16 min de leitura
Cientistas criam “tijolos inteligentes” que descobrem sozinhos se formam um avião, barco ou guitarra, acertam 100% dos testes físicos e continuam funcionando mesmo depois de perder partes da estrutura
Escrito por Roberta Souza
Publicado em 08/09/2026 às 16:43
Atualizado em 08/09/2026 às 16:45
Ciência e Tecnologia
Canal
Seja o primeiro a reagir!
Prefira o CPG no Google
Cubos de poucos centímetros trocam informações apenas com os vizinhos, sem computador central ou mapa da construção. Sistema inspirado no comportamento das células reconheceu formas com até 197 peças reais e, em simulações, continuou operando com mais de 18 mil módulos
Imagine montar quase 200 pequenos blocos eletrônicos na forma de um avião, barco, guitarra ou mesa e, sem dizer a cada peça qual objeto foi construído, perguntar aos próprios blocos: “afinal, do que vocês fazem parte?” Foi exatamente esse o desafio enfrentado por pesquisadores que desenvolveram os chamados “tijolos celulares inteligentes”. Conforme reportagem publicada pela Scientific American em 6 de setembro de 2026, cada cubo consegue conversar somente com os vizinhos imediatamente conectados a ele. Ainda assim, trabalhando coletivamente, os blocos físicos chegaram à resposta correta em 100% dos testes realizados com quatro formas, incluindo uma montagem com 197 peças.
Além disso, a pesquisa vai muito além de brinquedos capazes de reconhecer aquilo que alguém montou. Em simulações, o sistema alcançou 98,97% de precisão geral na classificação de sete categorias de objetos e conseguiu continuar reconhecendo estruturas mesmo depois da remoção de partes delas. Os pesquisadores também escalaram os experimentos virtuais para mais de 18 mil células, indicando que a estratégia não depende necessariamente de um pequeno conjunto de módulos. O objetivo de longo prazo é levar essa inteligência descentralizada para robôs modulares, máquinas capazes de detectar danos e sistemas que possam identificar quais componentes precisam ser recuperados, sem depender de um único “cérebro” controlando tudo.
Entretanto, existe uma distinção fundamental: os tijolos não são conscientes e não “sabem” que são uma guitarra da maneira como uma pessoa reconhece uma guitarra. Cada módulo executa uma rede neural, mantém um pequeno estado interno e troca dados localmente. A inteligência aparece no comportamento coletivo. O estudo, publicado na Nature Communications, tenta reproduzir tecnologicamente um princípio encontrado na biologia: células individuais possuem informações locais, mas juntas conseguem formar e manter estruturas muito maiores e mais complexas.
ARTIGO CONTINUA ABAIXO
Veja também
Recomendado para você
Economia
Brasil apresenta 41 projetos minerais à ApexBrasil para atrair US$ 7,3 bilhões e ampliar a cadeia de minerais críticos
O Brasil apresentou 41 projetos minerais a investidores internacionais, com uma carteira estimada em US$ 7,3 bilhões que tenta converter reservas de lítio, terras raras e outros minerais críticos em…
Paulo Nogueira
0
A inspiração começa no corpo humano: nenhuma célula enxerga você inteiro, mas bilhões delas conseguem construir um organismo
O ponto de partida parece quase um paradoxo biológico.
Uma célula individual não possui uma visão panorâmica do organismo.
Ela não observa o corpo de fora.
Também não existe um engenheiro microscópico dizendo continuamente a cada célula exatamente onde ela precisa ficar.
Mesmo assim, durante o desenvolvimento, células interagem, respondem a sinais e contribuem para a formação de estruturas extraordinariamente complexas.
É dessa lógica que nasceu a pesquisa liderada por cientistas da IT University of Copenhagen, com participação da Autodesk Research e de Sebastian Risi, também ligado à Sakana AI.
Segundo Risi, o futuro imaginado pela equipe depende justamente da auto-organização local, evitando que toda a máquina dependa de um único ponto de controle que, se falhar, comprometa o sistema inteiro.
Assim, em vez de construir um robô com um computador central responsável por saber onde cada peça está, os pesquisadores fizeram praticamente o contrário.
Deram capacidade computacional às próprias peças.
