Plataforma fotônica de fibra ótica com fósforo negro faz IA médica 246x mais eficiente que GPU — o Shenzhen quer tirar o diagnóstico do data center

Resumo: um grupo do Prof. Han Zhang, da Universidade de Shenzhen, publicou na revista Opto-Electronic Advances uma plataforma de IA totalmente óptica em fibra, com moduladores ajustáveis à base de fósforo negro, capaz de rodar redes neurais para diagnóstico médico com precisão comparável à humana — e 246x mais eficiente que GPUs convencionais. Nos experimentos, o sistema classificou descolamento de retina e câncer de fígado com acurácia especializada. É um dos passos mais concretos rumo a fazer IA de diagnóstico em edge, sem passar dado clínico por data center.

O que foi construído

A arquitetura clássica de IA médica hoje: imagem de retina/tomografia → nuvem → GPU → resultado. Custa energia, latência e privacidade. A proposta do time de Shenzhen inverte o problema: a computação acontece na luz, dentro da própria fibra ótica, usando materiais 2D como moduladores.

O material-chave é o fósforo negro (BP), um semicondutor 2D com band gap ajustável — algo que grafeno não tem. Modulando propriedades ópticas do BP, cada nó atua como um “peso sináptico” analógico. A convolução da rede neural vira uma interação física entre pulsos de luz — nada de multiplicação e adição digitais.

246x mais eficiente que GPU

O número precisa ser lido com contexto. Ele mede consumo de energia por operação inferencial, não velocidade absoluta. GPUs modernas tipo Blackwell ainda ganham em vazão bruta para modelos gigantes. Mas para tarefas específicas como classificação de imagens médicas — onde o modelo é modesto, mas o volume é enorme e a energia importa — computar na luz é uma revolução.

Casos testados: descolamento de retina e câncer de fígado. Em ambos, o sistema chegou a acurácia comparável a especialista humano — condizente com o que já se vê em modelos digitais treinados nas mesmas bases (o mérito está na eficiência, não na acurácia).

Por que a fibra ótica

Fibra ótica é infraestrutura barata, ubíqua e resistente. Um sistema de diagnóstico embarcado em fibra pode viver em posto de saúde, unidade móvel ou ambulância, com consumo de miliwatts. É a diferença entre depender de uma conexão estável com data center e ter um diagnóstico local que funciona no interior do Amazonas ou em uma clínica rural.

Status no Brasil

O Brasil tem alguns dos maiores centros de pesquisa em fotônica da América Latina — Unicamp (CPqD), UFPE, UFF. A adoção depende de dois fatores. Primeiro, materiais: BP de alta qualidade ainda é limitado; grafeno e MoS2 são mais maduros. Segundo, regulação sanitária: qualquer dispositivo diagnóstico precisa de RDC 830/2023 da Anvisa e integração LGPD para dados de saúde. Um projeto piloto realista tem 24 a 36 meses até chegar em clínica.

Riscos e limitações

Três pontos. Primeiro, rigidez: um chip fotônico é otimizado para uma tarefa — bem diferente de uma GPU que roda qualquer modelo. Trocar de patologia exige reprogramar/rerecalibrar. Segundo, escalabilidade: passar do protótipo em bancada para produção em volume ainda é gargalo em fotônica integrada. Terceiro, viés de dataset: se o modelo foi treinado em base majoritariamente asiática, precisa recalibrar para populações brasileiras — problema clássico de IA médica.

Análise SWOT

O que muda na prática

Não muda no curto prazo — é laboratório. Mas o resultado sinaliza para onde a IA médica vai: menos data center gigante, mais dispositivo local. Para gestor de saúde pública, a leitura é acompanhar convênio com centros de fotônica nacionais e observar dispositivos com marcação CE em 2027-2028. Este texto é informativo. Nenhuma decisão clínica deve ser tomada com base em conteúdo de blog — procure sempre um profissional de saúde qualificado.

Fonte original: EurekAlert! — New scenarios for photonic computing: a new era of photonic AI for medical diagnosis.