Что такое нейроморфные чипы?

Нейроморфные чипы — это процессоры, архитектура которых имитирует некоторые принципы деятельности мозга. В них вычислительные элементы организованы по аналогии с нейронами и синапсами и тесно связаны с памятью. Искусственные нейроны обмениваются информацией с помощью коротких электрических импульсов — спайков.

Идею и сам термин в конце 1980-х предложил американский ученый, инженер в области микроэлектроники и почетный профессор Калифорнийского технологического института Карвер Мид. Он создал первые аналоговые схемы, имитирующие поведение нейронов.

Главная цель такой технологии — экономия энергии. Человеческий мозг потребляет около 20 Вт и при этом одновременно распознает образы, управляет движениями и обучается. В обычных процессорах вычислительные блоки функционируют непрерывно, а данные постоянно передаются между памятью и процессором.

Нейроморфный чип тратит энергию в основном в моменты, когда генерируются спайки. Поэтому преимущество сильнее всего проявляется в решении задач с разреженными, меняющимися во времени данными, например при обработке сигналов с датчиков, распознавании жестов или звука на устройстве. Сколько энергии удается сэкономить, зависит от конкретной цели и от того, с каким оборудованием сравнивают чип.

Чем они отличаются от обычных процессоров?

Первое отличие — работа с памятью. В классических CPU и GPU память и вычислительные блоки разделены, поэтому данные постоянно курсируют между ними по шине. На эти пересылки может уходить большая часть времени и энергии. В инженерии эту проблему называют бутылочным горлышком фон Неймана. В нейроморфном чипе память расположена прямо внутри вычислительных блоков или вплотную к ним. Веса связей хранятся непосредственно в «синапсах», поэтому данные перемещаются гораздо реже и на меньшие расстояния. Полностью пересылки не исчезают: события-спайки все равно передаются между ядрами по внутренней сети чипа, а входные данные и результаты чип получает и отдает через внешние интерфейсы.

Второе — модели вычислений. В CPU или GPU на каждом шаге пересчитывают огромные массивы данных, даже если входная картинка почти не изменилась. Нейроморфный чип действует по событиям: при поступлении спайка система учитывает соответствующий вход и обновляет состояние искусственного нейрона. Выходной спайк возникает, если выполнены условия его модели — например, достигнут порог мембранного потенциала. В периоды низкой активности чип почти простаивает и потребляет меньше энергии. При этом тактовый сигнал есть не у каждого такого устройства, но и отказываются от него далеко не все. Например, ядра TrueNorth от IBM функционируют асинхронно, а в Loihi от Intel ядра синхронизируются по дискретным временным шагам.

Третье — массовый параллелизм. Множество нейронных ядер могут обрабатывать события одновременно, без необходимости синхронизировать все вычисления единым глобальным тактовым сигналом.

Как работает нейроморфный чип?

На таких чипах запускают импульсные нейронные сети (Spiking Neural Networks, SNN). В обычной нейросети нейрон просто передает дальше число. В импульсной нейрон накапливает входящие сигналы, и от них растет его внутренняя переменная, так называемый мембранный потенциал. Когда потенциал превышает порог, нейрон «выстреливает» спайком, то есть коротким импульсом. После этого потенциал сбрасывается полностью или частично, в зависимости от модели.

Информацию здесь кодирует не величина сигнала, а время и частота импульсов. Например, яркий пиксель может генерировать частые спайки, а тусклый — редкие.

цифровые чипы моделируют нейроны обычными логическими схемами — так устроены Intel Loihi и SpiNNaker2;
аналоговые чипы используют физику транзисторов, чтобы электрические сигналы воспроизводили отдельные особенности работы биологических нейронов;
мемристорные схемы опираются на мемристоры — элементы с сопротивлением, которое зависит от прошлых сигналов. Мемристор работает как синапс: он хранит вес связи и одновременно участвует в вычислении;
экспериментальные подходы строят нейроны на сверхпроводниках, фотонах света или даже звуковых волнах.

