A corrida pela inteligência artificial nunca foi tão intensa. Empresas investem bilhões em chips, centros de dados e modelos cada vez mais sofisticados, mas um obstáculo começa a preocupar cientistas e gigantes da tecnologia. O recurso mais importante para treinar novas IAs está ficando escasso, e isso pode limitar os avanços futuros. Diante desse cenário, um grupo de pesquisadores aposta que a computação quântica pode oferecer uma solução capaz de transformar completamente a forma como esses sistemas aprendem.
O crescimento da IA esbarra em um problema que ninguém consegue fabricar
Os modelos de inteligência artificial evoluem graças ao treinamento com enormes quantidades de informações produzidas por seres humanos. Textos, imagens, vídeos, códigos e outros conteúdos servem como base para que esses sistemas aprendam padrões e desenvolvam novas capacidades.
O problema é que esse volume de dados não é infinito.
Enquanto a demanda por informações cresce de forma exponencial, a produção humana segue um ritmo muito mais lento. Para tornar a situação ainda mais complexa, especialistas estimam que entre 50% e 74% de todo o novo conteúdo publicado na internet já seja criado ou traduzido por ferramentas de inteligência artificial.
Isso cria um efeito preocupante.
Em vez de aprender exclusivamente com informações produzidas por pessoas, muitos modelos passam a ser treinados utilizando conteúdos gerados por outras IAs. Com o tempo, esse ciclo pode reduzir a diversidade das informações disponíveis e provocar perda gradual de qualidade, precisão e criatividade nas futuras gerações de modelos.
Além da escassez de dados genuinamente humanos, existe outro desafio crescente.
Treinar modelos de linguagem modernos exige centros de dados gigantescos, milhares de processadores trabalhando simultaneamente e um consumo elevado de energia elétrica e água para resfriamento dos equipamentos.
À medida que os modelos ficam maiores, também aumentam os custos financeiros e ambientais para desenvolvê-los.
É justamente nesse cenário que a computação quântica começa a ganhar destaque como uma possível alternativa para acelerar o treinamento das inteligências artificiais e reduzir parte desse enorme esforço computacional.
Um novo algoritmo pode abrir caminho para treinamentos muito mais rápidos
Pesquisadores do Brookhaven National Laboratory, ligado ao Departamento de Energia dos Estados Unidos, em parceria com a Northeastern University, o Google Quantum AI e a Universidade do Texas em Austin, desenvolveram um novo algoritmo batizado de Quantum Hermite Transform (QHT).
O estudo foi disponibilizado na plataforma científica arXiv e apresentado durante o 58º Simpósio Anual da ACM sobre Teoria da Computação (STOC 2026).
A proposta da QHT é resolver uma limitação importante da computação quântica.
As chamadas Transformadas de Hermite são ferramentas matemáticas amplamente utilizadas em áreas como física, engenharia, processamento de sinais, aprendizado de máquina e ciência de dados. Elas ajudam a representar informações complexas de maneira mais eficiente, especialmente em sistemas baseados em distribuições gaussianas, bastante comuns na inteligência artificial.
Até agora, porém, converter esses dados para esse formato dentro de computadores quânticos era um processo lento e pouco eficiente.
Os pesquisadores afirmam ter criado um circuito quântico capaz de realizar essa transformação com uma sobrecarga computacional extremamente baixa. Em outras palavras, mesmo quando a quantidade de dados cresce significativamente, o custo para processá-los aumenta muito pouco.
Segundo os autores, essa inovação transforma a QHT em uma nova “primitiva quântica”, uma espécie de bloco fundamental para o desenvolvimento de algoritmos mais eficientes e aplicações inéditas em computadores quânticos.
O impacto pode ir muito além da inteligência artificial
Embora a inteligência artificial seja uma das áreas mais beneficiadas, os pesquisadores destacam que o alcance da nova tecnologia pode ser muito maior.
Segundo Ning Bao, professor da Northeastern University e integrante do Brookhaven National Laboratory, os computadores quânticos já possuem enorme potencial de processamento, mas ainda carecem de algoritmos realmente eficientes para explorar toda essa capacidade.
Novas ferramentas como a QHT podem ampliar significativamente as aplicações práticas dessa tecnologia.
Entre os setores que poderão aproveitar esse avanço estão a ciência dos materiais, pesquisas sobre novas fontes de energia, modelagem científica de alta complexidade e o desenvolvimento de medicamentos.
Na área farmacêutica, por exemplo, simulações extremamente complexas poderiam ser realizadas em muito menos tempo, acelerando a descoberta de novos compostos e tratamentos.
Já no universo da inteligência artificial, a expectativa é que modelos fundacionais e grandes redes neurais possam ser treinados em questão de horas, em vez de semanas, reduzindo custos operacionais e tornando o desenvolvimento de novas gerações de IA muito mais eficiente.
Ainda será necessário esperar pela evolução do hardware quântico para que essas promessas se tornem realidade em larga escala. Mesmo assim, o estudo aponta para um caminho importante: diante da escassez crescente de dados humanos e do aumento constante dos custos computacionais, a próxima revolução da inteligência artificial talvez não dependa apenas de chips mais rápidos, mas de uma forma completamente diferente de processar informações.