Cada tijolo mede poucos centímetros, possui seu próprio processador e só consegue conversar com quem está encostado nele
Os blocos físicos não são tijolos convencionais.
Cada unidade mede aproximadamente 44 × 44 × 47 milímetros e possui seis faces feitas com placas de circuito impresso. Dentro do módulo fica um microcontrolador de 32 bits, além de memória, componentes eletrônicos e um LED programável.
As faces possuem conectores que transportam energia e dados.
Consequentemente, quando dois cubos são unidos, eles podem trocar informações.
Entretanto, existe uma limitação proposital:
um bloco não recebe uma visão global da construção.
Ele conhece apenas seu próprio estado e as informações enviadas pelos vizinhos conectados diretamente às suas faces.
Portanto, um cubo no meio de uma mesa não sabe inicialmente que está dentro de uma mesa.
Ele sabe apenas quais lados possuem vizinhos e quais mensagens esses vizinhos enviaram.
A partir dessas informações locais, a rede inteira precisa chegar a uma conclusão global.
Os pesquisadores deram a todos exatamente o mesmo “cérebro” e proibiram qualquer peça de assumir o comando
Esse detalhe torna o experimento particularmente interessante.
Todos os módulos executam a mesma rede neural.
Não existe um “tijolo chefe”.
Além disso, nenhum cubo recebe previamente sua posição absoluta dentro da estrutura.
O sistema também não utiliza um sensor externo observando a construção completa.
Em vez disso, cada unidade atualiza repetidamente seu estado interno conforme recebe informações das peças vizinhas.
A tecnologia utilizada é chamada de Neural Cellular Automata, ou autômato celular neural.
De maneira simplificada, imagine uma multidão na qual ninguém consegue enxergar a praça inteira.
Cada pessoa conversa apenas com quem está imediatamente ao redor.
Essas pessoas conversam com seus outros vizinhos.
Depois de várias rodadas, informações locais começam a atravessar a multidão.
Finalmente, todos conseguem inferir alguma característica global sem que ninguém tenha recebido uma fotografia aérea.
É aproximadamente essa lógica que os cubos exploram.
Antes de construir os blocos reais, equipe coloca cubos virtuais dentro de quase 500 objetos diferentes
Inicialmente, os pesquisadores trabalharam em simulação.
Eles utilizaram representações tridimensionais de objetos pertencentes a sete categorias:
aviões, barcos, carros, guitarras, casas, mesas e cadeiras.
A equipe treinou o sistema para que cada célula atualizasse suas informações internas conforme observava os estados das células vizinhas.
Com o tempo, a informação atravessava a estrutura.
Então os módulos precisavam chegar a um consenso sobre aquilo que estavam formando.
O resultado chamou atenção.
Considerando todas as categorias, a precisão geral chegou a 98,97%.
Ou seja, mesmo sem um controlador central conhecendo a geometria inteira, a rede distribuída quase sempre conseguiu descobrir a categoria correta.
Aviões chegaram a 99,54% de acerto, cadeiras a 99,71%, mas casas confundiram mais os blocos
Os resultados também revelam que algumas geometrias são mais fáceis de distinguir que outras.
Nas simulações, a precisão chegou a 99,54% para aviões, 99,71% para cadeiras, 98,60% para carros, 99,66% para mesas, 96,98% para guitarras e 99,27% para barcos.
As casas foram a categoria mais complicada.
Mesmo assim, registraram 85,04% de precisão.
Essa diferença faz sentido porque o sistema não está procurando uma réplica exata previamente armazenada.
Ele precisa reconhecer classes de formas, incluindo variações dentro da mesma categoria.
Portanto, a tarefa é mais interessante do que simplesmente comparar uma montagem com um único molde digital.
Depois vem o teste mais importante: pesquisadores tiram a inteligência da simulação e colocam dentro de cubos reais
Simulações permitem controlar praticamente tudo.
Hardware real, entretanto, traz problemas.
Conectores podem falhar.
Mensagens podem chegar incompletas.
Componentes possuem limitações físicas.
Além disso, sinais precisam realmente atravessar uma estrutura formada por dezenas ou centenas de peças.
Por isso, os pesquisadores construíram os cubos.
