Tempo Neuraxon: Por Que a Inteligência Não é Computada em Passos, Mas em Tempo

O cérebro não computa no tempo, mas sim computa com o tempo.

Os neurônios biológicos não funcionam como o interruptor de luz de um quarto que é acionado. 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 portas de vazamento, onde os 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 o aumentam) e íons de potássio (que o diminuem) através das portas que abrem e fecham.

Não entre em pânico com o gráfico. Cargas elétricas positivas e negativas (íons) fluem através das portas causando despolarização (de modo que a corrente se move até o final do neurônio) ou hiperpolarização (de modo que volta a um estado neutro). 

O potencial (V) muda ao longo do tempo, que matematicamente, é dV/dt, como uma função da soma das portas 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 “reset” entre os eventos, uma vez que cada estímulo cai sobre um sistema que está sempre em funcionamento.

Agora vamos para o Neuraxon, que é um modelo bio-inspirado.

Queremos que ele esteja vivo, um tecido inteligente. Ele não pode ter estados discretos, mas sim contínuos.

No Neuraxon, em vez de portas iônicas que abrem e fecham e movem cargas com uma certa intensidade, mudando a tensão, temos pesos sinápticos dinâmicos. Mas a equação do modelo mantém uma clara e direta semelhança com o neurônio biológico.

O que isso significa?

Em vez de V, tensão 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.

Diferente de um modelo clássico de IA, onde os pesos sinápticos de uma rede representam saídas estereotipadas para 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 consideração se a “entrada de e-mail” vem da mesma pessoa (o que poderia 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 de grande escala parecem mostrar uma compreensão profunda em muitos contextos, mas operam sob uma lógica diferente dos sistemas biológicos (Vaswany, 2017). Eles não funcionam baseados 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 dificulta simular o comportamento biológico (como inteligência). 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.

Diferente do Neuraxon, eles não possuem ritmos internos que aceleram ou desaceleram, nem mostram habituation 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)

portanto, 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.

Para finalizar. A distância entre modelos bio-inspirados como o Neuraxon e modelos de linguagem de grande escala não deve ser explicada em termos de poder computacional ou volume de dados. Há uma diferença mais profunda.

O cérebro é, em si, um sistema temporal contínuo. Seu funcionamento é definido por dinâmicas que se desdobram ao longo do tempo, por estados que evoluem, decaem e se 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 reset.

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 predefinidas.

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 uma inteligência ciente do tempo.

É o substrato natural no qual modelos como o Neuraxon - adaptativos, persistentes e nunca “resetando” - podem existir e evoluir.

Addenda

Dê uma olhada nas equações. Não entre em pânico!

1 Neurônio biológico, V potencial, “soma dos fluxos das portas de entrada e saída”

2 Equação do modelo Neuraxon - clara e direta semelhança com o neurônio biológico.

s estado, wi & f(si) pesos sinápticos dinâmicos 

3 Equação do modelo LLM. Entradas (ordenadas em uma matriz) criam saídas matriciais 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). A atenção é tudo que você precisa. NeurIPS.

• Vivancos, D., & Sanchez, J. (2025). Neuraxon: Um novo projeto de crescimento e computação neural. Qubic Science.