Когда в медиа появилась новость, что выращенный в лаборатории мозговой органоид научили решать задачу управления, многие увидели в этом очередную научную сенсацию из серии «человечество создало живой компьютер». Другие, наоборот, отмахнулись: мол, это красивый эксперимент, который не имеет отношения к реальной индустрии и никогда не выйдет за пределы научной статьи. Обе реакции понятны, но обе упускают главное.
Ценность подобных работ в другом: они показывают, что на стыке вычислительной техники, нейронауки и биоинженерии постепенно формируется новое поле, в котором вычисление перестает быть исключительно задачей кремниевой электроники в ее привычном виде. Еще недавно разговор о нейроморфных системах воспринимался как смесь академической романтики и идеологического футуризма. Но теперь у этого разговора появляются собственные артефакты — метрики, архитектуры, платформы, ранние продукты и, что особенно важно, инженерные ограничения, которые уже можно обсуждать всерьез.
Поговорим о том, что такое нейроморфные вычисления, почему ими занимаются не только нейробиологи, но и крупнейшие технологические компании, почему между лабораторным прототипом и настоящим рынком лежит огромная дистанция и как, несмотря на разрыв, за развитием этой сферы уже стоит следить почти так же внимательно, как когда-то за первыми GPU-ускорителями, квантовыми компьютерами или edge AI.
Содержание
Что на самом деле произошло в эксперименте с органоидами
Ученые из Калифорнийского университета в Санта-Круз создали органоиды коры головного мозга мышей, которые и стали биологическим субстратом для обучения. Функциональные нейронные сети получили из трехмерных агрегатов эмбриональных стволовых клеток, которые в процессе направленного развития и самоорганизации превращались в нервную ткань, похожую по строению на кору головного мозга. Уже на десятый день в этих сетях появились радиальные глиальные клетки и предшественники других важных структур переднего мозга.
К тридцатому дню ткань показала признаки правильного развития и содержала разные типы клеток коры головного мозга: нейроны верхних и глубоких слоев, тормозные нейроны, а также дендритные отростки и астроциты. Это подтвердило, что сформированная ткань близка к кортикальной по своему составу и организации.
Именно кортикальную структуру исследователи выбрали потому, что кора головного мозга играет ключевую роль в обработке информации, обучении и адаптации к новым сигналам. После этого органоиды подключили к системе HD-MEA, которая позволяет с высокой точностью регистрировать и контролировать активность большого числа нейронов.
Исследователи сообщили, что мозговые органоиды, подключенные к системе стимуляции и считывания сигналов, смогли продемонстрировать целенаправленное обучение в задаче удержания шеста на тележке (cart-pole). Это такой классический тест из мира управления и обучения с подкреплением. В этой задаче система должна удерживать шест в вертикальном положении, двигая тележку влево или вправо. Формально это очень простая среда. Но именно поэтому ее так часто используют как базовый тест для сравнения разных подходов к обучению: если система не может научиться удерживать cart-pole, говорить о более сложном поведении рано.
В эксперименте органоиды включили в контур обратной связи. Электрическая активность живой ткани считывалась, интерпретировалась и использовалась для управления в задаче, а система, в свою очередь, возвращала органоиду сигналы, выступавшие формой подкрепления. Это важно: перед нами не просто запись активности клеток и не пассивное наблюдение за нейронной культурой, а замкнутая вычислительная петля, в которой живая ткань участвует как адаптивный элемент. В результате при случайном обучении показатель успеха составлял около 4,5%, а при адаптивном режиме с подкрепляющей обратной связью вырастал примерно до 46%. Именно этот скачок и стал главным аргументом в пользу того, что система демонстрирует не хаотичную активность, а некоторую форму направленного обучения.
Но навык оказался нестабильным: после 45 минут отдыха производительность органоидов в значительной степени откатывалась назад — почти до прежних значений. То есть система может обучаться в рамках короткого окна взаимодействия, но пока не умеет сохранять результат так, как это делают зрелые вычислительные системы или даже биологические структуры в более естественных условиях.