Cada módulo recebeu a eletrônica necessária para executar localmente os cálculos e trocar mensagens com seus vizinhos.
Então a equipe montou quatro estruturas físicas: avião, guitarra, barco e mesa.
A menor utilizou 26 tijolos, enquanto a maior chegou a 197 unidades.
E foi justamente aí que apareceu um dos resultados mais chamativos do estudo.
Com até 197 tijolos conectados, todas as peças chegaram à resposta correta em 100% dos testes físicos
Os pesquisadores repetiram cada teste físico três vezes.
Em todos eles, os módulos chegaram coletivamente à categoria correta.
Isso significa uma taxa de sucesso de 100% nas quatro formas físicas testadas, nas condições específicas do experimento.
Essa ressalva importa.
O resultado não significa que qualquer objeto montado com esses tijolos será reconhecido perfeitamente.
Os testes físicos envolveram quatro categorias e configurações determinadas pela equipe.
Ainda assim, demonstrar o algoritmo funcionando em quase 200 módulos físicos independentes representa um passo importante em relação a experimentos puramente virtuais.
A Scientific American destacou justamente essa transição da simulação para objetos reais.
Eles não respondem imediatamente: a “conversa” entre os blocos leva cerca de três minutos
Os tijolos precisam de várias rodadas para chegar ao consenso.
Quando a alimentação é ligada, os módulos começam a executar repetidamente um ciclo.
Primeiro, cada unidade roda sua rede neural.
Depois, envia seu estado aos vizinhos e recebe os estados deles.
Em seguida, recalcula sua própria informação.
Esse processo continua por 60 ciclos de autoclassificação.
No hardware utilizado pelos pesquisadores, reconhecer a estrutura completa leva aproximadamente três minutos.
Portanto, não estamos diante de um reconhecimento instantâneo.
Entretanto, o objetivo do estudo não era bater recordes de velocidade.
A prioridade era demonstrar que centenas de componentes conseguem construir uma compreensão global utilizando somente comunicação local e processamento descentralizado.
A experiência fica ainda mais interessante quando os cientistas começam a arrancar partes do objeto
Reconhecer uma estrutura intacta representa apenas metade do problema.
Uma máquina realmente adaptável também precisa perceber quando alguma coisa deu errado.
Por isso, os pesquisadores começaram a testar danos.
Em simulações, removeram células das estruturas e verificaram se o sistema ainda conseguia descobrir qual objeto estava formando.
Segundo a Scientific American, os modelos frequentemente continuaram reconhecendo a forma mesmo quando 15% dos cubos haviam sido removidos.
Além disso, a estrutura podia identificar quais componentes estavam faltando e orientar uma etapa de recuperação.
É justamente essa característica que aproxima a pesquisa de possíveis máquinas tolerantes a danos.
Um avião pode continuar entendendo que é um avião mesmo depois de perder parte de sua estrutura
Imagine uma construção formada por centenas de módulos.
Alguns quebram.
Outros perdem comunicação.
Uma arquitetura tradicional poderia depender de um computador central que mantém um mapa completo de todos eles.
Entretanto, se esse controlador falhar, todo o sistema corre risco.
Na abordagem descentralizada, cada módulo possui capacidade própria.
Consequentemente, a perda de algumas peças não elimina necessariamente o conhecimento distribuído pelo restante da estrutura.
Esse princípio aparece cada vez mais em sistemas nos quais a tecnologia precisa continuar funcionando mesmo quando componentes individuais falham.
No caso dos tijolos, entretanto, o objetivo vai além de simplesmente continuar ligado.
A estrutura precisa perceber que sua própria forma mudou.
O sistema consegue apontar onde existem componentes faltando, mas os tijolos ainda não caminham sozinhos para reparar o buraco
Aqui também existe uma diferença importante.
Os blocos físicos utilizados no estudo não possuem mecanismos para se deslocar autonomamente e reconstruir a estrutura.
Portanto, ainda não estamos diante de uma mesa que perde uma perna, percebe o problema e faz tijolos caminharem pelo chão até reconstruí-la.
O que os pesquisadores demonstraram foi a capacidade computacional necessária para detectar inconsistências estruturais e localizar danos.
Além disso, em simulação, o framework foi estendido para orientar processos de recuperação.
