Escrito pela Equipe Científica Qubic
Como um neurônio funciona ao longo do tempo?
Neurônios biológicos não funcionam como um interruptor de luz de quarto sendo ligado. Eles são um sistema dinâmico contínuo. O estado neuronal evolui constantemente, mesmo na ausência de estímulos externos.
Como um neurônio funciona ao longo do tempo?
Basicamente, movendo cargas elétricas (íons) para dentro ou para fora de sua membrana, ou seja, mudando seu potencial elétrico. Íons entram ou saem (principalmente sódio e potássio) através das diferentes portas do neurônio com uma certa intensidade, modificando o potencial. Existem algumas portas, chamadas de portas de fuga, onde íons estão sempre entrando e saindo.
O tempo é implícito. O potencial elétrico muda constantemente, ao longo do tempo.
A mudança no potencial elétrico de um neurônio ao longo do tempo depende de:
A corrente externa aplicada + o equilíbrio entre os fluxos de íons de sódio (que aumentam) e íons de potássio (que diminuem) através dos portões que abrem e fecham.
Não entre em pânico com o gráfico. Cargas elétricas positivas e negativas (íons) fluem através dos portões causando despolarização (então a corrente se move até o final do neurônio) ou hiperpolarização (então volta a um estado neutro).
O potencial (V) muda ao longo do tempo, que é matematicamente, dV/dt, como uma função da soma dos portões de entrada e saída.
Este é o modelo fundamental da neurociência computacional, que expressa que o estado do neurônio depende tanto dos sinais atuais quanto de sua história imediata. Não há “reinício” entre eventos, já que cada estímulo cai em um sistema que está sempre funcionando.
Agora vamos passar para o Neuraxon, que é um modelo bioinspirado.
Queremos que esteja vivo, um tecido inteligente. Não pode ter estados discretos, mas sim contínuos.
No Neuraxon, em vez de portões iônicos que abrem e fecham e movem cargas com certa intensidade, mudando a voltagem, temos pesos sinápticos dinâmicos. Mas a equação do modelo mantém uma semelhança clara e direta com o neurônio biológico.
O que isso significa?
Em vez de V, a voltagem no neurônio biológico, o estado do Neuraxon, é s. E muda ao longo do tempo também, portanto ds/dt é uma função dos pesos e ativações e do estado anterior.
Ao contrário de um modelo de IA clássica, onde os pesos sinápticos de uma rede representam saídas estereotipadas a uma entrada, no Neuraxon os pesos não são estáticos.
Imagine, por exemplo, um mecanismo de resposta automática de “caixa de entrada de e-mail”.
Na IA clássica, a regra não se ajusta ou muda ao longo do tempo ou do contexto.
No Neuraxon, leva-se em conta se a “entrada de e-mail” vem da mesma pessoa (o que pode indicar urgência) ou se chega em um fim de semana (o que pode gerar uma saída sem resposta). Em outras palavras, a regra permanece, mas quando e como a resposta é dada é modulada.
Os LLMs computam tempo?
Modelos de linguagem grandes parecem mostrar compreensão profunda em muitos contextos, mas operam sob uma lógica diferente da dos sistemas biológicos (Vaswany, 2017). Eles não funcionam com base em uma dinâmica temporal interna, em uma “mudança de potencial” ou em “pesos sinápticos” que modulam a resposta, mas processam sequências discretas.
Nos LLMs, “tempo” não existe, o que torna difícil para eles simular comportamento biológico (como inteligência). Os LLMs sabem como distinguir qual palavra vem antes e qual vem depois, mas não concedem uma experiência de duração ou persistência. A ordem substitui o tempo.
Ao contrário do Neuraxon, eles não possuem ritmos internos que aceleram ou desaceleram, nem mostram habituação progressiva a estímulos repetidos, nem podem antecipar dinamicamente com base em um estado interno que muda ao longo do tempo.
A computação do modelo LLM seria algo como:
saída = Fθ(entrada)
então os resultados são soluções fixas de uma função (combinação) de entradas.
Não há estado como uma função do tempo. Estes são dados que formam enormes matrizes e mudam seu valor através de uma função específica, que, como no exemplo citado, restringe as possibilidades: entrada de e-mail → resposta automática.
Concluindo. A distância entre modelos bioinspirados como o Neuraxon e grandes modelos de linguagem não deve ser explicada em termos de poder computacional ou volume de dados. Existe uma diferença mais profunda.
O cérebro é, em si, um sistema temporal contínuo. Seu funcionamento é definido por dinâmicas que se desenrolam ao longo do tempo, por estados que evoluem, decaem e reorganizam permanentemente, mesmo na ausência de estímulos externos (Deco et al., 2009; Northoff, 2018).
O Neuraxon se posiciona deliberadamente dentro dessa mesma lógica. Não tenta imitar 1 a 1 a complexidade biofísica do cérebro, mas incorpora explicitamente o tempo como uma variável computacional. Seu estado interno evolui continuamente, carrega o passado e modula o presente, permitindo adaptação sem a necessidade de um reinício.
Os LLMs, por outro lado, operam de maneira muito diferente. Eles manipulam símbolos ordenados em sequências discretas sem suas próprias dinâmicas temporais. Não há tempo, apenas ordem. Não há adaptação, apenas respostas pré-definidas.
Enquanto o tempo não fizer parte do estado que governa a computação, os LLMs podem ser eficazes, mas dificilmente serão autônomos em um sentido forte.
A futura inteligência artificial visa operar em ambientes dinâmicos. Esta é a razão pela qual o Neuraxon inclui o tempo como uma variável fundamental.
Um tecido de inteligência viva…
Como isso se relaciona com o Qubic?
O Qubic fornece o ambiente computacional contínuo e com estado necessário para a inteligência que considera o tempo.
É o substrato natural sobre o qual modelos como o Neuraxon - adaptativos, persistentes e nunca “reiniciados” - podem existir e evoluir.
Adendos
Dê uma olhada nas equações. Não entre em pânico!
1 Neurônio biológico, V potencial, “soma do fluxo de portões dentro e fora”
2 Equação do modelo Neuraxon - semelhança clara e direta com o neurônio biológico.
s estado, wi & f(si) pesos sinápticos dinâmicos
3 Equação do modelo LLM. Entradas (ordenadas em uma matriz) criam saídas de matriz através de uma função fixa
p (xn+1 | x₁, …, xn) = softmax (Fθ (x₁, …, xn) )
Referências
Deco, G., Jirsa, V. K., Robinson, P. A., Breakspear, M., & Friston, K. J. (2009). O cérebro dinâmico. PLoS Computational Biology, 5(8), e1000092.
Northoff, G. (2018). O cérebro espontâneo. MIT Press.
Vaswani, A., et al. (2017). Atenção é tudo que você precisa. NeurIPS.
Vivancos, D., & Sanchez, J. (2025). Neuraxon: Um novo modelo de crescimento neural & computação. Qubic Science.
rint. Qubic Science.