Сами авторы исследования тоже не утверждают, что создали биологическую замену классическому компьютеру. Напротив, их интерес лежит в области изучения механизмов обучения, нейропластичности и заболеваний мозга. Органоид здесь — не «биопроцессор» в потребительском смысле, а исследовательская модель, которая может помочь понять, как живая нейронная ткань реагирует на стимуляцию, как она адаптируется и где проходят границы ее функциональности.
Значение, перспективы, контекст
Если воспринимать новость про органоид в отрыве от остального контекста, ее легко как переоценить, так и недооценить. Переоценка возникает, когда делают вывод, будто на наших глазах рождается «живой компьютер», который скоро вытеснит традиционные чипы. Недооценка — когда ее считают слишком экзотической и потому не имеющей никакого отношения к реальному развитию вычислительной техники.
Нейроморфная инженерия начала развиваться еще в 1960-х годах в Калифорнии. Тогда нейробиофизик Макс Дельбрюк обсудил с инженером Карвером Мидом идею о том, что работа синапсов в нервной системе во многом похожа на поведение кремниевых транзисторов. Это сходство заинтересовало Мида, и он начал создавать электронные схемы, которые могли воспроизводить отдельные принципы работы нейронов.
В 1980-х годах это направление оформилось в самостоятельную область исследований. Большую роль в этом сыграли обсуждения Карвера Мида с Джоном Хопфилдом и Ричардом Фейнманом. Ученые, работавшие в этой области, использовали технологии производства микросхем, чтобы создавать аналоговые схемы, имитирующие нейроны, синапсы и даже отдельные сенсорные органы живых организмов.
С самого начала нейроморфный подход рассматривался не только как научная идея, но и как перспективная технология для практического применения. Его главное преимущество — очень высокая энергоэффективность, похожая на ту, что есть у биологических нервных систем. Именно поэтому нейроморфные системы стали рассматривать как основу для нового поколения вычислительных и сенсорных устройств с очень низким энергопотреблением.
Так что же такое нейроморфные вычисления?
Нейроморфные вычисления — это семейство подходов, объединенных одной базовой идеей: если мозг умеет выполнять сложнейшие задачи — от сенсорной обработки до принятия решений — с колоссальной энергоэффективностью и устойчивостью, значит, архитектуры вычисления, вдохновленные нервной системой, могут быть полезны и в технике. В обычной компьютерной архитектуре, особенно в классической фон-неймановской модели, память и вычисление разделены, данные постоянно переносятся между разными блоками, а это создает узкие места по пропускной способности и энергии. В нервной ткани хранение и обработка информации распределены, локальны, событийны и во многом совмещены. Именно этот принцип и вдохновляет нейроморфный подход.
Нейроморфика — это направление в вычислительной технике, где системы создают по образцу мозга.
Если совсем упростить, идея такая: обычный компьютер работает по строгим последовательным командам, а нейроморфная система пытается обрабатывать информацию так, как это делают нейроны и синапсы в нервной системе. То есть не «считать все подряд», а реагировать на события, учиться на опыте и тратить минимум энергии.
Отсюда вытекают ключевые свойства, которые делают нейроморфику интересной:
Event-driven процессинг: система работает не по принципу непрерывного выполнения одинаково плотного потока операций, а реагирует на события по мере их поступления.
Разреженность (событийность) и локальность: далеко не все элементы активны одновременно, и обмен может происходить только там, где действительно нужен. Разреженность здесь и далее стоит понимать как событийный характер обработки.
Адаптивность: веса, связи или иные параметры могут изменяться в зависимости от истории воздействия и режима работы системы.
Потенциальная энергоэффективность: именно разреженность, асинхронность и локальность дают надежду на гораздо более экономичные вычисления для ряда задач. Обзор Nature Communications связывает коммерческий потенциал нейроморфных систем с ультранизкозатратными устройствами — от носимой электроники до систем интернета вещей.
