Биология встречает кремний: нейросети нетрадиционного вычисления

Искусственный интеллект долго копировал мозг только в математике — слой за слоем, матрица за матрицей, цепочка линейной алгебры. Теперь исследователи начинают копировать его в буквальном смысле: используя биологические механизмы в нейросетях, строя аппаратуру, которая вычисляет как живая клетка. Нетрадиционные вычисления — молекулярные, оптические, нейроморфные — становятся главным претендентом на роль архитектуры для сильного ИИ.

Когда кремний упирается в стену

Современные GPU строят на транзисторах, которые становятся всё меньше, но не бесконечно. Закон Мура замедляется. Для обучения больших моделей нужна чудовищная энергия: один поиск в Perplexity потребляет столько электричества, сколько автомобиль ездит на 5 км. Тренировка GPT-4 стоила сотни миллионов долларов и выбросила в атмосферу углерод, как небольшой город. AGI будет требовать мощности планетарного масштаба — если строить его на традиционном кремнии. Инженеры упираются в физику. Нетрадиционные вычисления обещают выход: вместо манипулирования электронами в микросхеме, можно использовать фотоны в оптических системах (параллелизм на скорости света), молекулы ДНК (плотность хранения информации невероятная), или электрохимические процессы в нейроморфных чипах (энергоэффективность как у биологического мозга).

Нейроморфные чипы — архитектура мозга в электронике

Intel Loihi, BrainScaleS, SpiNNaker — это не GPU, имитирующие нейроны в коде. Это чипы, физически устроенные как мозг: спайкующие нейроны, синапсы с изменяемыми весами, асинхронная событийная обработка. Вместо матричного умножения всех весов на батч — только активные нейроны посылают импульсы, когда это нужно. Результат потрясающий: энергопотребление в тысячу раз ниже, чем у GPU того же масштаба. Мозг человека на 20 ватт делает то, что современным нейросетям требует 20 киловатт. Нейроморфный чип повторяет этот результат.

• Обучение в режиме реального времени (без ожидания полного батча данных) Обработка потоков вместо матриц (идеально для датчиков, камер, сенсоров) Адаптация к новым задачам без переоптимизации целой модели * Устойчивость к зашумленным входам благодаря биологической логике импульсов Компании вроде Intel и академические лаборатории уже использовали нейроморфные чипы в робототехнике и обработке сенсорных данных. Масштабировать сложнее, но потенциал огромен.

Молекулярная машина, пробирка вычислений ДНК — это не только хранилище генов.

Это параллельный компьютер. На одной молекуле можно закодировать гигабиты информации и проводить вычисления одновременно со всеми молекулами в растворе. Исследователи в MIT, Caltech и других лабораториях уже используют ДНК-вычисления для задач машинного обучения: классификация, матричное умножение. Масштабировать сложнее, чем с чипами — нужны методы контролировать миллиарды молекул синхронно, извлекать результаты без ошибок. Но если получится — плотность вычислений превысит любой кремниевый аналог, и энергопотребление упадёт в разы. Параллельно исследуют оптические компьютеры (фотоны вместо электронов) и квантовые системы. Картина ясна: монокультура кремниевых GPU уходит. AGI будет гибридом.

Что это значит Граница между биологией и кремнием размывается.

Нетрадиционные вычисления — не экзотика для лабораторий, а инженерный практикум для сильного ИИ. За год-два мы увидим первые гибридные системы: нейроморфные ускорители в дата-центрах рядом с GPU, молекулярные компьютеры для специализированных задач, оптические процессоры для линейной алгебры. Когда AGI приедет — если вообще приедет — его железо на 90% будет состоять из того, что живая природа доказала эффективным миллиарды лет назад.