontem de forma confiável para um erro menor. O ruído de medição pode distorcer essa direção, causando convergência mais lenta ou otimização instável.

A holografia sintética de reversão temporal também adiciona instrumentação. Engenheiros precisam gerar, encaminhar e medir os campos ópticos necessários. Uma implementação escalável exige que esse processo permaneça preciso sem criar sobrecarga excessiva de controle.

A alegação do artigo de ser independente de topologia é promissora, mas compatibilidade não é o mesmo que integração fácil. Diferentes materiais de circuito, mecanismos de ajuste, comprimentos de onda e layouts apresentam restrições de engenharia distintas. Um método matemático geral ainda pode exigir hardware específico para cada plataforma.

As alegações sobre energia exigem cautela semelhante. A computação fotônica é frequentemente associada a operações de matriz de baixo consumo energético. No entanto, a medição relevante é a energia total do sistema, incluindo lasers, moduladores, detectores, conversores, controle térmico e atualizações eletrônicas.

O resumo do INSPIRE não relata uma comparação de energia de ponta a ponta com uma GPU ou acelerador de IA atual. Portanto, seria incorreto descrever o método como mais eficiente em energia no nível do sistema.

A compressão relatada de 251 vezes também precisa de contexto. Ela se refere à arquitetura meta-fotônica usada no experimento. A compressão dentro desse projeto não equivale a reduzir a pegada total de memória de um modelo de produção pelo mesmo fator.

Da mesma forma, a aceleração de 136 vezes no treinamento específico para tarefas depende da linha de base, da tarefa, do hardware e do limite de medição escolhidos pelos pesquisadores. A proporção sustenta a demonstração de meta-aprendizado, mas não pode ser generalizada para as cargas de trabalho de treinamento de IA.

A capacidade de fabricação continua sendo outra questão em aberto. Chips fotônicos podem herdar variações de processo que o treinamento físico ajuda a compensar. No entanto, um produto comercial também precisa oferecer rendimento, encapsulamento, vida útil e calibração aceitáveis em muitas unidades.

A abordagem precisa demonstrar repetibilidade. Equipes independentes precisam reproduzir as medições físicas de gradiente em outras plataformas fotônicas. Resultados em diferentes processos de fabricação fortaleceriam a alegação de generalidade dos autores.

A escala é a maior incerteza. Uma revisão de 2026 concluiu que redes neurais fotônicas ainda enfrentam dificuldades para suportar modelos com bilhões de parâmetros. O INSPIRE melhora a forma como um circuito físico aprende, mas não fornece, por si só, bilhões de elementos ajustáveis estáveis.

A memória representa uma barreira relacionada. Redes neurais exigem parâmetros e estados intermediários armazenados. Circuitos fotônicos frequentemente dependem de memória eletrônica ou controles analógicos mantidos continuamente, o que pode reduzir o benefício da aritmética óptica.

As ferramentas de software também importam. Desenvolvedores usam aceleradores digitais por meio de frameworks, compiladores, profiladores e bibliotecas maduras. Uma plataforma óptica treinável precisa de interfaces que exponham a otimização física sem obrigar usuários a administrar cada detalhe fotônico.

Nenhuma dessas limitações elimina o resultado. Elas definem o que precisa acontecer a seguir. O estudo transforma um difícil problema teórico e de hardware em um programa mensurável de engenharia.

Essa é uma interpretação mais útil do que chamar o chip de substituto da IA eletrônica. O INSPIRE oferece uma rota para contornar a incompatibilidade entre modelo e dispositivo. Seu valor comercial depende do custo de implementar essa rota em escala significativa.

O Que Observar Após o Resultado na Nature

Três sinais mostrarão se o treinamento fotônico INSPIRE pode passar de método de pesquisa a hardware de IA utilizável.

O primeiro sinal é a replicação em outra topologia de circuito ou plataforma de fabricação. Os autores descrevem o INSPIRE como independente de topologia, e os experimentos abrangem várias tarefas ópticas. A reprodução independente testaria se o método é transferido sem ampla reformulação.