O próximo desafio seria combinar essa “consciência morfológica” descentralizada com módulos capazes de movimentação e reconfiguração física.
Então a ideia de máquinas que realmente se recuperam começa a ficar muito mais concreta.
Pesquisadores aumentam a construção virtual para mais de 18 mil peças e ela ainda consegue descobrir o que é
Outro teste investigou escalabilidade.
Uma estratégia que funciona com 30 cubos pode entrar em colapso quando a rede chega a milhares.
Afinal, nenhum módulo possui informação global.
Quanto maior o objeto, maior a distância que determinadas informações precisam atravessar.
Ainda assim, a equipe conseguiu testar virtualmente sistemas com mais de 18 mil células, e as estruturas continuaram capazes de inferir as categorias dos objetos.
Isso não significa que os pesquisadores construíram fisicamente 18 mil tijolos.
Esse experimento ocorreu em simulação.
No mundo real, o máximo relatado nos testes de classificação chegou a 197 módulos físicos.
Distinguir esses dois números evita transformar uma demonstração computacional em um protótipo físico que ainda não existe.
O segredo está numa memória minúscula distribuída por todos os cubos
Cada célula virtual mantém um vetor de estado com 28 dimensões.
Uma delas indica se a célula está considerada ativa ou “viva”.
Outras 20 funcionam como canais internos ocultos, que servem como uma espécie de memória computacional.
Finalmente, sete canais correspondem às sete categorias de objetos que o sistema precisa distinguir.
Então cada cubo atualiza esse estado conforme recebe informações locais.
Isoladamente, esses dados parecem insuficientes.
Entretanto, depois de várias interações, surgem padrões que permitem ao conjunto chegar a uma classificação.
Assim, a informação sobre “ser um avião” não precisa estar guardada num servidor externo observando tudo.
Ela emerge da interação entre as partes.
Cada peça custa hoje cerca de € 20, mas produção em maior quantidade já reduziria o valor
O estudo também apresenta detalhes pouco comuns em trabalhos experimentais: quanto custa construir os módulos.
Com componentes comprados para produzir aproximadamente 100 unidades, cada tijolo fica na faixa de € 20, sem considerar todos os custos de montagem.
Entretanto, ao comprar componentes suficientes para 1.000 unidades, o custo estimado dos materiais cai para aproximadamente € 15 por tijolo.
Além disso, os pesquisadores afirmam que ferramentas específicas poderiam reduzir o tempo de montagem para poucos minutos.
Uma fabricação automatizada poderia diminuir ainda mais esse intervalo.
Portanto, a arquitetura foi projetada deliberadamente com componentes relativamente simples e replicáveis.
Uma máquina feita de peças iguais pode ser muito mais fácil de consertar do que outra formada por centenas de componentes exclusivos
Esse ponto ajuda a visualizar aplicações futuras.
Máquinas convencionais possuem componentes altamente especializados.
Se uma peça específica quebra, pode ser necessário encontrar exatamente aquela peça.
Sistemas modulares seguem outra lógica.
Se centenas de unidades são essencialmente iguais, uma unidade danificada pode, em princípio, ser substituída por outra equivalente.
Além disso, se o próprio conjunto consegue identificar onde ocorreu a falha, a manutenção se torna potencialmente mais simples.
A ideia lembra outras tentativas de transformar infraestruturas rígidas em sistemas mais adaptáveis, embora os tijolos celulares levem o conceito para uma direção muito diferente: aqui, a própria estrutura participa do diagnóstico.
No curto prazo, a aplicação mais divertida pode aparecer primeiro em brinquedos
Sebastian Risi cita uma possibilidade muito mais simples do que robôs autorreparáveis.
Imagine blocos de construção eletrônicos.
Uma criança monta um dinossauro.
Quando os blocos percebem coletivamente que formam um dinossauro, a construção solta um rugido.
Depois, a criança desmonta tudo e constrói um carro.
Agora os mesmos blocos reconhecem outra categoria e reproduzem outro comportamento.
Outra possibilidade seria criar peças capazes de informar ao usuário onde colocar o próximo bloco.
Portanto, aplicações educacionais e de entretenimento podem chegar muito antes de máquinas industriais autônomas.
