Нейроморфные компьютеры: мозг в железе

Ней­ро­морф­ные ком­пью­те­ры: как «мозг в желе­зе» меня­ет пра­ви­ла игры или зачем нам ещё один спо­соб счи­тать. Вы, навер­ное, слы­ша­ли исто­рию о моз­ге: ~86 мил­ли­ар­дов ней­ро­нов и трил­ли­о­ны свя­зей. Это не про­сто кра­си­вая мета­фо­ра, это реаль­ная шка­ла, с кото­рой совре­мен­ным ком­пью­те­рам тяже­ло конкурировать.

Ней­ро­морф­ные вычис­ле­ния (neuromorphic computing) пыта­ют­ся не повто­рить мозг дослов­но. Они пыта­ют­ся под­смот­реть его при­ё­мы — асин­хрон­ную, собы­тий­ную обра­бот­ку, плот­ную инте­гра­цию памя­ти и вычис­ле­ний. А так­же низ­кое энер­го­по­треб­ле­ние при слож­ных пер­цеп­ци­он­ных зада­чах. Эти идеи уже пере­хо­дят из лабо­ра­то­рий в реаль­ные систе­мы — и это сто­ит понять, осо­бен­но если вы инте­ре­су­е­тесь авто­ном­ны­ми робо­та­ми, «edge»-устройствами и буду­щим ИИ.

Под­пи­ши­тесь на Tiku Digital ВКонтакте

Что такое нейроморфные вычисления простыми словами

Ней­ро­мор­фи­ка — это архи­тек­ту­ры и чипы, кото­рые моде­ли­ру­ют прин­ци­пы рабо­ты ней­рон­ных сетей на уровне аппа­ра­ту­ры. Глав­ное отли­чие от при­выч­ных CPU/​GPU — «собы­тий­ная» (event-driven) логи­ка и бли­зость памя­ти к вычис­ле­нию: сиг­нал появ­ля­ет­ся толь­ко тогда, когда «что-то про­изо­шло» (спайк), и даль­ше цепоч­ка собы­тий обра­ба­ты­ва­ет­ся локаль­но и парал­лель­но. Это похо­же на то, как наши ней­ро­ны «стре­ля­ют» толь­ко при сти­му­ле, а не гоня­ют дан­ные туда-сюда посто­ян­но. Такой под­ход отлич­но под­хо­дит для задач с пото­ко­вы­ми дан­ны­ми, низ­кой задерж­кой и огра­ни­чен­ным энергопотреблением.

Короткая проверка масштаба — почему это важно

Срав­ни­те: чело­ве­че­ский мозг — поряд­ка десят­ков мил­ли­ар­дов ней­ро­нов и сотен трил­ли­о­нов синап­сов. Совре­мен­ные ней­ро­морф­ные про­ек­ты пока дости­га­ют лишь малой доли этой слож­но­сти, но дела­ют это супер­энер­ге­ти­че­ски эффек­тив­но — что даёт прак­ти­че­ский смысл. Эта раз­ни­ца мас­шта­ба объ­яс­ня­ет, поче­му ней­ро­морф­ные систе­мы не стре­мят­ся «заме­нить» клас­си­че­ские ней­рон­ные сети, а допол­ня­ют их там, где кри­тич­ны энер­го­по­треб­ле­ние и ско­рость реакции.

Реальные примеры: от научных прототипов до промышленных систем

Если вы люби­те фак­ты — вот пара замет­ных вех. IBM ещё в 2014 году пред­ста­ви­ла TrueNorth — экс­пе­ри­мен­таль­ный чип с мил­ли­о­ном «спай­ко­вых» ней­ро­нов и сот­ня­ми мил­ли­о­нов синап­сов. Он пока­зал фан­та­сти­че­скую энер­го­эф­фек­тив­ность для задач рас­по­зна­ва­ния. А в 2024 году Intel запу­сти­ла Hala Point — кла­стер, постро­ен­ный на Loihi 2. Он под­дер­жи­ва­ет поряд­ка 1.15 мил­ли­ар­да искус­ствен­ных ней­ро­нов и демон­стри­ру­ет десят­ки трил­ли­о­нов опе­ра­ций при очень малом энер­го­по­треб­ле­нии; систе­ма была пере­да­на в Sandia National Laboratories для даль­ней­ших иссле­до­ва­ний. Это не про­сто «потеш­ный» про­то­тип — это круп­ный ска­чок в инже­не­рии ней­ро­морф­ных вычислений.

