Ένας ανθρώπινος εγκέφαλος καταναλώνει περίπου 20 watt —όσο μια μικρή λάμπα— για να επεξεργάζεται ταυτόχρονα όραση, ακοή, κίνηση, μνήμη και σκέψη. Ένα σύγχρονο data center που εκπαιδεύει ή τρέχει μεγάλα μοντέλα τεχνητής νοημοσύνης καταναλώνει εκατομμύρια φορές περισσότερη ενέργεια για να προσεγγίσει, σε πολύ στενότερα καθήκοντα, μέρος αυτής της ικανότητας. Αυτό το χάσμα αποτελεί την αφετηρία μιας ερευνητικής κατεύθυνσης που ονομάζεται neuromorphic computing: την προσπάθεια σχεδίασης υπολογιστικού υλικού που δεν προσομοιώνει απλώς τη λειτουργία των νευρώνων μέσω λογισμικού, αλλά αντιγράφει σε επίπεδο κυκλώματος τον τρόπο με τον οποίο επικοινωνούν και επεξεργάζονται πληροφορία τα βιολογικά νευρικά συστήματα.
Από τον φον Νόιμαν στον εγκέφαλο
Οι συμβατικοί υπολογιστές, από το πρώτο PC μέχρι τα ισχυρότερα GPU τεχνητής νοημοσύνης, βασίζονται στην αρχιτεκτονική φον Νόιμαν: επεξεργαστής και μνήμη είναι διακριτά κυκλώματα, και τα δεδομένα ταξιδεύουν συνεχώς μεταξύ τους μέσω μιας «στενωπού» (bus), ανεξάρτητα από το αν υπάρχει πραγματικά κάτι νέο προς επεξεργασία. Αυτή η αδιάκοπη μετακίνηση δεδομένων —γνωστή ως «von Neumann bottleneck»— είναι υπεύθυνη για μεγάλο μέρος της ενεργειακής κατανάλωσης της σύγχρονης υπολογιστικής.
Ο εγκέφαλος λειτουργεί εντελώς διαφορετικά. Οι περίπου 86 δισεκατομμύρια νευρώνες του δεν έχουν διακριτή μονάδα επεξεργασίας και μονάδα μνήμης· η μνήμη είναι ενσωματωμένη στις ίδιες τις συνάψεις. Οι νευρώνες δεν «ανανεώνονται» συνεχώς με ένα ρολόι, όπως ένας επεξεργαστής, αλλά παραμένουν αδρανείς μέχρι να λάβουν αρκετό ερέθισμα ώστε να ξεπεράσουν ένα κατώφλι και να «πυροδοτήσουν» έναν ηλεκτροχημικό παλμό (spike). Το σύστημα είναι, δηλαδή, βαθιά αραιό (sparse) και καθοδηγούμενο από γεγονότα (event-driven): καταναλώνει ενέργεια μόνο εκεί και τότε που πραγματικά συμβαίνει κάτι.
Ο όρος «neuromorphic» επινοήθηκε ήδη στα τέλη της δεκαετίας του 1980 από τον μηχανικό Carver Mead στο Caltech, ο οποίος υποστήριξε ότι τα αναλογικά ολοκληρωμένα κυκλώματα θα μπορούσαν να μιμηθούν πιο πιστά τη βιολογική νευρωνική δραστηριότητα από τα ψηφιακά συστήματα. Η ιδέα παρέμεινε κυρίως ακαδημαϊκή για δεκαετίες, μέχρι που η ραγδαία αύξηση της ζήτησης για ενεργειακά αποδοτική τεχνητή νοημοσύνη την επανέφερε στο προσκήνιο.
Spiking Neural Networks: η γλώσσα των παλμών
Ο πυρήνας της neuromorphic προσέγγισης είναι τα λεγόμενα Spiking Neural Networks (SNN), δίκτυα τεχνητών νευρώνων που επικοινωνούν με διακριτούς παλμούς (spikes) αντί για συνεχείς αριθμητικές τιμές, όπως συμβαίνει στα συμβατικά νευρωνικά δίκτυα βαθιάς μάθησης. Ένας τεχνητός νευρώνας σε ένα SNN συσσωρεύει «φορτίο» από τα ερεθίσματα που δέχεται και πυροδοτεί έναν παλμό μόνο όταν ξεπεραστεί ένα κατώφλι, μεταφέροντας έτσι πληροφορία και μέσα στη χρονική διάσταση —πότε ακριβώς συμβαίνει ένας παλμός— κι όχι μόνο μέσα από την τιμή του.
