Digitálne procesory narážajú na fyzikálny strop. Riešenie, ktoré výskumníci z Intelu, IBM a MIT testujú v laboratóriách, vychádza z princípu, ktorý mozog používa milióny rokov.
Dominantný predpoklad naráža na fyziku
Dominantný predpoklad v súčasnom vývoji výpočtovej techniky znie: viac tranzistorov, vyšší takt, viac jadier.
Tento predpoklad dnes naráža na fyzikálne a ekonomické limity.
Rastúca energetická náročnosť AI sa stáva významným inžinierskym a ekonomickým problémom — nie abstraktnou budúcnosťou, ale realitou, ktorú dnes riešia dizajnéri čipov, prevádzkovatelia dátových centier aj regulátori energetiky. Jedna z odpovedí na tento problém vedie späť k princípom, ktoré digitálna revolúcia pred sedemdesiatimi rokmi odložila ako zastarané.
Problém nie je výkon. Problém je architektúra.
Moderné dátové centrá pohánajúce globálnu AI infraštruktúru spotrebúvajú čoraz väčší podiel celkovej elektrickej energie. V niektorých modeloch rastu môže ich spotreba v nasledujúcom desaťročí dosiahnuť úroveň porovnateľnú s veľkými ekonomikami — závisí od scenára a metodiky výpočtu, ale smer je konzistentný naprieč viacerými nezávislými odhadmi vrátane správy IEA z roku 2024.
Moorov zákon — zdvojnásobenie počtu tranzistorov každé dva roky — sa spomaľuje. Fyzika atomárnych rozmerov kremíka kladie hranice, ktoré inžinieri nedokážu posunúť len ďalším zmenšením tranzistorov.
A aj keby mohli — problém leží inde.
Kľúčový insight: Čip nespotrebováva energiu predovšetkým na výpočet. Spotrebováva ju na premiestňovanie dát medzi procesorom a pamäťou.
DEEP DIVE
Situácia zo života: Procesor vypočíta výsledok. Musí ho uložiť do pamäti. Potom ho znovu načítať. A uložiť. V slučke, miliardykrát za sekundu.
Vedecké vysvetlenie: Toto sa nazýva von Neumannova bariéra. V mnohých architektúrach dominuje energetická cena presunu dát medzi procesorom a pamäťou nad energiou samotného výpočtu. Čip je ako knižnica, kde musíte pri každom kroku myslenia ísť do skladu, vybrať knihu, prečítať jednu vetu, vrátiť ju späť — a znovu to opakovať.
Rok 1936 a fyzika, ktorá počíta zadarmo
V roku 1936 postavil inžinier Vannevar Bush na MIT Diferenciálny analyzátor. Počítač bez jedinej nuly alebo jednotky — riešil diferenciálne rovnice pomocou rotujúcich hriadeľov a ozubených kolies.
Matematická operácia nebola výpočtom v digitálnom zmysle. Bola fyzikálnym javom.
Kirchhoffove zákony umožňujú, aby sa výsledok výpočtu emergentne ustálil fyzikálnou rovnováhou — elektrické prúdy sa sčítajú v uzle bez výpočtového cyklu, bez presunu dát. Výsledok vzniká ako priamy dôsledok fyziky obvodu.
Moderné neuromorfné čipy sa vracajú k tomuto princípu — v kremíku, s biologickým vzorom.
Neurón v mozgu nevysiela signál nepretržite. Vysiela elektrický impulz — spike — len vtedy, keď sa zmení vstup. Ak sa nič nemení, spotreba energie je minimálna. Celý mozog v priemere okolo 20 wattov v pokojovej a bežnej aktivite — menej ako slabá žiarovka nad písacím stolom.
Superpočítač digitálne simulujúci ekvivalentnú aktivitu by potreboval megawatty.
Digitálny čip → nepretržité taktovanie → von Neumannova bariéra
Neuromorfný čip → impulz len pri zmene → výpočet ako fyzikálny jav
Biologický neurón → spike pri novom podnete → ~20 W priemerSpiking neural networks (SNN) — architektúra neuromorfných čipov — kopírujú tento asynchrónny princíp. Výpočet prebieha len tam a vtedy, kde a kedy sa mení vstupný signál. Kde sa nič nemení, čip mlčí.
Tri laboratóriá, tri smery
Intel Loihi 2 Intel Labs vyvinul čip s miliónom umelých neurónov a 120 miliónmi synaptických spojení. V špecifických event-driven úlohách — optimalizačné algoritmy, spracovanie senzorických dát — dosahuje rádové zlepšenia energetickej efektivity v závislosti od úlohy a referencie.