Таблица — кто и что сделал (коротко)

Технология внутри: SNN, event-based датчики и новые элементы памяти

В серд­це­вине ней­ро­мор­фи­ки — спай­ко­вые ней­рон­ные сети (SNN, spiking neural networks). В отли­чие от клас­си­че­ских ней­ро­се­тей, они опе­ри­ру­ют «импуль­са­ми» (spikes) и моде­ли­ру­ют вре­мен­ную дина­ми­ку ней­ро­нов — это даёт пре­иму­ще­ство при рабо­те с пото­ко­вы­ми сиг­на­ла­ми и дат­чи­ка­ми, кото­рые сами фор­ми­ру­ют собы­тия (event-based cameras/​DVS). На физи­че­ском уровне иссле­до­ва­те­ли так­же экс­пе­ри­мен­ти­ру­ют с мемри­сто­ра­ми, spintronics и дру­ги­ми эле­мен­та­ми памя­ти, кото­рые мог­ли бы ими­ти­ро­вать пла­сти­ку синап­сов напря­мую в мате­ри­а­ле. Всё это — часть «аппа­рат­но-про­грамм­но­го» под­хо­да: чипы и алго­рит­мы про­ек­ти­ру­ют­ся вместе.

Почему нейроморфика полезна — преимущества

• Энер­го­эф­фек­тив­ность. Собы­тий­ная обра­бот­ка эко­но­мит энер­гию: про­цес­сор рабо­та­ет «когда нуж­но», а не постоянно.
• Низ­кая задерж­ка. Для робо­тов и авто­ном­ных дро­нов важ­на мгно­вен­ная реак­ция — собы­тия обра­ба­ты­ва­ют­ся на месте, без дол­гих отпра­вок в облако.
• Он-девайс обу­че­ние. Воз­мож­ность локаль­ной адап­та­ции и непре­рыв­но­го обу­че­ния пря­мо на устрой­стве (on-chip learning) в ряде архитектур.
• Мно­го­мо­даль­ность. Встро­ен­ные сен­со­ры (vision, sound, IMU) лег­ко «сли­ва­ют­ся» с SNN-алго­рит­ма­ми. Это очень силь­но упро­ща­ет вос­при­я­тие сцены.

Где уже применяют нейроморфные системы (реальные кейсы)

Типич­ные и пер­спек­тив­ные обла­сти при­ме­не­ния — робо­то­тех­ни­ка, бес­пи­лот­ни­ки, авто­ном­ные транс­порт­ные сред­ства, систе­мы видео­на­блю­де­ния с низ­ким энер­го­по­треб­ле­ни­ем, меди­цин­ские импланты/​интерфейсы и про­мыш­лен­ная авто­ма­ти­за­ция. Ком­па­нии и лабо­ра­то­рии уже демон­стри­ру­ют спо­соб­ность ней­ро­морф­ных чипов обра­ба­ты­вать пото­ко­вое видео, рас­по­зна­вать жесты и дей­ство­вать онлайн с мини­маль­ной энер­го­за­тра­той — то есть в тех местах, где клас­си­че­ские ней­ро­се­ти на GPU не впи­сы­ва­ют­ся по при­чине энер­го­по­треб­ле­ния или задержек.

Главные вызовы и ограничения

1. Про­грам­ми­ро­ва­ние и инстру­мен­ты. SNN-мир ещё моло­же, чем deep learning: нуж­ны биб­лио­те­ки, удоб­ные фрейм­вор­ки и отла­доч­ные инстру­мен­ты (есть про­ек­ты вро­де SpikingJelly, но эко­си­сте­ма в развитии).
2. Слож­ность обу­че­ния. Обу­че­ние SNN часто слож­нее (непре­рыв­ная дина­ми­ка, бинар­ные spikes), поэто­му часто исполь­зу­ют гибрид­ные под­хо­ды или пре­об­ра­зо­ва­ния из обыч­ных сетей.
3. Мас­шта­би­ро­ва­ние и про­из­вод­ство. Соби­рать мил­ли­ар­ды «ней­ро­нов» в про­мыш­лен­ных объ­ё­мах — доро­го и слож­но. Про­ек­ты вро­де Hala Point — это пока ред­кие круп­ные инсталляции.
4. Нель­зя «всё» решать ней­ро­мор­фи­кой. Для мно­гих задач (напри­мер, тре­ни­ров­ка огром­ных LLM) клас­си­че­ские GPU/​TPU оста­ют­ся эффек­тив­нее. Ней­ро­мор­фи­ка выиг­ры­ва­ет не вез­де, а там, где важ­на энер­гия и latency.

Связь с AGI и «дорога к общему ИИ» — романтика или реальность?

