Нейроморфный процессор умеет делать довольно эффектный трюк. Пока вокруг ничего существенного не происходит, значительная часть схемы может практически молчать. Появился сигнал, активировались нужные искусственные нейроны, прошёл короткий поток импульсов, вычисление закончилось. На фоне современных ускорителей ИИ, которые непрерывно перемалывают огромные массивы чисел, подход выглядит почти подозрительно эффективным.
Отсюда возникает закономерный вопрос. Если нейроморфные чипы способны экономить энергию, хранить состояние рядом с вычислителями и даже менять связи во время работы, почему дата-центры до сих пор заполнены GPU? Почему большую языковую модель нельзя просто пересадить на процессор, работающий «как мозг», и резко сократить счета за электричество?
Причина проста. Нейроморфная архитектура хорошо решает определённый класс задач, но современный генеративный ИИ вырос вокруг совершенно другой математики. Большие модели любят плотные матричные операции, огромную память, высокую точность и зрелые средства разработки. Нейроморфным системам приходится либо менять собственную архитектуру, либо менять саму модель. Сейчас исследователи пробуют оба пути.
Почему нейроморфные чипы пока не стали массовыми
Проблема уже давно не сводится к отсутствию работающего кремния. Intel создала два поколения Loihi и масштабную систему Hala Point. BrainChip выпускает семейство Akida. SynSense продаёт специализированные процессоры для зрения и временных сигналов. SpiNNaker2 позволяет строить крупные событийные системы. Исследовательских чипов ещё больше.
Не хватает другого, убедительного преимущества в массовой задаче, которое оправдывало бы переход на новую вычислительную модель. GPU за последние годы получили гигантскую программную экосистему. Разработчик может взять готовую модель, библиотеку, драйвер, средство профилирования и запустить знакомый программный код. Для нейроморфного процессора часто приходится выбирать другую архитектуру сети, преобразовывать модель, учитывать время появления импульсов и заново проверять точность.
Обзор Nature Communications о коммерциализации нейроморфных технологий называет программную экосистему, стандартизацию, понятные показатели эффективности и поиск подходящих рынков одними из центральных задач отрасли. Энергоэффективного чипа недостаточно. Производителю устройства нужно понимать, сколько стоит разработка, насколько легко нанять инженеров, как перенести существующую модель и будет ли платформа поддерживаться через пять лет.
Можно ли обучать нейросеть прямо на чипе
Да, и такая способность относится к наиболее интересным особенностям нейроморфных систем. Обычный сценарий современного ИИ обычно разделяет обучение и работу модели. Большую нейросеть обучают на мощных ускорителях, затем готовые веса переносят на смартфон, камеру или другой конечный компьютер. Во время работы веса чаще всего остаются неизменными.
Нейроморфный процессор может поддерживать локальное изменение связей. Устройство получает новые события и постепенно подстраивает часть сети без отправки всех данных обратно в центр обработки. Intel Loihi и Loihi 2 создавались в том числе для исследования программируемого обучения непосредственно внутри нейроморфной архитектуры. В 2025 году исследователи продемонстрировали на Loihi 2 даже вариант контекстного обучения трансформера, где локальная пластичность использовалась для операций, похожих на механизм внимания.
Но фраза «обучение на чипе» не означает, что небольшой нейроморфный процессор можно дать пустой модели и получить аналог современной большой языковой системы. Локальное обучение особенно интересно для адаптации, распознавания новых образцов, персонализации и изменения поведения после редких событий. Масштабное обучение моделей с миллиардами параметров остаётся совсем другой задачей.
Что такое синаптическая пластичность и STDP
Связи между биологическими нейронами не имеют навсегда заданной силы. Активность нервной системы способна менять эффективность синапсов. Такое свойство называют синаптической пластичностью. Нейроморфные системы заимствуют идею и позволяют некоторым искусственным связям менять вес прямо во время работы.
