Máquinas precisam esquecer informações úteis para extrair o máximo de energia do ambiente, segundo pesquisadores da Universidade de Innsbruck. O trabalho, liderado por Lukas Fiderer com Hans Briegel e dois colegas, desafia a suposição de que lembrar mais sempre é vantajoso e traz implicações que vão além da física teórica.
Guardar cada detalhe parece ajudar qualquer sistema a prever melhor o que acontece a seguir e, assim, render mais energia. Mas os cálculos mostram o oposto em certos cenários: manter tudo na memória limita o rendimento energético, mesmo com armazenamento ilimitado.
Por que esquecer gera mais energia
Todo sistema que interage com o mundo enfrenta um dilema fundamental. Quanto mais informações ele memoriza sobre suas próprias ações — como a força exata aplicada ao abrir uma porta — melhor consegue prever consequências, mas essa memória consome recursos valiosos.
Os ganhos de energia vêm de duas fontes, e a primeira é antecipar bem o que virá a seguir; a segunda é tornar as próprias ações imprevisíveis para a memória armazenada. Lembrar do passado ajuda no primeiro objetivo, mas prejudica o segundo. Em muitos ambientes, o custo da memória supera esse benefício.
A física por trás da informação
O conceito remonta a 1961, quando o físico Rolf Landauer identificou um custo mínimo para apagar informação. Uma experiência em 2012 confirmou esse limite em laboratório, mostrando que a regra funciona nos dois sentidos: máquinas que conhecem um sistema físico podem extrair energia útil desse conhecimento.
Uma pesquisa divulgada em 2018 estudava máquinas que apenas observavam sinais, sem poder alterá-los. Naquele caso, quem previa melhor também colhia mais energia. Agentes ativos funcionam de forma diferente: um jogador de xadrez, um animal que procura comida ou um sistema de inteligência artificial escolhe ações que moldam o que verá depois, incluindo as próprias decisões naquilo que tenta prever.
Quando a memória perfeita se torna um peso
O trabalho provou matematicamente que máquinas mantendo cada memória útil não alcançam o máximo rendimento energético possível em certos ambientes. Um robô que memoriza exatamente a força aplicada numa porta prevê melhor como ela se move — mas em muitos cenários, o robô mais eficiente em energia teria de abandonar esse detalhe.
A descoberta separa dois objetivos que a teoria anterior havia ligado: prever bem e usar energia de forma eficiente. É uma prova matemática sobre máquinas idealizadas, não uma medição de laboratório. Os resultados mostram que esse compromisso existe em ambientes específicos, não em todos, e foram publicados na revista Physical Review X.
Aplicações no mundo vivo
O achado pode ter paralelos com sistemas vivos, embora qualquer ligação com organismos vivos seja ainda especulativa. Ribossomos — estruturas que constroem proteínas — realizam passos simples de decodificação próximo ao limite teórico mínimo de energia, sugerindo que células já operam perto desses compromissos fundamentais.
A conexão entre memória e energia levanta a possibilidade de que esquecer não seja apenas uma falha do sistema, mas uma estratégia. Pesquisadores planejam testar essas ideias em laboratório e explorar versões mais complexas do modelo, incluindo máquinas com objetivos específicos e sistemas baseados em física quântica.
Como a memória prejudica a imprevisibilidade das ações
Um agente que interage com o mundo e memoriza cada detalhe de suas ações cria um problema para si mesmo: a memória torna seu comportamento mais previsível. Quando um robô se lembra exatamente de quanta força aplicou numa porta, um observador com acesso a esse registro consegue prever melhor o que ele fará a seguir.
Essa previsibilidade reduz a capacidade de extrair energia do ambiente, porque parte da vantagem energética vem justamente de manter o agente imprevisível em relação ao que memoriza sobre si mesmo.
Os ganhos de energia surgem de duas fontes opostas: antecipar bem o futuro, o que a memória ajuda a fazer, e realizar ações que pareçam aleatórias quando vistas a partir da própria memória, o que a memória prejudica.
Em muitos cenários, especialmente quando o agente tem controle significativo sobre o entorno, esquecer detalhes equilibra melhor essas duas metas do que guardá-los.
Quando lembrar de tudo é realmente vantajoso
O resultado dos físicos de Innsbruck não vale em todos os ambientes. A pesquisa anterior de 2018 havia mostrado que máquinas que apenas observam passivamente um fluxo de sinais — sem poder alterar o que veem — funcionam diferente: para elas, prever melhor sempre significa extrair mais energia.
Um observador puro se beneficia de uma memória perfeita porque não há dilema entre antecipar bem e ser imprevisível.
A mudança acontece quando o agente atua e suas ações moldam o que ele verá depois. Um robô em um labirinto, um jogador de xadrez ou um sistema de inteligência artificial que escolhe ações ativas está no cenário em que esquecer pode compensar.
Em ambientes onde a máquina tem pouca influência sobre o resultado de suas ações ou em cenários muito simples, guardar cada memória continua sendo a estratégia mais eficiente.
Se esquecer naturalmente é reversível, por que não guardamos tudo na memória?
Pesquisadores irlandeses demonstraram que memórias aparentemente perdidas podem ser recuperadas quando o cérebro recebe estímulos relacionados ao que foi esquecido — como pistas naturais ou até estimulação artificial de células específicas. Isso parece sugerir que o esquecimento não é dano permanente, mas uma suspensão: o arquivo existe, apenas "travado".
Ainda assim, o cérebro continua esquecendo ativamente porque manter cada memória acessível o tempo todo teria um custo biológico contínuo. Além disso, nem toda informação esquecida precisa estar facilmente disponível para ser útil. O cérebro naturalmente prioriza as memórias relevantes para o ambiente e decisões atuais.
Arquivos que podem ser recuperados em circunstâncias especiais, mas que não precisam estar prontos o tempo todo, representam um equilíbrio entre economia de recursos e flexibilidade funcional — exatamente o que a pesquisa de Innsbruck revelou que máquinas ativas também precisam fazer.



