Proč neuromorfní čipy počítají podobněji nervové soustavě

Tradiční počítačová architektura, pojmenovaná po Johnu von Neumannovi, nás provází již od čtyřicátých let minulého století. Je elegantní, přesná a neúnavná, ale má jednu důležitou slabinu: přísné oddělení procesoru a paměti. Každý výpočet vyžaduje neustálé přesouvání dat přes úzké hrdlo sběrnice, což spotřebovává obrovské množství energie ve formě odpadního tepla. Lidský mozek naproti tomu pracuje s úplně jinou logikou. V našich hlavách jsou výpočet a paměť neoddělitelně spojeny v rámci synapsí, což nám umožňuje rozpoznat tvář nebo pochopit větu za zlomek energie, kterou by spotřeboval superpočítač. Tento propastný rozdíl v efektivitě vedl inženýry k vývoji neuromorfních čipů. Namísto zpracování nul a jedniček v pevném taktu hodin tyto křemíkové systémy napodobují biologické neurony a jejich krátké elektrické výboje, takzvané spiky. Pokud neuron nepřijme dostatek podnětů, zůstává v klidu a nespotřebovává téměř žádnou energii. Tato architektura orientovaná na události znamená, že čip „ožívá“ pouze tehdy, když je to potřeba, což dramaticky snižuje energetické nároky v porovnání s grafickými kartami, které dnes pohánějí umělou inteligenci v obřích datových centrech. Výzkum v oblasti energetické udržitelnosti se dnes nezaměřuje pouze na procesory, ale i na širší infrastrukturu, kde například [flow batteries grid storage](/text/tech-flow-batteries-grid-storage) slibují stabilizaci sítě pro rostoucí energetické nároky technologií. Neuromorfní systémy by mohly tento tlak zmírnit tím, že umožní inteligentní zpracování dat přímo v místě jejich vzniku. Představte si kameru, která neodesílá video do cloudu, ale sama pomocí lokálního neurálního čipu rozpozná nebezpečí. Takové zařízení by mohlo běžet měsíce na jedinou malou baterii, protože by procesor aktivovalo jen v reakci na konkrétní pohybové vzorce. Samotná struktura těchto čipů připomíná spíše organickou síť než geometrickou mřížku klasických tranzistorů. Vědci se často inspirují v přírodě, kde se komplexní komunikace odehrává bez centrálního řízení, podobně jako [mushroom internet pacific northwest](/text/nature-mushroom-internet-pacific-northwest) propojuje lesní ekosystémy prostřednictvím podhoubí. Neuromorfní hardware se snaží o podobnou decentralizaci, kde každý uzel sítě pracuje autonomně a sdílí informace jen se svými nejbližšími sousedy. Tím se eliminuje nutnost neustálého přístupu k hlavní operační paměti, což je největší brzda současných počítačů. Jedním z nejznámějších příkladů této technologie je čip Loihi od společnosti Intel nebo projekt TrueNorth od IBM. Tyto procesory obsahují miliony digitálních neuronů a miliardy synapsí vyleptaných do křemíku. Na rozdíl od běžného programování se tyto systémy učí posilováním nebo oslabováním spojení mezi neurony, což je proces známý jako synaptická plasticita. V praxi to znamená, že se hardware může přizpůsobit novým úkolům bez nutnosti přepsat miliony řádků kódu, prostým opakováním a tréninkem v reálném čase. Cesta ke komerčnímu využití však není bez překážek. Současný software je postaven na deskriptivní matematice a lineární logice, což se s chaotičtější a impulzivní povahou neuromorfních čipů špatně kombinuje. Programátoři se musí naučit myslet v termínech času a pulzů, nikoli jen v polích dat. Přechod na tento nový model vyžaduje nejen nové čipy, ale i zcela nové algoritmy, které dokážou využít paralelismus, jenž je lidskému mozku vlastní. Budoucnost neuromorfních čipů pravděpodobně neleží v nahrazení našich notebooků, ale v jejich doplnění. Mohly by se stát specializovanými koprocesory pro úkoly vyžadující rychlou reakci na podněty z okolí, jako je řízení dronů, protetické končetiny ovládané myšlenkami nebo chytré senzory v medicíně. Zatímco von Neumannova architektura zůstane ideální pro tabulkové procesory a matematické simulace, neuromorfní technologie nám otevře dveře k umělé inteligenci, která je skutečně autonomní, úsporná a blízká biologickému vzoru. Stojíme na prahu éry, kde se rozdíl mezi biologickým a digitálním začíná stírat na úrovni samotné architektury. Pokud se nám podaří plně zkrotit principy, kterými se řídí lidský mozek, dosáhneme efektivity, o jaké se nám v éře sálových počítačů ani nesnilo. Křemík už nebude jen pasivním nosičem instrukcí, ale aktivní sítí, která vnímá svět v reálném čase. Cesta k tomuto cíli je dlouhá, ale směr je jasný: méně hrubé síly a více elegance v uspořádání informací.



Praktická zkouška zní jednoduše: bude systém spolehlivý i tam, kde jsou podmínky nepořádné, rozpočty omezené a lidé ho potřebují bez odborníka po ruce?

Nejsilnější čísla pocházejí ze specializovaných úloh, ne z běžné práce notebooku. IBM představila v roce 2014 čip TrueNorth s 1 milionem programovatelných neuronů a 256 miliony synapsí; Intel Loihi 2 používá událostně řízená jádra pro řídké signály; projekt SpiNNaker na University of Manchester propojil více než 1 milion jader ARM k modelování spikových sítí v reálném čase. Mechanismus spočívá v místnosti dat: impuls se posílá jen tehdy, když simulovaný neuron změní stav, a paměť leží vedle výpočtu. Méně energie se tak utratí za přesouvání nul po sběrnici. Omezení je stejně důležité: většina AI softwaru počítá s hustými maticemi na GPU typu NVIDIA a převod modelů do spikové podoby může stát přesnost, čas i důvěru vývojářů.

Srovnání potřebuje běžné opěrné body: Sandia National Laboratories, Heidelberg University a Tsinghua University porovnávají přesnost, zpoždění a energii na 1000 vzorcích nebo v 50 opakováních, protože čip úspěšný v jedné ukázce může selhat na šumových datech.