Некоторые чипы умеют дообучаться прямо во время выполнения задач. Связи между нейронами усиливаются или ослабевают в зависимости от того, как часто соседние узлы активируются вместе. Похожий механизм синаптической пластичности действует и в живом мозге.

Какие нейроморфные чипы уже существуют?

Индустрия развивается сразу в двух направлениях: от гигантских суперкомпьютеров для науки до сверхэкономичных чипов для датчиков.

Исследовательские платформы и суперкомпьютеры

IBM TrueNorth и NorthPole. Нейроморфный чип TrueNorth (2014) вмещал 1 млн нейронов и 256 млн синапсов при энергопотреблении всего 70 мВт. Вышедший в 2023 году процессор NorthPole отказался от импульсной модели вычислений, но сохранил ключевой нейроморфный принцип — тесную интеграцию памяти и вычислительных блоков на одном кристалле.

Intel Loihi. На базе чипов Loihi 2 (2021) компания Intel построила для Сандийских национальных лабораторий нейроморфную систему Hala Point из 1152 процессоров. Она поддерживает 1,15 млрд нейронов и достигает энергоэффективности свыше 15 TOPS/Вт.

SpiNNaker2. Нейроморфный чип на 152 ядра ARM, созданный университетами Дрездена и Манчестера и коммерциализированный стартапом SpiNNcloud. В 2025 году система, способная моделировать 175 млн нейронов, заработала в Сандийских национальных лабораториях, а в 2026-м платформу выбрал Юлихский суперкомпьютерный центр для проекта гибридного ИИ ESAB.

Коммерческие чипы для периферии (Edge AI)

BrainChip Akida. Серийные нейроморфные ускорители от австралийских разработчиков для камер, сенсоров и устройств интернета вещей, способные анализировать сигналы и дообучаться локально.

Innatera Pulsar. Нейроморфный микроконтроллер из Нидерландов. Объединяет SNN-движок, CNN-ускоритель и ядро RISC-V с энергопотреблением менее 1 мВт в отдельных сценариях.

Great Sky. Стартап бывших исследователей NIST (Боулдер), создающий оптоэлектронные нейроморфные процессоры. Архитектура чипов объединяет сверхпроводящие вычисления на джозефсоновских переходах с оптическими межсоединениями, по которым нейроны обмениваются одиночными фотонами.

Где используют нейроморфные чипы?

Автономные датчики и гаджеты. Благодаря сверхнизкому энергопотреблению нейроморфные микроконтроллеры вроде Innatera Pulsar способны работать в режиме постоянной готовности. Их можно использовать в носимых гаджетах для распознавания жестов, а также в промышленном оборудовании — для непрерывного мониторинга вибраций и раннего предупреждения об износе деталей.

Суперкомпьютерные вычисления. Крупные нейроморфные системы, такие как Hala Point от Intel и кластеры на базе чипов SpiNNaker2, помогают ученым моделировать работу нейронных сетей мозга, решать сложные задачи оптимизации и тестировать новые энергоэффективные алгоритмы машинного обучения.

Сверхбыстрое машинное зрение. В феврале 2026 года ученые представили новую нейроморфную систему зрения, скорость работы которой превосходит возможности человеческого восприятия. Сенсор на базе синаптических транзисторов игнорирует статичный фон и мгновенно фиксирует только движущиеся объекты. В перспективе технология может ускорить обработку визуальных данных в дронах, роботах и беспилотных автомобилях.

Термоядерный синтез. В октябре 2026 года американские национальные лаборатории совместно с компанией Great Sky испытали сверхпроводящий ИИ-чип для анализа данных термоядерных установок. Устройство анализировало реальные данные с американского токамака DIII-D и модели из симулятора плазмы TORAX от Google DeepMind. Чип справился с данными, собранными с частотой 1 млн отсчетов в секунду. Разработчики рассчитывают, что в будущем технология поможет создавать системы управления плазмой в реальном времени.

Криогенная электроника для кубитов. В марте 2026 года исследователи Гонконгского университета представили экспериментальные нейроморфные схемы на основе карбида кремния, рассчитанные на работу при сверхнизких температурах. В перспективе размещение таких микросхем внутри криостата может упростить управление квантовыми компьютерами и уменьшить тепловую нагрузку от соединительных проводов.

