A IA tornou-se muito boa em escrever códigos, responder perguntas e resolver problemas complexos. Mas quando se trata de implantar algoritmos de IA em microcontroladores minúsculos, até mesmo os modelos mais avançados têm se deparado com um obstáculo. Isso ocorre porque não se trata apenas de escrever código – restrições estritas do mundo actual que envolvem memória, consumo de energia, temperatura e compatibilidade de {hardware} também devem ser atendidas. Agora, os pesquisadores desenvolveram um sistema chamado Area Incorporada que dá aos agentes de IA acesso direto ao {hardware} físico, permitindo-lhes aprender com medições reais em vez de depender apenas de simulações imperfeitas.
Tradicionalmente, fazer com que um modelo de IA seja executado em um microcontrolador com recursos limitados exige muito esforço. Os engenheiros podem passar semanas equilibrando manualmente o tamanho do modelo, o uso de memória, o consumo de energia e os limites térmicos, enquanto tentam preservar o máximo de precisão possível. Cada família de microcontroladores apresenta um conjunto diferente de capacidades e restrições de {hardware}, forçando muito desse trabalho de otimização a ser repetido do zero sempre que uma nova plataforma alvo é usada.
Os modelos são otimizados iterativamente usando suggestions de {hardware} (📷: Z. Zhang et al.)
O Embedded Area aborda esse problema com uma abordagem hardware-in-the-loop (HIL). Em vez de confiar inteiramente em simulações de software program, um agente de IA gera firmware repetidamente, compila-o, transfere-o para um microcontrolador actual, mede os resultados e depois usa essas medições para melhorar a próxima iteração. O suggestions inclui informações práticas como consumo de energia, temperatura, utilização de recursos e sucesso da implantação, dando ao agente uma imagem muito mais clara de como suas alterações afetam o dispositivo físico.
A equipe descobriu que esse suggestions do mundo actual faz uma grande diferença. Os modelos Frontier AI, incluindo Claude Opus 4.7 e Gemini 3.1 Professional, não conseguiram concluir uma implantação bem-sucedida quando só tinham acesso a informações baseadas em software program, resultando em uma taxa de sucesso de 0%. Depois que as medições de {hardware} foram incorporadas ao ciclo de otimização, o agente implantou com sucesso soluções funcionais em três iterações e foi capaz de superar os especialistas humanos após sete iterações. Nas tarefas mais difíceis, as taxas de sucesso da implantação aumentaram de 0% para 80%.
Durante os testes, descobriu-se que o sistema comprimiu os modelos de visão computacional por um fator de 250, sacrificando menos de 3,3% de precisão. Os modelos de áudio foram compactados 400×, mantendo as taxas de erro de recursos abaixo de 6%. Ao mesmo tempo, o firmware otimizado reduziu o consumo de energia em mais de 58% e reduziu as temperaturas operacionais de pico em mais de 40%, tornando prático executar cargas de trabalho sofisticadas de IA em {hardware} extremamente restrito, incluindo dispositivos sem bateria alimentados inteiramente por pequenas células solares.
O sistema superou os especialistas humanos (📷: Z. Zhang et al.)
Para demonstrar o sistema na prática, a equipe construiu dois aplicativos do mundo actual. Uma delas é uma câmera de vida selvagem movida a energia photo voltaic e de consumo ultrabaixo que detecta alces com 96,7% de precisão, consumindo menos de 7 miliwatts de energia. O outro é um dispositivo vestível para pesquisa de desenvolvimento infantil que realiza transcrição fonética no dispositivo, eliminando a necessidade de enviar dados confidenciais de fala para processamento na nuvem.
Ao transformar a otimização de {hardware} em um processo iterativo conduzido por medições do próprio dispositivo físico, a plataforma elimina grande parte da tentativa e erro que tradicionalmente ocupava muito tempo de desenvolvimento. À medida que mais dispositivos incorporados ganham recursos de aceleração de IA, ferramentas como essa podem tornar a implantação de modelos eficientes de aprendizado de máquina em pequenos microcontroladores significativamente mais rápida e fácil do que nunca.