Αυτή η αρχή έχει δύο πρακτικές συνέπειες. Πρώτον, επιτρέπει τεράστια εξοικονόμηση ενέργειας σε δεδομένα που είναι εκ φύσεως αραιά ή χρονικά μεταβαλλόμενα, όπως το σήμα ενός αισθητήρα κίνησης, ενός μικροφώνου ή μιας «κάμερας γεγονότων» (event camera) που καταγράφει μόνο μεταβολές φωτεινότητας ανά pixel. Δεύτερον, ταιριάζει φυσικά με προβλήματα πραγματικού χρόνου, όπου η ταχύτητα αντίδρασης σε ένα νέο ερέθισμα μετράει περισσότερο από τη μαζική παράλληλη επεξεργασία σταθερών όγκων δεδομένων —όπως συμβαίνει, αντίθετα, στα μεγάλα γλωσσικά μοντέλα.
Το υλικό: από το TrueNorth στο NorthPole
Τα τελευταία περίπου δεκαπέντε χρόνια, αρκετοί μεγάλοι οργανισμοί έχουν κατασκευάσει εξειδικευμένα ολοκληρωμένα κυκλώματα για neuromorphic υπολογισμούς:
- Το TrueNorth της IBM (2014) ήταν από τα πρώτα ψηφιακά neuromorphic chip μεγάλης κλίμακας, με περίπου ένα εκατομμύριο τεχνητούς νευρώνες.
- Ο Loihi της Intel, και κυρίως ο διάδοχός του Loihi 2 (2021), αποτελεί σήμερα ένα από τα πιο ευέλικτα ερευνητικά chip του είδους, με περίπου ένα εκατομμύριο προγραμματιζόμενους νευρώνες και εκατοντάδες εκατομμύρια συνάψεις ανά chip. Το ερευνητικό σύστημα Hala Point, που παρουσιάστηκε από την Intel το 2024, συνδυάζει πάνω από χίλια chip Loihi 2 φτάνοντας το 1,15 δισεκατομμύριο τεχνητών νευρώνων, με επιδόσεις που, σε συγκεκριμένα προβλήματα βελτιστοποίησης, ξεπερνούν κατά πολύ αντίστοιχες συστοιχίες GPU σε όρους ενεργειακής απόδοσης.
- Το SpiNNaker, αναπτυγμένο από το Πανεπιστήμιο του Μάντσεστερ σε συνεργασία με το TU Dresden, χρησιμοποιεί χιλιάδες απλούς πυρήνες επεξεργασίας για να προσομοιώσει σε πραγματικό χρόνο μεγάλης κλίμακας βιολογικά νευρωνικά δίκτυα, κυρίως για ερευνητικούς σκοπούς νευροεπιστήμης.
- Η BrainChip, μια εμπορική εταιρεία, προσφέρει το chip Akida, στοχεύοντας σε εφαρμογές edge AI χαμηλής κατανάλωσης.
- Το NorthPole της IBM ακολουθεί διαφορετική φιλοσοφία: αντί να μιμείται πιστά τη βιολογική λογική των spikes, επικεντρώνεται στην εξάλειψη του ενεργειακού κόστους της πρόσβασης στη μνήμη, φέρνοντας τη μνήμη πολύ πιο κοντά στους υπολογιστικούς πυρήνες. Σε δοκιμές συμπερασμού (inference) σε μοντέλα όρασης, έχει παρουσιάσει σημαντικά καλύτερη ενεργειακή απόδοση σε σχέση με σύγχρονα GPU.