Ней­ро­морф­ные систе­мы часто упо­ми­на­ют в одном ряду с дис­кус­си­я­ми про AGI (Artificial General Intelligence). Всё пото­му, что они бли­же по архи­тек­тур­ным прин­ци­пам к моз­гу. Неко­то­рые иссле­до­ва­те­ли и прак­ти­ки счи­та­ют, что аппа­рат­ная эво­лю­ция (вклю­чая ней­ро­мор­фи­ку) — одна из доро­жек к более обще­му, гиб­ко­му интел­лек­ту. При этом важ­но пони­мать: AGI — это ком­плекс и софт, и алго­рит­мы, и дан­ные, и без­опас­ность, и фило­со­фия. И мне­ния экс­пер­тов силь­но раз­нят­ся: одни, напри­мер, дают опти­ми­стич­ные гори­зон­ты, дру­гие — осто­рож­ны и скеп­тич­ны. Сре­ди извест­ных опти­ми­стов — Бен Гёр­цель (Ben Goertzel), кото­рый в сво­их пуб­ли­ка­ци­ях и интер­вью обсуж­да­ет реа­ли­стич­ные сро­ки и пути к AGI, но это — точ­ка зре­ния одно­го из мно­гих участ­ни­ков дискуссии.

Индустрия, деньги и стартапы

Ней­ро­мор­фи­ка — не толь­ко ака­де­мия: вид­ны и ком­мер­че­ские про­ек­ты. Intel инве­сти­ро­ва­ла в Loihi и в Hala Point, IBM пока­зы­ва­ла TrueNorth; есть ком­па­нии вро­де BrainChip и SynSense, кото­рые стро­ят ком­мер­че­ские про­дук­ты для edge-AI и сен­со­ров. Появ­ля­ют­ся и стар­та­пы с мас­штаб­ны­ми амби­ци­я­ми — инве­сто­ры обра­ща­ют вни­ма­ние на тех­но­ло­гии, кото­рые поз­во­ля­ют эко­но­мить энер­гию и откры­вать новые кей­сы на «гра­ни» воз­мож­но­стей клас­си­че­ских систем. Недав­ние при­ме­ры круп­ных раун­дов и инве­сти­ций пока­зы­ва­ют, что инте­рес к «ново­му желе­зу» и новым алго­рит­мам высокий.

Как прикинуть полезность нейроморфного решения для вашего проекта — простая формула

Если вы дума­е­те о при­ме­не­нии ней­ро­мор­фи­ки в про­дук­те, полез­но оце­нить «энер­ге­ти­че­скую выго­ду» при­бли­зи­тель­но так:

Ops_per_joule = (Ops_per_second) / Power_W

Если:
- традиционное решение даёт A оп/с при P1 ватт,
- нейроморфное даёт B оп/с при P2 ватт,

то выигрышь ≈ (B/P2) / (A/P1)

Если >1 — нейроморфика экономичнее по ops/джоулю.

На прак­ти­ке Hala Point и подоб­ные систе­мы демон­стри­ру­ют трил­ли­о­ны опе­ра­ций на ватт­ном уровне — это дале­ко не все­гда при­ме­ни­мо к каж­до­му про­дук­ту, но для авто­ном­ных сен­со­ров и робо­тов раз­ни­ца может быть решающей.

Как начать: инструменты и ресурсы (короткий чек-лист)

• Освой­те базу SNN: про­чи­тай­те ввод­ные по спай­ко­вым сетям и event-based sensing.
• Посмот­ри­те фрейм­вор­ки: SpikingJelly, BindsNET, Brian2 — для экс­пе­ри­мен­тов в ПО.
• Попро­буй­те event-camera (DVS) + про­стую SNN зада­чу (детек­ция дви­же­ния) — это «клас­си­ка» для начала.
• Оце­ни­те аппа­рат­ную сов­ме­сти­мость: нужен ли вам ком­мер­че­ский Akida /​SynSense /​Loihi-based access или хва­тит симуляции?
• Запус­кай­те пилот на целе­вом устрой­стве и счи­тай­те ops/​джоуль и latency — реаль­ные мет­ри­ки реша­ют всё.

Итог — стоит ли ждать «мозгов в коробке»?

Корот­кий ответ: да, но не как «вол­шеб­ник, кото­рый всё решит». Ней­ро­мор­фи­ка обе­ща­ет суще­ствен­ные пре­иму­ще­ства там, где важ­ны энер­го­по­треб­ле­ние и немед­лен­ная реак­ция — edge-робо­ты, дро­ны, дат­чи­ки и авто­ном­ные систе­мы. Она уже нашла прак­ти­че­ское при­ме­не­ние и полу­чи­ла серьёз­ные инже­нер­ные вехи (TrueNorth, Loihi, Hala Point, ком­мер­че­ские Akida-реше­ния и пр.). Одна­ко это не уни­вер­саль­ный заме­ни­тель GPU/​TPU, а ещё один важ­ный инстру­мент в арсе­на­ле инже­не­ра. Если вы дела­е­те про­дук­ты с огра­ни­чен­ной пита­ни­ем и тре­бо­ва­ни­ем к низ­кой задерж­ке — ней­ро­мор­фи­ка заслу­жи­ва­ет вни­ма­ния и пило­ти­ро­ва­ния пря­мо сейчас.