Mas o objetivo de longo prazo é muito mais ambicioso: robôs que descobrem a própria forma sem manual de montagem
A visão final envolve robótica modular auto-organizada.
Imagine enviar milhares de módulos idênticos para um ambiente remoto.
Em vez de montar manualmente um robô específico, as peças poderiam formar estruturas diferentes conforme a necessidade.
Se uma parte fosse danificada, o restante perceberia a alteração.
Depois, módulos disponíveis poderiam assumir novas posições.
Esse cenário ainda exige tecnologias que o experimento atual não possui, especialmente movimentação e conexão autônomas.
Entretanto, reconhecer a própria morfologia representa um dos problemas fundamentais.
Afinal, antes de reparar um corpo, uma máquina precisa saber qual corpo deveria possuir e onde alguma coisa está faltando.
A pesquisa copia uma propriedade curiosa dos organismos vivos: sobreviver mesmo quando nenhuma célula controla tudo
Um organismo multicelular oferece uma comparação poderosa.
Seu corpo não depende de uma única célula que possua um mapa completo de todas as outras.
Em vez disso, existe enorme quantidade de comunicação local, sinais químicos, mecanismos de desenvolvimento e respostas distribuídas.
Além disso, organismos conseguem responder a ferimentos.
Salamandras representam um exemplo particularmente impressionante porque conseguem regenerar estruturas corporais complexas.
Os autores destacam justamente respostas descentralizadas desse tipo como inspiração para sistemas artificiais capazes de inferir estruturas ausentes.
Consequentemente, a engenharia começa a observar a biologia não apenas para copiar materiais ou formatos, mas também formas de organização.
Não existe um “cérebro da mesa”: o conhecimento sobre a mesa está espalhado pela própria mesa
Essa talvez seja a maneira mais intuitiva de compreender o experimento.
Em uma máquina convencional, perguntar “qual é a forma do sistema?” normalmente exige consultar um modelo armazenado em algum computador central.
Nos tijolos inteligentes, não.
Cada bloco possui apenas uma pequena parte da informação.
Porém, à medida que os estados circulam localmente, o conjunto converge para uma conclusão.
Portanto, a representação da forma está distribuída pela própria estrutura.
É uma inversão interessante.
O computador deixa de ser uma caixa separada controlando o objeto.
Em certa medida, o objeto inteiro vira o computador.
Esse modelo também reduz o risco de uma única falha derrubar todo o sistema
Arquiteturas centralizadas possuem uma vulnerabilidade evidente.
Se o controlador principal para, componentes perfeitamente funcionais podem ficar inutilizados.
Uma rede descentralizada distribui esse risco.
Naturalmente, ela cria outros desafios, especialmente comunicação, sincronização e consenso.
Entretanto, a pesquisa mostrou tolerância tanto a falhas de comunicação quanto a módulos defeituosos, segundo o artigo da Nature Communications.
Isso explica por que os pesquisadores enxergam aplicações futuras em sistemas robustos.
Uma máquina construída para locais difíceis — espaço, fundo do oceano, instalações industriais remotas ou ambientes perigosos — pode se beneficiar enormemente da capacidade de continuar operando após danos localizados.
Circuitos que percebem o próprio dano aparecem como outra possibilidade futura
A Scientific American também destaca uma aplicação menos visível, mas potencialmente enorme:
circuitos capazes de avaliar e reparar danos enquanto funcionam.
Hoje, detectar uma falha eletrônica pode exigir sensores adicionais ou sistemas externos de diagnóstico.
Entretanto, imagine uma arquitetura na qual cada componente conhece apenas seus vizinhos e, ainda assim, o conjunto percebe quando sua configuração deixa de corresponder à estrutura esperada.
Isso permitiria localizar falhas rapidamente.
Depois, sistemas redundantes poderiam assumir funções perdidas.
A ideia segue uma tendência mais ampla de usar soluções inspiradas em estruturas naturais para resolver problemas de engenharia.
Nesse caso, porém, os pesquisadores não copiaram a aparência de um organismo.
Copiaram sua lógica descentralizada.
Os tijolos não são uma inteligência artificial generativa e também não funcionam como ChatGPT
A expressão “rede neural” pode provocar uma confusão.
