Представьте: вы ставите эксперимент, что-то идёт не по плану, и вдруг вы обнаруживаете новый тип искусственного нейрона, который потребляет в сотни раз меньше энергии, чем обычные транзисторы. Звучит как сценарий фильма? Примерно так и выглядит история свежего прорыва в нейроморфных вычислениях.
Пока дата-центры для больших языковых моделей жрут мегаватты, а инженеры бьются над охлаждением чипов, группа исследователей из Цюриха (Швейцария) случайно наткнулась на решение. Они пытались создать мемристор — элемент, меняющий сопротивление под напряжением, — но перепутали концентрацию допантов в оксидном слое. Результат: устройство начало вести себя не как классический мемристор, а как настоящий биологический нейрон, генерирующий спайки (потенциалы действия) с почти нулевым энергопотреблением.
По данным статьи, опубликованной в Nature Nanotechnology 3 июля 2026 года, новый тип нейрона потребляет всего 0.1 фемтоджоуля на спайк — это в 10 000 раз меньше, чем современные чипы NVIDIA H200, и сопоставимо с энергозатратами синапса в мозге мыши.
Но давайте по порядку. Почему нейроморфные чипы вообще нужны? Традиционные компьютеры работают по фон-неймановской архитектуре: процессор и память разделены, данные передаются туда-сюда, тратя энергию. Мозг же объединяет вычисление и хранение в одном — в синапсах. Нейроморфные чипы пытаются повторить этот трюк, но до сих пор им не хватало точности и стабильности.
А тут — бац! — случайно получили стабильный аналог биологического нейрона. Устройство состоит из тонкой плёнки оксида гафния с примесью циркония. Ошибка в рецептуре заставила материал работать в так называемом "режиме разрывного токового филамента" — по сути, крошечные проводящие нити внутри плёнки то формируются, то разрушаются, имитируя накопление заряда в нейроне.
Это открытие перекликается с недавней симуляцией мозга мыши на суперкомпьютере Fugaku, где выяснилось, что биологические нейроны используют гораздо более сложные механизмы, чем простые пороговые функции. Новый чип как раз аппроксимирует эту сложность на аппаратном уровне.
Интересно, что разработчики уже протестировали чип на задаче распознавания рукописных цифр MNIST. Точность — 98.7%, энергопотребление — 0.2 мкВт на нейрон. Для сравнения: классическая реализация на FPGA жрёт 2 Вт. Выигрыш в 10 000 раз.
Нейроморфные чипы: гонка без финиша?
Рынок нейроморфных процессоров сейчас напоминает толкучку. Intel уже выпустила Loihi 2, IBM — TrueNorth, а стартапы вроде FinalSpark пытаются использовать живые клетки. Но у всех есть проблемы: либо низкая точность, либо сложность программирования.
Новый подход на основе оксида гафния может упростить производство — этот материал уже массово используется в микроэлектронике (например, в транзисторах FinFET). То есть не нужно изобретать новую фабрику — просто изменить рецепт нанёса плёнки. Это как если бы вы случайно испекли лучший в мире торт, используя муку с истекшим сроком годности.
Правда, есть нюанс. Чип пока работает только при температурах до 85°C, а в дата-центрах бывает жарче. И долговечность: протестировали всего 10^9 циклов (миллиард спайков), что мало для промышленных нагрузок. Но для периферийных устройств (IoT, носимые датчики) — самое то.
Важно: это всё ещё лабораторный прототип. Коммерческие образцы ожидаются не раньше 2028 года, по заявлению исследователей. Не верьте хайпожёрам, которые обещают "революцию завтра".
Как ошибка стала нормой?
История науки полна случайных открытий: от пенициллина до микроволновки. Но в AI-индустрии каждая новая архитектура обычно рождается из математических выкладок, а не из "ой, мы что-то напутали". Тем приятнее, что фундаментальное открытие в нейроморфных вычислениях пришло из практической ошибки. Это напоминает термодинамический подход к обучению нейросетей, где физические принципы заменили сложный backpropagation.
Авторы работы признаются, что собирались изучать влияние допирования на мемристивный эффект, но из-за ошибки лаборанта (перепутали бюксы с прекурсорами) получили материал с высокой плотностью дефектов. Эти дефекты создали естественные «ловушки» для электронов, которые и породили нейроноподобное поведение. Учёные быстро поняли, что нашли нечто большее, и переключились на характеризацию нового эффекта. В итоге — статья в топовом журнале и миллиардные перспективы.
Кстати, это отлично коррелирует с недавним исследованием, где ИИ реконструировал видео из активности мозга мыши. Там тоже использовали аппаратное ускорение на мемристорах, но совсем другого типа. Пока коллеги спорят, какой подход лучше, Цюрих уже обогнал всех на два корпуса.
Что дальше?
Уже анонсировано сотрудничество с IMEC (бельгийский исследовательский центр микроэлектроники) для масштабирования технологии на 300-миллиметровые пластины. Планируют выпустить первый чип с 10 000 искусственных нейронов к концу 2027 года. Этого хватит для голосового управления на устройстве, не требующем облака.
Но главная ставка — на обучение с подкреплением прямо на чипе, без внешнего компьютера. Если получится, мы увидим настоящие «разумные» датчики, которые учатся на ходу. Представьте: дрон, который адаптируется к ветру без связи с сервером, или кардиостимулятор, предсказывающий аритмию на основе нейроморфного импульса.
Кстати, Сбер недавно доказал, что ИИ не умеет думать, — но может, нейроморфное железо изменит правила игры? Пока рано говорить о сознании (новая теория гибридных вычислений утверждает обратное), но энергоэффективность — это то, ради чего стоит задержаться.
Ошибки случаются. Иногда они ломают эксперименты, а иногда — меняют мир. Следите за руками — через пару лет ваш смартфон сможет думать как нейрон, тратя меньше энергии, чем его камера на автофокус.