Можно ли купить нейроморфный чип?

Да, но в основном в виде наборов для разработчиков. В октябре 2026 года BrainChip выпустила комплект AKD1500 Raspberry Pi 5 Dev Kit за $1295. Внутри металлического корпуса установлены Raspberry Pi 5 с 8 ГБ памяти, плата расширения M.2 HAT+ и карта с ускорителем Akida. По оценке CNX Software, похожую систему можно самостоятельно собрать из комплектующих примерно за $350 без учета налогов, доставки и времени на настройку.

В начале ноября собственную программу для программистов запустила компания Innatera. Ее оценочные платы Pulsar уже продаются через DigiKey в странах Евросоюза, а к концу 2026 года географию поставок обещают расширить.

Чипы Intel Loihi в свободную продажу не поступают. Доступ к оборудованию получают только участники исследовательского сообщества Intel — научные группы, коммерческие компании и госструктуры. Однако писать и тестировать программы для нейроморфных систем на обычных процессорах может любой желающий с помощью открытого фреймворка Lava.

Что мешает массовому распространению?

Несмотря на успехи в лабораториях, технологии предстоит преодолеть шесть барьеров:

Сложное обучение. Спайк представляет собой резкий скачок сигнала, поэтому стандартный метод обратного распространения ошибки к нему напрямую не применим. Инженерам приходится использовать обходные пути — например, суррогатные градиенты или конвертацию обычных нейросетей в импульсные, что нередко ведет к потере точности.
Раздробленная экосистема. Для GPU существует зрелая программная экосистема, включая CUDA, PyTorch и множество готовых моделей. Многие производители нейроморфных чипов используют собственные SDK и компиляторы. Специалистов на рынке мало, а перенос кода между платформами требует ручной адаптации.
Нехватка общих бенчмарков. Исследователи из университетов и технологических компаний уже разработали NeuroBench, открытый набор тестов для нейроморфных систем. Однако индустриального стандарта уровня MLPerf пока нет. Компании замеряют энергоэффективность и скорость по-разному, поэтому объективно сравнивать чипы трудно.
Сложности с запуском современных LLM. Современные большие языковые модели создавались под GPU. Нейроморфные чипы выигрывают на разреженных потоках данных с датчиков, где сигнал меняется редко. При выполнении плотных матричных вычислений, характерных для LLM, преимущество в энергоэффективности может сокращаться.
Нестабильность аналоговых элементов. В аналоговых и гибридных чипах мемристоры и транзисторы даже из одной партии немного отличаются друг от друга. К тому же их характеристики плавают при перепадах температуры и со временем.
Неизученность уязвимостей. Методы защиты импульсных систем во встроенных устройствах от сбоев и атак пока плохо проработаны по сравнению с классическими процессорами.

Заменят ли нейроморфные чипы видеокарты?

В ближайшие годы — нет, у них другая задача. Компактные нейроморфные чипы полезны там, где на счету миллисекунды реакции и милливатты энергии: в датчиках, умных часах, дронах и роботах.

Скорее всего, они будут действовать в связке с привычными CPU и GPU. Обычные процессоры возьмут на себя тяжелые матричные вычисления, а нейроморфные модули — быструю обработку сигналов с сенсоров.

Некоторые стартапы уже присматриваются к рынку дата-центров. По оценке Great Sky, ее архитектура в перспективе может снизить совокупную стоимость генерации 1 млн выходных токенов до $0,01 — примерно в 300 раз по сравнению с выбранным компанией ориентиром в $3. Эти показатели пока не подтверждены независимыми испытаниями коммерческой системы.

На текущем этапе технология Great Sky проходит валидацию на специализированных научных задачах, включая прогнозирование нестабильности плазмы в токамаках. Испытания чипа следующего поколения — с нейросетью, увеличенной в 10 раз — намечены в Брукхейвенской национальной лаборатории на начало 2027 года.