Os módulos não utilizam um grande modelo de linguagem.
Eles também não conversam, escrevem textos ou raciocinam sobre objetos como seres humanos.
A rede neural usada no experimento possui uma tarefa muito específica:
atualizar o estado de cada célula com base nas informações locais recebidas dos vizinhos.
Ao repetir esse processo, o sistema converge para uma categoria.
Portanto, estamos diante de uma inteligência artificial especializada e distribuída.
Seu interesse está menos na complexidade de cada processador individual e mais no comportamento que aparece quando centenas ou milhares de unidades simples começam a cooperar.
Nem mesmo o tijolo precisa saber onde está para ajudar o conjunto a descobrir a forma
Essa característica separa o sistema de várias abordagens tradicionais.
Não existe GPS dizendo ao cubo suas coordenadas.
Também não existe uma lista dizendo “você é a peça 127 e deve ficar no canto esquerdo de um avião”.
O módulo descobre apenas aquilo que está imediatamente ao redor.
Ainda assim, essas relações locais carregam pistas geométricas.
Um bloco com vizinhos em determinadas faces possui uma situação diferente de outro localizado numa borda.
Depois, informações sobre essas diferenças se propagam.
Assim, a geometria global emerge de milhares de pequenas relações locais.
A casa foi o objeto mais difícil e isso revela uma limitação importante do sistema atual
O resultado de 85,04% para casas mostra que a tecnologia ainda comete erros.
Além disso, o sistema conhece somente as categorias utilizadas durante o treinamento.
Se alguém construir uma forma completamente fora dessas classes, não existe garantia de que os blocos compreenderão corretamente o novo objeto.
Portanto, dizer que os tijolos “sabem o que são” exige cuidado.
Mais precisamente, eles conseguem inferir coletivamente a classe geométrica à qual pertencem dentro das categorias aprendidas.
Ainda assim, o resultado continua surpreendente porque nenhuma peça recebe acesso à forma completa.
O estudo não criou blocos que constroem objetos sozinhos — pelo menos ainda não
Outra ressalva é essencial.
Os tijolos atuais precisam ser fisicamente montados por alguém.
Eles não saem andando por uma mesa até formar um avião.
Também não desmontam espontaneamente um barco para construir uma cadeira.
O estudo demonstrou autorreconhecimento morfológico descentralizado e detecção de danos, não automontagem física completa.
Entretanto, os pesquisadores enxergam justamente essa combinação como uma direção futura.
Se módulos inteligentes ganharem capacidade de locomoção, conexão e desconexão autônomas, então o sistema poderia avançar da pergunta “o que somos?” para outra muito mais difícil:
“em que precisamos nos transformar?”
Depois de quase 500 formas virtuais, 18 mil células simuladas e 197 blocos reais, pesquisa mostra que inteligência pode estar mais na cooperação do que na peça individual
Nenhum dos cubos utilizados pela equipe é particularmente poderoso sozinho.
Cada um possui eletrônica relativamente simples.
Também enxerga uma fração minúscula do ambiente.
Entretanto, a conexão entre eles muda o resultado.
Nas simulações, o sistema atingiu 98,97% de precisão geral entre sete categorias. Nos testes físicos, as quatro estruturas construídas com até 197 módulos foram identificadas corretamente em todas as repetições. Além disso, os pesquisadores observaram robustez diante de peças removidas e conseguiram escalar o modelo virtual para mais de 18 mil células.
Por isso, o aspecto mais curioso da pesquisa talvez não esteja no fato de um bloco conseguir reconhecer uma guitarra.
Está no fato de que nenhum bloco precisa enxergar a guitarra inteira para que todos acabem descobrindo que fazem parte dela.
Se essa lógica avançar para máquinas capazes de se mover e reorganizar, objetos do futuro poderão deixar de ser estruturas passivas.
Eles poderão detectar quando estão quebrados, identificar o que perderam e orientar a própria reconstrução.
E você, confiaria em uma máquina formada por milhares de peças independentes que consegue descobrir sozinha o que é e onde foi danificada, ou preferiria manter um computador central controlando cada parte?
Fonte
Scientific American
Conteúdo reproduzido originalmente em: clickpetroleoegas por Roberta Souza.