Джон фон Нейман, родившийся в 1903 году в Будапеште как Янош Нейман, был вундеркиндом: в шесть лет оперировал восьмизначными числами в уме, к восьми годам общался с отцом на древнегреческом, в 19 лет дал современное определение порядковых числам. К 23 годам он стал доктором наук, внес вклад в квантовую механику и логику. Позже участвовал в Манхэттенском проекте, разработал теорию игр, повлиявшую на экономику, и работал в областях от квантовой физики до гидродинамики. Его ключевой вклад для компьютерных наук — архитектура, определившая все современные машины.
В 1944 году фон Нейман присоединился к проекту ENIAC — первому ламповому компьютеру, где заметил проблему: программа хранилась в процессоре, изменение алгоритма требовало перепаивки проводов. В 1945 году в черновике отчета EDVAC (101 страница) он предложил концепцию компьютера с хранимой программой: инструкции и данные в единой памяти, передаваемые по шине в процессор. Эта схема, известная как архитектура фон Неймана, обеспечила универсальность и перепрограммируемость.
Принципы архитектуры фон НейманаАрхитектура основана на разделении памяти и вычислений с ритмичным циклом: извлечение инструкции (fetch), декодирование, выполнение (execute). Все синхронизировано тактовым генератором, как конвейер завода. Преимущества: универсальность (одна машина для любых задач via код), масштабируемость (добавление ядер, памяти, частоты), гибкость (модификация конвейера, сопроцессоров).
Почти все чипы — CPU, GPU, NPU — следуют этой модели, обеспечив экспоненциальный рост вычислений XX–XXI веков.
Бутылочное горлышко эпохи ИИ
Глубокие нейросети выявили ограничения. Первое — пропускная способность: данные постоянно перемещаются между памятью и процессором, создавая "бутылочное горлышко фон Неймана" — задержки, простои. Процессоры тратят больше времени на ожидание данных, чем на вычисления.
Второе — энергопотребление. Конвейер не останавливается: энергия расходуется каждый такт, даже вхолостую. В дата-центрах до 90% энергии уходит на транспорт данных по шине. Обучение GPT-4 потребовало электричества небольшого города за год; GPT-5 в 20 раз энергоемчее при схожем прогрессе. Источники для GPT-6 под вопросом. Экзафлопсные суперкомпьютеры жрут 20 МВт, человеческий мозг — 20 Вт (миллион раз меньше), параллельно обрабатывая сенсорные данные, управление телом и мышление в реальном времени асинхронно.
Нейроморфные процессоры: вдохновение мозгом
Нейроморфные вычисления имитируют мозг. Нейрон — базовая единица: дендриты принимают импульсы через синапсы (усиливают/ослабляют сигнал), при превышении порога генерирует спайк — короткий импульс на аксон.
Ключевой элемент — мемристор (memory + resistor): программируемый резистор, меняющий сопротивление под током и сохраняющий состояние без питания, как синапс. Массивы мемристоров позволяют асинхронные вычисления: "нейрон" спит, активируется при пороговом сигнале спайком, распределяя по сети. Нет тактов, ритма — параллелизм и энергоэффективность мозга.
Эта архитектура устраняет bottleneck, минимизируя транспорт данных: вычисления локальны в сети. Нейроморфные чипы — будущее ИИ, обещая масштабирование без энергетического кризиса.
Преимущества нейроморфных чипов
Мемристорные синапсы в нейроморфных чипах усиливают или ослабляют сигналы на основе предыдущего опыта, имитируя обучение. По сравнению с традиционными процессорами они предлагают три ключевых преимущества: высокую скорость, массовый параллелизм и энергоэффективность.
Скорость достигается за счёт асинхронной работы: нейроны генерируют импульсы сразу при значимых событиях, без ожидания тактового цикла. Решения принимаются за миллисекунды, как в биологических системах. Массовый параллелизм позволяет всем нейронам обрабатывать сигналы одновременно и независимо, в отличие от последовательных конвейеров CPU или даже GPU.