Один из известных механизмов называется STDP, от английского Spike-Timing-Dependent Plasticity, то есть пластичность, зависящая от времени появления импульсов. Упрощённая логика выглядит так. Если один нейрон регулярно срабатывает непосредственно перед другим, связь между ними может усиливаться. Если порядок оказывается обратным или задержка слишком велика, вес может уменьшаться. Значение имеет не только факт активности, но и точный момент события.
Получается локальное правило обучения. Каждому синапсу не требуется знать состояние всей огромной сети и ждать глобального вычисления градиента. Достаточно активности ближайших нейронов и временной связи между событиями. Современные варианты STDP намного сложнее такой схемы, могут учитывать дополнительные сигналы и вознаграждение. Обзор исследований STDP показывает множество модифицированных правил для спайковых сетей.
Главное ограничение тоже находится здесь. Простое локальное правило прекрасно подходит для адаптации отдельных паттернов, но современные глубокие сети добились своей точности благодаря глобальной оптимизации огромного количества параметров. Пока нейроморфное обучение не предлагает универсальной замены обратному распространению ошибки для всех классов больших моделей.
Можно ли запустить большую языковую модель на нейроморфной архитектуре
Ещё несколько лет назад простой ответ звучал бы как «скорее нет». К 2026 году правильнее отвечать иначе. Исследователи уже создают языковые модели со спайковой обработкой и аппаратно дружественные варианты трансформеров. Но речь пока не идёт о переносе любой современной большой модели на Loihi или похожий чип без серьёзной переделки.
В 2025 году на конференции ICML представили Sorbet, спайковую языковую модель на основе трансформера. Разработчикам пришлось специально заменить операции, которые плохо ложатся на нейроморфное оборудование, в частности обычные варианты нормализации и Softmax. Работа хорошо показывает фундаментальную проблему. Трансформер можно приблизить к нейроморфной архитектуре, но приходится менять сам трансформер.
Ещё дальше пошли авторы Neuromorphic Spike-Based Large Language Model. Исследователи преобразовали вычисления большой языковой модели в спайковую форму, использовали разреженность и линейный механизм внимания, а затем испытали вариант с 1,5 млрд параметров на программируемой логической матрице. Авторы сообщили о 161,8 генерируемого элемента текста в секунду и значительно лучшей энергоэффективности по сравнению с использованной в эксперименте GPU A800. Результат интересный, но сравнивать экспериментальный специализированный блок с промышленным стеком больших моделей напрямую пока рано.
Почему модели класса ChatGPT пока проще запускать на GPU
Современная большая языковая модель в значительной степени представляет собой гигантскую машину линейной алгебры. Во время генерации приходится читать огромный объём весов, выполнять матричные операции, обрабатывать механизм внимания, нормализацию и нелинейные преобразования. GPU десятилетиями совершенствовались именно для массового параллельного счёта над большими массивами чисел.
Нейроморфная архитектура раскрывается лучше, когда активность разрежена. Из миллиона элементов сработала небольшая часть, значит остальным можно ничего не считать. Но если большая модель на каждом шаге активно использует значительную долю параметров, преимущество событийного подхода уменьшается. Вместо редких импульсов появляется огромный поток событий, который тоже нужно маршрутизировать, хранить и обрабатывать.
Есть и вопрос памяти. Современные языковые модели требуют гигантского объёма весов и промежуточных данных. Нейроморфный процессор может разместить память ближе к вычислению, но физическую ёмкость никто не отменял. Миллиарды параметров всё равно нужно где-то хранить. Масштабирование системы превращается в сложную задачу межкристальной связи, распределения памяти и синхронизации.
Поэтому сегодня разумнее не спрашивать, способен ли нейроморфный чип «запустить ChatGPT», а искать части алгоритма, которые можно заменить более разреженным и локальным вычислением. Именно таким путём идут эксперименты со спайковым вниманием, моделями пространства состояний и гибридными архитектурами.