В этой логике органоидный эксперимент — это не альтернатива нейроморфике, а одна из ее самых радикальных и спорных ветвей. Он демонстрирует саму возможность того, что живой субстрат может выступать носителем вычисления в замкнутом контуре. И хотя до практической техники отсюда очень далеко, концептуально это все равно часть одного большого движения: поиска новых вычислительных архитектур за пределами привычной модели CPU–RAM–bus–storage.
Нейроморфика — следующий этап
Одна из ошибок в публичных обсуждениях — отождествлять нейроморфику только с биокомпьютингом или органоидами. На самом деле биологическая линия — лишь одна из ветвей, причем на сегодняшний день самая инженерно незрелая. Основной массив нейроморфных разработок долгое время развивался в кремниевой электронике, то есть в обычном аппаратном мире, но по непривычным вычислительным принципам.
В вычислительной сфере коммерческий успех нейроморфных технологий пришел не сразу. Несколько крупных компаний все же выпустили процессоры, вдохновленные работой нейронных сетей и событийным принципом обработки данных. Среди них — Qualcomm Zeroth, IBM TrueNorth и Intel Loihi. Samsung тоже вложилась в это направление, поддержав разработку систем событийного зрения вместе со стартапом iniVation.
Один из самых известных примеров — IBM TrueNorth. Это один из символов ранней «серьезной» нейроморфики: программируемый нейросинаптический чип с миллионом цифровых нейронов, 256 миллионами синапсов и заявленным энергопотреблением 65 мВт. Его появление было важно не только как инженерный рекорд. TrueNorth показал, что можно строить крупные вычислительные структуры, вдохновленные биологией, на базе существующих микроэлектронных технологий и при этом получать иной профиль эффективности, чем у традиционных архитектур. Он не стал массовой коммерческой платформой, но доказал, что нейроморфика может быть не просто красивой концепцией, а реально спроектированным железом.
Следующая крупная веха — Intel Loihi и затем Loihi 2. Это уже попытка вывести нейроморфную архитектуру в более зрелую исследовательскую стадию, где важен не только сам чип, но и программная обвязка вокруг него. Intel заявляла, что Loihi 2 масштабируется до миллиона нейронов на чип, обеспечивает до 10-кратного ускорения обработки и до 15-кратной большей плотности ресурсов по сравнению с первым поколением.
Но особенно показательно, что вместе с аппаратной платформой развивался Lava — открытый программный фреймворк, предназначенный для нейро-вдохновленных и гибридных приложений. То есть индустрия пытается решать не только задачу сделать необычный чип, но и инфраструктуру для него — что нужно, чтобы с ним вообще можно было нормально работать разработчикам и исследователям.
Есть и более крупные исследовательские платформы системного уровня. Один из ярких примеров — SpiNNaker в Манчестере, объединяющий более одного миллиона ARM-процессоров и предназначенный для моделирования спайковых нейронных сетей в режиме, близком к биологическому реал-тайму. Смысл подобных систем не только в вычислительной мощности как таковой. Они дают возможность изучать, как нейроморфные принципы ведут себя в масштабе: как работают сети, как влияют задержки, как строится обмен событиями, как организовать архитектуру, где поведение системы ближе к нейронной ткани, чем к обычной суперкомпьютерной задаче
Однако со временем большинство компаний отошли от нейроморфных архитектур и вернулись к более привычным решениям — центральным и тензорным процессорам. Исключением можно считать Intel Loihi и исследования IBM в области вычислений в памяти на основе мемристоров.
Одна из главных проблем нейроморфных вычислений заключается в том, что до сих пор не до конца ясно, какие именно принципы работы биологического мозга действительно необходимо воспроизводить в чипах. Из-за этой неопределенности первые промышленные разработки делались очень гибкими, но вместе с тем и слишком сложными.