Энергоэффективность максимальна: энергия расходуется только на активные импульсы, а большинство нейронов остаются неактивными. В экспериментах чип Intel Loihi обрабатывал данные до 1000 раз быстрее и до 10 000 раз энергоэффективнее традиционных CPU. Это критично для крупных языковых моделей с их высоким энергопотреблением.
Применения в робототехнике и сенсорике
Нейроморфные чипы идеальны для задач с локальной обработкой данных в реальном времени и жёсткими ограничениями по энергии, особенно в робототехнике. Они позволяют анализировать потоки с камер, лидаров и микрофонов на борту, обеспечивая мгновенную реакцию. Это упрощает создание ловких роботов, подобных моделям Boston Dynamics, снижая требования к ресурсам.
В 2019 году на китайском чипе Tianjic учёные создали автономный велосипед: он балансирует, объезжает препятствия, реагирует на голос и следует за человеком. Система потребляет меньше энергии, чем смартфон, и одновременно выполняет балансировку, компьютерное зрение и распознавание речи — как миниатюрный мозг.
Другой пример — асинхронная электронная кожа ACES от Национального университета Сингапура (2020), интегрированная с чипом Intel Loihi. Плёнка с тактильными сенсорами различает силу, форму, текстуру и материал за 10 мс — в 1000 раз быстрее человеческой нервной системы. Она распознаёт шрифт Брайля, классифицируя импульсы на лету.
Ключевые разработки
Разработки ведутся по всему миру. Intel выпустила второе поколение чипа Loihi с 1 млн нейронов; 768 таких чипов образуют систему на 100 млн нейронов. IBM пионерила аппаратные имитации нейронов, но сейчас менее активна. Есть китайские (Tianjic), российские проекты и инициативы университетов.
В отличие от квантовых компьютеров, остающихся теоретическими, нейроморфные чипы переходят к практике, подобно ранней авиации: разные команды экспериментируют с электронными "мозгами".
Ограничения и вызовы
Масштаб пока мал: ведущие чипы имеют миллионы синапсов против триллионов в человеческом мозге (память — зеттабайты). Эквивалент — мозг насекомого. Кремниевая реализация полноценного мозга крайне сложна.
Архитектура требует новых подходов: спайковые сети обучают не кодом, а импульсами. Традиционное ПО неприменимо; нужны алгоритмы для спайковых нейронных сетей и кодирования.
Инженерные барьеры: массовое производство, снижение стоимости и интеграция — пока лабораторный уровень.
Перспективы
Архитектура фон Неймана исчерпала потенциал: энергия тратится на перемещение данных. Нейроморфность предлагает событийно-ориентированную модель — локальную, асинхронную, экономичную.
Это не замена CPU/GPU, а дополнение: сопроцессоры для роботов, протезов, сенсоров, умных камер и автономных систем. Гибриды станут нормой, решая задачи скорости и автономности. Технология зрелая для внедрения, без запредельных сложностей.
Комментарии
Замечательная статья, спасибо!
Интересно, что Loihi с мемристорами уже в тысячу раз быстрее CPU за счёт асинхронных спайков и локальных вычислений. Я был уверен, что преодоление фон Неймана именно так изменит энергозатраты ИИ в робототехнике. Примеры вроде электронной кожи ACES подтверждают потенциал
Обращая внимание на формулировку о локальных вычислениях в сети, отмечу, что именно минимизация транспорта данных устраняет разделение памяти и процессора по фон Нейману, обеспечивая асинхронность без тактового генератора и снижая энергозатраты на порядок по сравнению с традиционными CPU
Вы пишете про велосипед на Tianjic, который якобы работает как миниатюрный мозг, но не могли бы уточнить, почему такие решения до сих пор не вытеснили привычные чипы в реальных дата-центрах?
Согласна с эффективностью мемристоров для локальных спайков, но при масштабе мозга насекомого это вряд ли снимет бутылочное горлышко для моделей вроде GPT-5