Технологии

Нейроморфный чип, вдохновлённый мозгом, сокращает потребление энергии ИИ на 70%

Исследователи разработали крошечный чип, вдохновленный мозгом, который снижает энергопотребление ИИ до 70%, одновременно делая системы более адаптивными — возможный прорыв для устойчивой инфраструктуры ИИ.

Эльвин С · 23 апреля 2026 года

По мере того как центры обработки данных с искусственным интеллектом потребляют всё большую долю мировой электроэнергии — некоторые прогнозы предполагают, что к 2030 году ИИ может составлять 10% мирового энергопотребления — исследователи стремятся найти фундаментально более эффективные подходы к вычислениям ИИ. Новое открытие, опубликованное 23 апреля 2026 года, предлагает один из самых многообещающих ответов на сегодняшний день: нейроморфный чип, который имитирует энергоэффективность биологических нейронов и снижает энергопотребление ИИ до 70%.

Чип использует искусственные нейроны, которые активируются в шаблонах, очень похожих на клетки биологического мозга. В отличие от обычных цифровых чипов, которые обрабатывают информацию с помощью логических вентилей, находящихся либо полностью во включенном, либо полностью в выключенном состоянии, нейроморфные чипы используют аналоговые схемы, которые могут представлять непрерывный диапазон значений — подобно градуированным потенциалам биологических нейронов. Этот подход по своей сути более энергоэффективен для задач распознавания шаблонов и вывода, которые преобладают в нагрузках ИИ.

Как работает нейроморфные вычисления

Основная идея нейроморфного вычисления заключается в том, что человеческий мозг — который способен выполнять сложные рассуждения, потребляя примерно 20 ватт энергии — значительно более энергоэффективен, чем любой кремниевый чип. Мозг достигает этого за счет редкой активации, локального обучения и событийно-управляемых вычислений. Новый чип включает все три принципа, реализованные с использованием напечатанных органических полупроводниковых устройств, которые одновременно дешевле и гибче по сравнению с традиционной кремниевой технологией.

Цифра сокращения энергии на 70% относится к вычислительным рабочим нагрузкам при выводе — процессу запуска обученной модели ИИ для генерации прогнозов или ответов. Обучение по-прежнему является проблемой для нейроморфного оборудования, но именно вывод потребляет большую часть энергии в развернутых ИИ-системах, что делает это более коммерчески значимой целью. Комитет парламента Великобритании по науке и технологиям открыл расследование по подходам к вычислениям с низким энергопотреблением, ссылаясь на это исследование как на одно из нескольких многообещающих направлений.