Похожая ситуация сложилась и с программированием импульсных нейронных сетей. Методы настройки таких чипов в основном выросли из академической среды, но при этом долгое время не существовало универсальной и достаточно мощной модели программирования.
Почему фон-неймановская модель здесь не работает
Чтобы понять, откуда вообще взялся интерес к альтернативным архитектурам, нужно сделать шаг назад и посмотреть на ограничения традиционной вычислительной модели. В классической архитектуре память и вычисление разделены. Процессор постоянно обращается к памяти, извлекает данные, обрабатывает их, записывает назад, снова извлекает. На протяжении десятилетий эта модель прекрасно работала, потому что рост тактовых частот, масштабирование транзисторов и развитие иерархий памяти позволяли наращивать производительность. Но по мере усложнения ИИ-нагрузок, edge-сценариев и требований к энергоэффективности все заметнее становится так называемое бутылочное горлышко фон Неймана — ограничение, связанное с переносом данных между блоками.
Особенно ярко оно проявляется там, где нужно одновременно обрабатывать потоковую сенсорику, быстро реагировать на события и при этом укладываться в жесткий энергетический бюджет. Например, в носимых устройствах, робототехнике, всегда включенных системах наблюдения, автономных сенсорах, распределенных IoT-узлах. Во многих таких сценариях классическая модель, даже с очень хорошими оптимизациями, оказывается неидеальной: слишком много энергии уходит на перемещение данных, а не на то, чтобы извлекать из них полезное поведение. Именно здесь нейроморфика обещает нам иной баланс между памятью, обработкой и событием.
Но важно не впадать в другую крайность и не представлять нейроморфику концом фон-неймановской эпохи. Речь идет скорее о дополняющей архитектуре для специфических классов задач. Как GPU не отменили CPU, а TPU не отменили GPU, так и нейроморфные системы, если доберутся до зрелой коммерческой стадии, скорее всего, будут жить рядом с традиционным стеком, а не заменят его.
Почему у нейроморфики до сих пор нет своего ChatGPT
Несмотря на десятилетия исследований, нейроморфика пока не пережила того момента, который можно было бы назвать всеобщей рыночной легитимацией. Нет одной демонстрации, после которой бизнес мгновенно понял бы, зачем это нужно, а разработчики массово бросились бы осваивать новый стек. И на это есть причины.
Проблема с понятностью прикладной ценности. Научные публикации могут демонстрировать очень красивые результаты по энергоэффективности или скорости в узких сценариях, но рынку этого мало. Бизнесу нужно понимать, какой конкретно класс задач решается лучше, дешевле или надежнее. Причем не в лабораторной постановке, а в реальном продукте. Пока таких массово признанных сценариев немного.
Слабая софтверная опора. Сделать необычное железо — еще не значит сделать платформу. Нужны инструменты разработки, отладки, профилирования, компиляции, симуляции, обучения и развертывания. Нужны специалисты, которые умеют мыслить не только тензорами и классическими ANN, но и спайками, событиями, асинхронностью, задержками, гибридными режимами. Именно поэтому попытки вроде Lava важны не меньше самого железа.
У любой зрелой вычислительной платформы есть слои. Есть аппаратный уровень, интерфейсы ввода и вывода, драйверы, компиляторы, инструменты профилирования, стандартные библиотеки, модели разработки, бенчмарки. А еще представление о том, какие задачи этой платформы естественны, а какие — нет. У нейроморфики значительная часть этих слоев пока либо экспериментальная, либо фрагментированная, либо привязана к конкретной лаборатории или вендору. Поэтому даже сильные результаты часто плохо переносимы из одной системы в другую.
Если говорить образно, нейроморфика сегодня находится примерно в том состоянии, в котором ранние компьютеры находились до появления зрелых операционных систем, языков высокого уровня и стандартизированных периферийных интерфейсов. Железо уже есть, идей много, даже есть демонстрации. Но нет той плотной среды совместимости, которая превращает технологическое направление в рынок.
