Mi az a neuromorf számítástechnika és hogyan működik?

A minden AI chipben rejlő energiaválság

Valahányszor egy nagyméretű AI modell válaszol egy kérdésre, képet generál vagy beszédet ír le, olyan mértékben fogyaszt áramot, ami egy évtizeddel ezelőtt abszurdnak tűnt volna. A modern grafikus processzorok (GPU-k) – az AI képzésének igáslovai – folyamatosan több száz wattot vehetnek fel, és az ezeket ezrével futtató adatközpontok együttesen annyi energiát fogyasztanak, mint egy közepes méretű város. Mivel az AI áramfogyasztása várhatóan megduplázódik 2026-ra, a mérnökök egy alapvetően eltérő megközelítést keresnek. Az egyik legígéretesebb jelölt a neuromorf számítástechnika – olyan hardver, amely inkább agyként, mint számológépként gondolkodik.

Miért az agy a végső mérce?

Az emberi agy rendkívüli felismerési, előrejelzési és tanulási bravúrokat hajt végre, miközben körülbelül 20 wattal működik – nagyjából ugyanannyival, mint egy halvány villanykörte. Ezt a mai számítógépeket működtető szilíciumchipekhez képest radikálisan eltérő architektúrával éri el. Ahelyett, hogy az adatokat külön memória- és feldolgozó egységek között mozgatná (az úgynevezett von Neumann-szűk keresztmetszet), az agyban lévő neuronok ugyanazon a helyen tárolják és dolgozzák fel az információt. Emellett takarékosan kommunikálnak: egy neuron csak akkor ad le elektromos impulzust, ha az aktivációja átlép egy küszöböt, ami azt jelenti, hogy a hálózat túlnyomó része bármely adott pillanatban csendben van. Ez a ritka, eseményvezérelt tervezés az agy hatékonyságának titka.

Hogyan másolják a neuromorf chipek a neurális architektúrát?

A neuromorf chipek ezeket a biológiai elveket ültetik át szilíciumba. A hagyományos tranzisztoros logika helyett mesterséges neuronok és szinapszisok tömbjeit valósítják meg, amelyek diszkrét elektromos impulzusokon, úgynevezett spike-okon keresztül kommunikálnak. Biológiai megfelelőikhez hasonlóan ezek a mesterséges neuronok addig halmozzák fel a bejövő jeleket, amíg azok meg nem haladnak egy küszöböt, majd tüzelnek és visszaállnak – ezt a sémát spiking neurális hálózatnak (SNN) nevezik.

Három tervezési szempont teszi ezt hatékonnyá. Először is, eseményvezérelt feldolgozás: az áramkörök csak akkor aktiválódnak, amikor egy spike érkezik, üresjáratban nem fogyasztanak energiát. Másodszor, egy helyen lévő memória és számítás: minden mesterséges neuron helyben tárolja a saját súlyát, kiküszöbölve a processzor és a RAM közötti energiaigényes utakat. Harmadszor, masszív párhuzamosság: neuronok milliói működhetnek egyidejűleg egy probléma különböző részein, ellentétben a hagyományos CPU szekvenciális szűk keresztmetszetével.

Valódi hardver: Loihi, TrueNorth és NorthPole

Számos szervezet már épített működő neuromorf processzorokat. Az Intel Loihi 2 chipje akár egymillió neuront is tartalmaz, és bizonyos munkaterheléseken körülbelül 100-szor alacsonyabb energiafogyasztást mutatott, mint egy azonos teljesítményű GPU. Kiemelkedő a robotikában, az érzékszervi feldolgozásban és az új adatokhoz való valós idejű alkalmazkodásban. Az IBM TrueNorth chipje a hagyományos mikroprocesszorok energiafogyasztásának egy tízezredét kínálja, míg az újabb NorthPole a hálózati peremen történő kép- és videofelismerésre van optimalizálva. Kínában, Európában és Ausztráliában kutatócsoportok versengő architektúrákat építenek, és a globális neuromorf chip piac várhatóan meghaladja a félmilliárd dollárt 2026-ra.

Hol illeszkedik be a neuromorf hardver?

A neuromorf chipeket nem arra tervezték, hogy helyettesítsék a GPU-kat a hatalmas nyelvi modellek képzéséhez – ez a feladat továbbra is nyers lebegőpontos aritmetikát igényel. Ehelyett előnyeik a peremszámításban mutatkoznak meg: olyan eszközökben, amelyeknek helyben, felhőkapcsolat nélkül, szigorú energia- és késleltetési korlátok mellett kell következtetéseket levonniuk. Gondoljunk a valós időben beszédet felismerő hallókészülékekre, a szerverre adatokat nem küldő gyári érzékelőkre, a beültethető orvosi monitorokra vagy az önálló drónokra, amelyek GPU nélkül navigálnak. A Sandia National Laboratories bemutatta, hogy a neuromorf processzorok grafikonoptimalizálást, anyagszimulációt és jelfelismerési feladatokat oldanak meg – ami arra utal, hogy hasznosságuk messze túlmutat a mintafelismerésen.

A területet visszatartó kihívások

Az ígéret ellenére a neuromorf számítástechnika valós akadályokkal néz szembe. Az SNN-ek programozása teljesen eltérő eszközöket igényel, mint a gépi tanulási mérnökök által használt PyTorch és TensorFlow keretrendszerek, ami növeli az átállás költségeit. A hardver változékonysága – a nanoszintű analóg eszközök azon hajlama, hogy chipről chipre kissé eltérően viselkednek – ronthatja a pontosságot. És a legtöbb benchmark eredményt még mindig kis, kézzel készített feladatokon állítják elő; a technológia általános célú AI-hoz való skálázása összetett, valós problémákon továbbra is nyitott kutatási kérdés. A Nature Communications 2025-ös áttekintése megjegyezte, hogy a kereskedelmi sikerhez nemcsak jobb hardverre, hanem egyértelmű killer alkalmazásokra is szükség lesz, ahol a neuromorf rendszerek egyértelműen jobbak.

Az anyagok új generációja

A hagyományos szilíciumon túl a kutatók olyan anyagokat vizsgálnak, amelyek még tovább viszik az agy által inspirált megközelítést. Az Indiai Tudományos Intézet tudósai nemrégiben bemutattak alakváltó molekulákat, amelyek memóriaként, logikai kapuként vagy elektronikus szinapszisként működhetnek ugyanazon a fizikai eszközön belül – potenciálisan lehetővé téve olyan hardvert, amely nem csupán szimulálja a tanulást, hanem molekuláris szinten megtestesíti azt. Eközben az AI energiaigényének PNAS elemzése arra a következtetésre jut, hogy a neuromorf architektúrák az AI fenntartható növekedésének egyik legmegbízhatóbb útját jelentik.

A lényeg

A neuromorf számítástechnika nem a mai AI boomot tápláló chipek helyettesítője – hanem egy kiegészítő, amelyet olyan helyzetekre terveztek, ahol az energia, a késleltetés és a valós idejű alkalmazkodóképesség fontosabb, mint a nyers átviteli sebesség. Ahogy a perem AI elterjed, és a központosított AI villanyszámlája tovább emelkedik, a kérdés már nem az, hogy az agy által inspirált chipeknek van-e szerepük, hanem az, hogy a mérnökök milyen gyorsan tudják őket elég könnyen programozhatóvá, elég megbízhatóvá tenni a gyártáshoz és elég olcsóvá a nagyméretű telepítéshez.