Почему программировать нейроморфный компьютер сложнее
Привычный программист мыслит инструкциями и данными. Специалист по машинному обучению привык к слоям, тензорам, матрицам и градиентам. Нейроморфная система добавляет ещё одно измерение, время. Нужно решить, как число превращается в серию импульсов, когда нейрон должен сработать, сколько временных шагов требуется и как прочитать получившийся ответ.
Возникают и менее очевидные вопросы. Считать ли отсутствие спайка нулём или информацией? Что важнее, количество импульсов или точный момент каждого события? Как разбить большую сеть между ядрами, чтобы обмен сообщениями не съел выигрыш в энергии? Как сравнить две платформы, если одна измеряет производительность операциями, другая синаптическими событиями, а третья энергией одного импульса?
Intel пытается снизить такой порог с помощью открытой программной среды Lava, другие производители создают собственные средства преобразования обычных моделей. Но единого аналога экосистемы GPU пока нет. Даже впечатляющий лабораторный результат может оказаться трудным для повторения на другом нейроморфном оборудовании.
Мемристоры и вычисления прямо внутри памяти
Одно из самых интересных направлений пытается убрать фундаментальную проблему современных компьютеров, постоянное путешествие данных между памятью и вычислительными блоками. Мемристор представляет собой электронный элемент, сопротивление которого зависит от предыдущего состояния. Проще говоря, элемент одновременно способен хранить значение и участвовать в вычислении.
Особенно заманчивы массивы мемристоров. Если представить веса нейросети как проводимости элементов в сетке, электрические законы позволяют выполнять часть операции умножения матрицы на вектор непосредственно внутри массива. Данные не приходится сначала читать из памяти, передавать в отдельный арифметический блок и записывать результат обратно.
В 2025 году исследователи показали в Nature процессор, который объединил мемристорную память и обычную SRAM, чтобы совместить энергоэффективные вычисления внутри памяти с более высокой точностью. К 2026 году мемристорные технологии уже нельзя считать чистой лабораторной фантазией. Коммерческие компоненты существуют, но крупномасштабные вычислительные массивы всё ещё сталкиваются с разбросом характеристик, шумом, точностью записи и сложностью производства.
При этом мемристорный процессор не обязательно нейроморфный, а нейроморфный процессор не обязан содержать мемристоры. Два направления часто пересекаются, поскольку оба пытаются приблизить память к вычислению и сократить энергозатраты на движение данных.
Аналоговые нейроморфные процессоры
Цифровой компьютер хранит значения как дискретные числа. Аналоговый процессор может использовать непосредственно физическую величину, например напряжение, заряд или ток. Если электрическая схема сама по законам физики выполняет нужную математическую операцию, нет необходимости эмулировать каждый шаг последовательностью цифровых инструкций.
Для нейроморфики подход особенно естественен. Накопление заряда напоминает изменение состояния нейрона, проводимость элемента может соответствовать весу синапса, а сумма токов получается физически без миллионов отдельных цифровых сложений. Потенциальный выигрыш в скорости и энергопотреблении огромен.
Цена такой эффективности тоже физическая. Транзисторы отличаются друг от друга, температура меняет характеристики, возникают шум и дрейф. Цифровой процессор скрывает значительную часть несовершенства за чёткими нулями и единицами. Аналоговая система должна научиться жить с неточностью. Иногда нейросеть прекрасно её переносит, иногда требуется сложная калибровка, которая начинает съедать аппаратное преимущество.
Фотонные вычисления и нейросеть со скоростью света
Ещё радикальнее выглядит идея заменить часть электронов фотонами. Свет способен переносить множество сигналов одновременно на разных длинах волн, а оптические компоненты могут очень быстро выполнять линейные преобразования. Для нейросетей, где матричные операции занимают значительную часть вычислений, возможность выглядит чрезвычайно привлекательной.
Фотонный процессор тоже не является автоматически нейроморфным. Но направления хорошо сочетаются. Исследователи создают оптические искусственные нейроны, синапсы и даже спайковые фотонные сети. Обзор нейроморфной фотоники показывает потенциально огромную пропускную способность таких систем, но одновременно перечисляет проблемы нелинейных операций, преобразования света в электрический сигнал, памяти и интеграции компонентов.