Необходимость в честном сравнении с существующими системами. Современные CPU, GPU, NPU и специализированные ИИ-акселераторы развиваются невероятно быстро. Даже если нейроморфная архитектура имеет теоретические преимущества, она все равно должна конкурировать с экосистемой, у которой уже есть производственные цепочки, инструменты, кадры, драйверы, облачные сервисы и рынок. Поэтому нейроморфике недостаточно быть просто интересной — ей нужно быть настолько полезной в некоторых нишах, чтобы оправдать сложность.
Биологическая ветка сложнее кремниевой
Если обычная нейроморфика уже сталкивается с огромными барьерами, то биологическая ветка все усложняет еще на порядок. Здесь появляются ограничения, которых нет у стандартной микроэлектроники.
Воспроизводимость. Полупроводниковый чип можно производить так, чтобы тысячи экземпляров работали предсказуемо и были функционально эквивалентны в заданных пределах. Биологическая ткань так не ведет себя по определению. Органоиды вариативны, чувствительны к условиям роста, питательной среде, способу стимуляции, состоянию клеток и массе других факторов. Массовая индустрия не любит такую степень биологической индивидуальности.
Жизнеобеспечение. Если речь идет о живой ткани, системе нужны не только сигнальные интерфейсы, но и условия для поддержания жизнеспособности: среда, температура, газовый режим, питание, защита от деградации. Уже одно это делает путь к массовому потребительскому устройству крайне сложным и дорогим.
Этические и нормативные вопросы. Чем сложнее и функциональнее становятся биологические вычислительные системы, тем сильнее общество будет задаваться вопросами: каков их статус, где границы допустимого, как регулировать такую область, как оценивать риски и что считать нормой при коммерциализации живой ткани. Эти вопросы не остановят исследования, но точно замедлят и усложнят путь в массовый рынок.
Интерфейсная сложность. Если даже кремниевым нейроморфным системам нужны мосты к обычным вычислениям, то биологическим системам нужен еще один дополнительный уровень — мост между живой динамикой ткани и цифровой логикой приложений. Это не просто драйвер или API, а гораздо более тонкий класс переводчиков между разными режимами существования информации.
Рынок начнется не с устройств, а с инфраструктуры доступа
Когда новая технология еще сырая, сложная и дорогая, ее первая коммерциализация почти всегда происходит не через массовое железо, а через инфраструктуру.
В биокомпьютинге этот процесс уже виден. Cortical Labs продвигает CL1 как биологический компьютер — платформу, ориентированную не на широкого потребителя, а на исследовательскую и прикладную лабораторную среду. Компания подчеркивает двунаправленную стимуляцию и считывание, а также способность поддерживать нейроны в жизнеспособном состоянии до шести месяцев. Важно даже не столько то, насколько быстро такие системы станут массовыми, сколько сам формат предложения: рынок начинается с платформы, а не с гаджета.
FinalSpark Neuroplatform предлагает удаленный доступ к биологической нервной сети. Это очень показательный формат коммерциализации: вместо того чтобы продавать каждому исследователю сложную биоинженерную систему, можно продавать доступ к ней. Исторически именно так и начинается путь многих сложных технологий: сперва они существуют как редкая инфраструктура, распределенная по модели «платформа как сервис», и только потом отдельные элементы упрощаются и стандартизируются до продуктового уровня.
То есть первым большим рынком для нейроморфных вычислений и биокомпьютеров станет рынок инструментов, позволяющих с этой парадигмой в принципе работать.
Где нейроморфика может быть полезна
Наиболее правдоподобные ранние ниши — это те, где особенно важны сочетания низкой задержки, энергоэффективности, событийной обработки и локальной автономности.
— Edge AI. Когда система должна быстро реагировать на входящие сигналы, но не может постоянно отправлять их в облако и обратно, event-driven-архитектуры становятся особенно интересны. Это касается камер, датчиков безопасности, носимых устройств, автономных модулей мониторинга, распределенных сенсорных сетей.