Πού δείχνει πραγματικά υπόσχεση
Η neuromorphic προσέγγιση δεν στοχεύει να αντικαταστήσει τα GPU στην εκπαίδευση μεγάλων γλωσσικών μοντέλων —εκεί η πυκνή, μαζική παράλληλη αριθμητική πράξη ταιριάζει καλύτερα στην κλασική αρχιτεκτονική. Τα πεδία όπου δείχνει πραγματικό πλεονέκτημα είναι διαφορετικά: επεξεργασία σημάτων από αισθητήρες σε πραγματικό χρόνο, ρομποτική με περιορισμένη μπαταρία, «πάντα ενεργές» (always-on) συσκευές αναγνώρισης ήχου ή κίνησης, και εφαρμογές όπου η αραιότητα των δεδομένων είναι εγγενής, όπως τα event cameras. Ερευνητικά, εξετάζεται επίσης η χρήση neuromorphic κυκλωμάτων σε πειραματικές διεπαφές εγκεφάλου-υπολογιστή και σε προσθετικά μέλη, όπου η χαμηλή κατανάλωση ενέργειας και ο χρόνος απόκρισης σε πραγματικό χρόνο είναι κρίσιμοι παράγοντες.
Το εμπόδιο δεν είναι το υλικό, είναι το λογισμικό
Παρά τη σημαντική πρόοδο στο υλικό, η ίδια η ερευνητική κοινότητα αναγνωρίζει ότι η ευρεία υιοθέτηση της neuromorphic υπολογιστικής παραμένει περιορισμένη. Το βασικό εμπόδιο δεν είναι πλέον αν τα chip λειτουργούν —λειτουργούν, και τα ενεργειακά τους οφέλη σε συγκεκριμένα φορτία εργασίας είναι πραγματικά και τεκμηριωμένα— αλλά η απουσία ενός ώριμου, ενοποιημένου προγραμματιστικού μοντέλου, αντίστοιχου με αυτό που παρείχε το CUDA της NVIDIA για τα GPU στα μέσα της δεκαετίας του 2000. Ο προγραμματισμός σε «γλώσσα παλμών» απαιτεί διαφορετικό τρόπο σκέψης από τον συμβατικό προγραμματισμό νευρωνικών δικτύων, και η μεταφορά υπαρχόντων μοντέλων τεχνητής νοημοσύνης σε αυτή τη λογική δεν είναι απλή ούτε πάντα αποδοτική. Επιπλέον, τα περισσότερα chip αιχμής παραμένουν διαθέσιμα κυρίως μέσω ερευνητικών συνεργασιών με πανεπιστήμια και εργαστήρια, όχι ως προϊόντα ελεύθερης αγοράς.
Ένα υποσχόμενο, αλλά ακόμη ανώριμο πεδίο
Η neuromorphic υπολογιστική βρίσκεται σήμερα κάπου ανάμεσα στην ερευνητική περιέργεια και την πρακτική εφαρμογή. Τα τελευταία χρόνια η απόσταση μειώνεται σταθερά, καθώς νέες γενιές chip προσφέρουν μεγαλύτερη προγραμματισιμότητα και καλύτερη ενεργειακή απόδοση, ενώ αυξάνεται και το ενδιαφέρον από τομείς όπως η ρομποτική και τα αυτόνομα συστήματα. Ωστόσο, η μετάβαση από τα εντυπωσιακά εργαστηριακά αποτελέσματα σε προϊόντα ευρείας κλίμακας εξαρτάται λιγότερο από νέες ανακαλύψεις σε επίπεδο κυκλώματος και περισσότερο από την ωρίμανση ενός οικοσυστήματος εργαλείων και βιβλιοθηκών λογισμικού — κάτι που, ιστορικά, αποδεικνύεται εξίσου δύσκολο όσο και η ίδια η κατασκευή του υλικού.
Το ερώτημα, εν τέλει, δεν είναι αν οι υπολογιστές μπορούν να μιμηθούν πιστά τον εγκέφαλο —κάτι τέτοιο παραμένει εξαιρετικά μακρινός στόχος— αλλά αν μπορούν να δανειστούν αρκετές από τις αρχές λειτουργίας του, ώστε να λύσουν συγκεκριμένα προβλήματα με πολύ λιγότερη ενέργεια απ’ όσο απαιτεί σήμερα η κυρίαρχη υπολογιστική αρχιτεκτονική.