Главная ирония заключается в том, что свет великолепно считает некоторые операции и очень плохо умеет хранить результаты. Электроника делает почти обратное. Поэтому наиболее реалистичные фотонные системы пока выглядят гибридными. Оптика выполняет ту часть вычисления, где параллелизм света даёт преимущество, а электроника занимается памятью, управлением и операциями, которые неудобно реализовывать фотонами.
Заменят ли нейроморфные процессоры GPU
Полная замена выглядит маловероятной, потому что GPU и нейроморфный процессор оптимизируют разные свойства вычисления. GPU хочет получить большой массив данных и как можно плотнее загрузить тысячи арифметических блоков. Нейроморфная система хочет избежать вычисления, если событие не произошло. Одна архитектура выигрывает от постоянной высокой загрузки, другая получает преимущество от разреженности.
| Задача | Наиболее естественная архитектура | Причина |
|---|---|---|
| Обучение огромной языковой модели | GPU и специализированные матричные ускорители | Плотные вычисления, огромная память, зрелый программный стек |
| Генерация текста большой моделью | GPU, NPU и специализированные ускорители | Большой объём весов и регулярные матричные операции |
| Постоянный анализ редких событий | Нейроморфный процессор | Можно активировать вычисления только при изменении сигнала |
| Адаптация устройства к новым данным на месте | Нейроморфный или гибридный процессор | Локальная пластичность позволяет менять часть сети без полного переобучения |
| Очень большие матричные операции с минимальным движением данных | Вычисления в памяти или аналоговый ускоритель | Математика выполняется рядом с местом хранения весов |
| Сложная универсальная система ИИ | Гибридная архитектура | Разные этапы задачи выгоднее выполнять разными типами вычислителей |
Поэтому будущее, вероятно, окажется менее драматичным, чем обещает привычное слово «заменит». CPU не уничтожил специализированные процессоры обработки сигналов. GPU не уничтожил CPU. NPU не уничтожил GPU. Каждый новый класс вычислителей забирает работу, которую умеет делать эффективнее остальных.
Каким может стать компьютер после эпохи CPU плюс GPU
Сегодня персональный компьютер или сервер всё чаще уже состоит не из одного универсального процессора. Рядом работают CPU, GPU, NPU, блоки кодирования видео, сетевые ускорители и специализированные процессоры безопасности. Следующий этап может сделать такую архитектуру ещё более неоднородной.
Нейроморфный блок сможет постоянно следить за редкими событиями. Матричный ускоритель возьмёт тяжёлую генеративную модель. Вычислитель внутри памяти сократит пересылку огромных массивов весов. Аналоговая схема быстро выполнит отдельные приближённые операции. Фотонный блок обработает задачи, где выгодна огромная параллельная пропускная способность. CPU останется дирижёром системы и будет выполнять код, для которого специализированный ускоритель вообще не нужен.
Самое интересное изменение тогда произойдёт не в количестве операций в секунду. Компьютер перестанет пытаться выполнять всю работу одним способом. Вместо универсальной вычислительной машины получится набор архитектур, каждая из которых подключается только там, где физически выгодна.
Нейроморфные процессоры хорошо показывают направление такого перехода. Сегодня большая языковая модель всё ещё гораздо естественнее чувствует себя на GPU. Но исследования спайковых трансформеров, локального обучения, мемристоров, аналоговых схем и фотоники постепенно размывают границу между памятью, процессором и самой нейросетью.
Возможно, главный наследник современной связки CPU и GPU вообще не будет одним новым «суперчипом». Компьютер будущего скорее станет маленькой экосистемой вычислителей, где одни блоки считают, другие ждут, третьи запоминают прямо во время вычисления, а некоторые реагируют только тогда, когда в окружающем мире действительно произошло что-то интересное.