— Робототехника. В обзоре Communications Engineering про нейроморфику для robotic vision подчеркивается, что brain-inspired computing особенно перспективен для робототехники и edge devices, где критичны low latency и работа в реальном времени. Для робота не всегда важно получить самый красивый результат распознавания — иногда намного важнее успеть среагировать с минимальной задержкой и ограниченным энергобюджетом.
— Потребительская электроника и носимые устройства. Если устройство должно постоянно быть внимательным, но при этом не разряжать батарею слишком быстро, архитектуры, умеющие работать по событию, а не по принципу непрерывной тяжелой обработки, получают преимущество. Именно поэтому Nature Communications отдельно выделяет устройства с питанием от батареи, IoT и носимые устройства как естественные рынки для ранней коммерциализации.
— Сенсорика нового поколения, особенно там, где сигнал изначально имеет событийную природу. Здесь нейроморфные подходы могут быть особенно естественны, потому что им не нужно насильно преобразовывать всё в плотный поток однотипных чисел, если сам мир уже предоставляет разреженные изменения.
Как это может прийти в продакшен
Если попытаться описать наиболее вероятную траекторию развития без лишнего футуризма, она выглядит примерно так.
Лабораторные и исследовательские платформы. Это происходит уже сейчас: специализированные чипы, платформы моделирования, биологические установки, SDK, фреймворки, удаленный доступ к редкому оборудованию.
Переходные инструменты и продукты — мостики между технологиями. Возникают инструменты, которые позволяют нейроморфным системам жить рядом с обычными вычислениями: конвертация моделей, гибридные пайплайны, событийные интерфейсы, адаптеры к сенсорам и облаку, компиляторы под конкретные классы задач.
Узкие прикладные модули, которые не пытаются быть «новым компьютером», а решают одну конкретную задачу лучше существующих средств. Например, постоянно работающий сенсорный модуль, edge-контроллер для робототехники, часть автономной wearables-платформы, сверхэкономичный обработчик событий для локального принятия решений.
Продуктовые MVP, которые продаются уже конечному рынку. Причем и тогда пользователь, вероятно, не будет знать и не будет обязан знать, что внутри стоит нейроморфный принцип. Так же, как сегодня мало кто покупает устройство именно потому, что там конкретный тип кеша или инструкционного декодера, здесь важнее будет функция, а не философия архитектуры.
В биологической ветке эта траектория, вероятно, окажется еще длиннее. Там между первым и третьим этапом может пройти очень много времени, а рынок долго будет существовать в форме исследовательской инфраструктуры и нишевых сервисов доступа, а не железа на полке магазина.
Выводы. Следим уже сейчас
Скептик может возразить: если горизонт длинный, экосистемы нет, массового продукта не видать, а биологическая ветка вообще обременена особыми ограничениями, то зачем уделять этому столько внимания сейчас? Ответ заключается в том, что технологические направления редко становятся важными в тот момент, когда они уже полностью сформировались. Обычно их значимость становится заметна раньше — в точке, где начинают совпадать несколько признаков зрелости.
У нейроморфики такие признаки уже видны. Есть долгий академический фундамент. Есть исследовательские чипы и платформы системного уровня. Есть попытки создавать software stack. Есть обзоры, которые обсуждают не «возможна ли эта идея вообще», а «что нужно для коммерческого успеха». Есть ранние компании, которые пробуют монетизировать доступ, интерфейсы и биоплатформы. И наконец, есть кейсы вроде эксперимента UCSC, где вместо общих рассуждений о будущем появляются конкретные числа, конкретные задачи и конкретные ограничения.
Именно это и отличает новую технологическую траекторию от научной экзотики. Экзотика может быть эффектной, но она не обрастает повторяемыми экспериментами, архитектурами и рынком инструментов. Нейроморфика уже начинает обрастать — пока медленно, фрагментарно и без оформленного центра тяжести, но начинает.