IBM NorthPole IBM Research publikoval v časopise Science architektúru NorthPole — výskumný prototyp, nie komerčný produkt — ktorý integruje pamäť priamo do výpočtových jadier. Odstránením von Neumannovej bariéry dosiahol pri rozpoznávaní obrazu 25-násobne vyššiu energetickú efektivitu v porovnaní s referenčným GPU.
MIT — hybridná fotonika Výskumníci z MIT ukázali v Nature Photonics, že hybridné fotonicko-elektronické systémy dokážu urýchliť špecifické výpočty využitím fotónov — matricové násobenie, základná operácia každej neurónovej siete, môže prebiehať v nanofotonickom obvode s minimálnou disipáciou tepla. Ide o laboratórnu demonštráciu, nie nasaditeľnú technológiu — výskum naznačuje sľubný smer.
DEEP DIVE
Situácia zo života: Smartfón spracováva video v reálnom čase. Klasický čip analyzuje každý pixel každého snímku rovnakou energetickou náročnosťou — vrátane tých, kde sa nič nezmenilo.
Vedecké vysvetlenie: Neuromorfná architektúra v SNN režime reaguje len na zmeny v obraze. Ak je pozadie statické, čip preň nespustí žiadny výpočtový cyklus. Ide o rovnaký princíp, akým sietnica ľudského oka posiela do mozgu prednostne informáciu o pohybe — nie kompletný obraz každých 16 milisekúnd.
Kde sme dnes
Neuromorfné a optické čipy nie sú náhradou digitálnych GPU. Sú špecializovaným nástrojom pre konkrétne typy úloh.
Tréning veľkých modelov zostane digitálny — vyžaduje presnú aritmetiku s pohyblivou desatinnou čiarkou a spätné šírenie chyby. Ale inference — okamih, keď model odpovedá na otázku — vyžaduje oveľa menej a energetická efektivita je tu kritická, najmä pri nasadení v edge zariadeniach bez pripojenia na dátové centrum.
Hybridná architektúra: digitálne GPU pre tréning, neuromorfné a optické čipy pre nasadenie. Nie buď-alebo. Každý tam, kde fyzika hovorí, že má byť.
Kognitívna analógia — model, nie aplikácia
Princíp event-driven spracovania má zaujímavý odraz v kognitívnej psychológii. Nejde o priamy technologický prenos — ide o konceptuálny rámec, ktorý pomáha pochopiť niektoré aspekty ľudskej pozornosti.
Neuroveda — fakty: Výskum Sofie Leroy (University of Washington, 2009) opisuje jav attention residue: pri prepínaní medzi úlohami zostáva časť pozornosti viazaná na predchádzajúcu úlohu. Štúdia Gloria Mark z UC Irvine ukazuje, že po prerušení práce trvá v priemere 23 minút, kým sa sústredenie obnoví na pôvodnú úroveň.
Interpretácia — analógia: Digitálne prostredie s nepretržitými notifikáciami pripomína continuous-polling systém — mozog neustále kontroluje potenciálne vstupy aj vtedy, keď nie sú relevantné. Oproti tomu event-driven systém reaguje len na skutočnú zmenu stavu.
Toto je analógia, nie technologický prenos. Mozog nie je čip. Ale architektonická intuícia — reaguj len na to, čo sa zmenilo — platí v kremíku aj v biológii z podobných fyzikálnych dôvodov.
Záver
Vannevar Bush v roku 1936 nevedel, že stavia základ pre debatu, ktorá príde o deväťdesiat rokov. Vedel len, že fyzika dokáže počítať efektívnejšie ako sekvenčné digitálne kroky.
Mozog to vedel oveľa dlhšie.
Neuromorfné čipy sa tento princíp pokúšajú pochopiť a replikovať — zatiaľ v laboratóriách, v špecifických úlohách, s výsledkami, ktoré naznačujú smer bez toho, aby zaručovali výsledok. Veda takto väčšinou funguje.
Literatúra
– Davies, M. et al. (2018) – Loihi: A Neuromorphic Manycore Processor with On-Chip Learning – Frontiers in Neuroscience, Intel Labs
– Modha, D. S. et al. (2023) – NorthPole: An Architecture for Neural Network Inference with a Core Array – Science, IBM Research
– Shen, Y. et al. (2017) – Deep learning with coherent nanophotonic circuits – Nature Photonics, MIT
– Leroy, S. (2009) – Why Is It So Hard to Do My Work? – Organizational Behavior and Human Decision Processes
– Mark, G. et al. (2008) – The Cost of Interrupted Work – CHI Conference, UC Irvine IEA (2024) – Electricity 2024: Analysis and Forecast – International Energy Agency