Uma replicação bem-sucedida deve relatar precisão de gradiente, convergência, perda óptica, sobrecarga de medição e estabilidade. Também deve identificar quais partes do sistema exigem recalibração. Desempenho comparável em uma plataforma diferente fortaleceria a alegação de generalidade.

O segundo sinal é uma medição de eficiência de ponta a ponta. Pesquisadores precisam contabilizar a energia e o tempo usados por fontes de luz, medição de campo, ajuste, controle eletrônico, conversão e atualizações de parâmetros. A aritmética óptica isoladamente não é um limite suficiente.

Um benchmark confiável deve comparar tarefas equivalentes com precisão semelhante. Ele deve informar se o treinamento inclui inicialização, calibração e movimentação de dados. Se o INSPIRE mantiver uma vantagem nessas condições, o argumento para aceleração óptica adaptativa se tornará muito mais forte.

O terceiro sinal é uma aplicação maior que exija adaptação repetida. Um modelo multicamadas, um ambiente de sensor em mudança ou um sistema óptico implantado testaria mais do que o ajuste estático de matrizes. Isso revelaria como a qualidade do gradiente se comporta em execuções mais longas.

A aplicação mais forte talvez não se pareça com o treinamento de modelos de linguagem baseados em nuvem. Um sensor óptico que aprende com seu próprio ambiente físico pode oferecer uma adequação melhor. Esse sistema combinaria aquisição de sinal, transformação e adaptação em um único caminho fotônico.

Pesquisadores também devem comparar o INSPIRE com treinamento apenas para frente e retropropagação óptica integrada. Cada abordagem impõe exigências diferentes sobre roteamento de sinais, medição e simetria de hardware. Nenhum método de treinamento estabeleceu ainda uma vantagem universal.

O padrão histórico recomenda cautela. Redes neurais fotônicas evoluíram de medições de gradiente propostas para retropropagação experimental, aprendizado apenas para frente e sistemas não lineares integrados. Cada avanço resolveu uma restrição ao mesmo tempo que expôs outro problema de sistemas.

A contribuição do INSPIRE é extraordinariamente ampla nessa sequência. Ele trata o circuito físico como a fonte de seu gradiente e demonstra esse conceito em matrizes, comprimentos de onda, espalhamento e meta-aprendizagem.

O resultado também muda a pergunta mais útil. Questionar se a fotônica substituirá as GPUs é amplo demais. A questão prática é onde o aprendizado óptico consciente do hardware compensa a complexidade de construir e controlar o sistema fotônico.

Para desenvolvedores e compradores corporativos, não há uma decisão imediata de plataforma a tomar. O trabalho continua em estágio de pesquisa, e seus números de desempenho mais fortes vêm de experimentos controlados. Alegações para fins de aquisição devem aguardar benchmarks de sistema reproduzíveis.

Para pesquisadores, o próximo passo é mais claro. Testar o método em circuitos maiores, divulgar os custos completos de medição e compará-lo a esquemas alternativos de treinamento físico. Esses resultados determinarão se os gradientes in situ permanecem precisos à medida que a complexidade aumenta.

Para usuários de IA, a importância está mais adiante. Hardware que se adapta após a fabricação poderia permitir especialização mais rápida no ponto de sensoriamento ou comunicação. Também poderia reduzir a dependência de simulações detalhadas de dispositivos.

Esse futuro não é garantido. Perdas ópticas, precisão analógica, memória, encapsulamento e integração de software ainda se interpõem entre o experimento e a adoção em larga escala.

Ainda assim, o treinamento fotônico INSPIRE muda a referência. Um circuito fotônico não precisa mais permanecer como um executor fixo de parâmetros calculados em outro lugar. Ele pode medir como sua própria física afeta um objetivo e usar essa informação para aprender.

A próxima evidência decisiva não será outra razão isolada de velocidade. Será um sistema maior que informe custos completos de energia, precisão, estabilidade e treinamento. O aprendizado físico consegue preservar sua vantagem quando todos os componentes de suporte são incluídos?